System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及气温预测,尤其涉及基于牛顿冷却定律的气温预测方法。
技术介绍
1、气温预测的发展经历了天气图预测、数值预报,以及当前以数据驱动为主的预测方法。其中,以数据驱动为主的预测方法又可以分为统计方法和人工智能方法,气温数据预测的精确度和时效性不够完善。
技术实现思路
1、本专利技术的目的在于提供基于牛顿冷却定律的气温预测方法,完善气温值的模型计算,提高气温数据预测的精确度和时效性,有效提升气象服务。
2、本专利技术采用的技术方案是:
3、基于牛顿冷却定律的气温预测方法,其包括建模部分和预测部分,具体包括以下步骤:
4、基于历史数据建模部分:
5、步骤1,获取气温历史数据并对历史数据进行预处理得到训练数据;
6、步骤2,构建基于牛顿冷却定律的气温预测模型,建立气温测量装置温度与太阳辐射之间的关系如下:
7、
8、其中,ti表示当前时刻的气温,ti+1表示下一时刻的气温,ri为当前时刻的总辐射曝辐量,ri+1为当前时刻的总辐射曝辐量,a表示系数,b表示释放系数,d是偏移量;
9、步骤3,构建损失函数并求解模型参数a、b和d得到训练好的气温预测模型,对应的损失函数:
10、
11、其中,t′i表示预测的气温数据,ti表示实际的气温数据,m表示预测的总时刻数;
12、步骤4,将前一天的气温数据和总辐射曝辐量输入训练好的气温预测模型得到p个单位时间的气温预
13、基于实时数据的气温预测部分:
14、进一步地,步骤1中的预处理包括以下步骤:
15、步骤1-1,气温历史数据进行缺失处理以填补历史数据中缺失部分;
16、步骤1-2,对缺失处理后的历史数据进行异常筛查,过滤气温超过正常范围的历史数据;
17、步骤1-3,利用最高气温和最低气温把按小时记录的历史数据扩展为按半小时记录的数据序列。
18、进一步地,步骤1-1中对历史气温、总辐射曝辐量的缺失值采用线性插值的方法进行缺失处理,线性插值方法如下:
19、
20、其中,xi表示第i个历史数据,xi-1表示xi的前一个历史数据,xi+1表示xi的后一个历史数据。
21、进一步地,步骤1-2中异常筛查的方法为:先进行线性插值估计,判断插值与实际值差距是否超过阈值;如果是,则判定为异常值,并直接使用插值替代异常值;具体表达式如下:
22、
23、其中,xi表示第i个历史数据,δ表示设定的阈值。
24、进一步地,步骤1-2中分别对小时气温均值、小时最高气温、小时最低气温和总辐射曝辐量序列进行异常值筛查。
25、进一步地,步骤1-3的具体步骤如下:
26、步骤1-3-1,把长度为n的小时平均气温序列rawt0_n-1扩展为长度为2n的以半小时为单位的气温序列t0_2n-1,其扩展的具体规则如下:
27、(1)对于序列起始位置,设置:t1=rawt0,
28、(2)对于气温rawti-1、rawti、rawti+1满足条件:rawti-1<rawti且rawti<rawti+1且rawti-rawti-1≤rawti+1-rawti时,t2i=rawti,t2i+1=maxti;
29、(3)对于气温rawti-1、rawti、rawti+1满足条件:rawti-1<rawti且rawti<rawti+1且rawti-rawti-1>rawti+1-rawti时,t2i=maxti,t2i+1=rawti;
30、(4)对于气温rawti-1、rawti、rawti+1满足条件:rawti-1<rawti且rawti<rawti+1时,t2i=rawti,t2i+1=minti;
31、(5)对于气温rawti-1、rawti、rawti+1满足条件:rawti-1>rawti且rawti>rawti+1时,t2i=rawti,t2i+1=minti;
32、(6)对于气温rawti-1、rawti、rawti+1满足条件:rawti-1>rawti且rawti>rawti+1且rawti-rawti-1<rawti+1-rawti时,t2i=minti,t2i+1=rawti;
33、(6)对于气温rawti-1、rawti、rawti+1满足条件:rawti-1>rawti且rawti<rawti+1时,t2i=rawti,t2i+1=maxti;
34、步骤1-3-2,把长度为n的小时总辐射曝辐量序列rawr0_n-1扩展为长度为2n的以半小时为单位的总辐射曝辐量序列r0_2n-1的方法如下:
35、
36、进一步地,步骤3中求解模型参数的具体步骤如下:
37、步骤3-1,设置各项参数初始值:pre_loss=0,delta_loss=10,min_loss=0.001,k=24*10,δa=0.001,δr=0.001,δb=0.001,a=1,b=-1,d=0,其中δ表示参数的变化量;
38、步骤3-2,从[t0,t1,...,tn-1],[r0,r1,...,rn-1]中获取k个连续的气温和总辐射曝辐量元素形成t0_k-1和r0_k-1元素序列作为一个batch,k即batch的样本数,利用如下公式计算loss对a、b和d的偏导数,计算如下:
39、
40、
41、
42、步骤3-3,基于对应的偏导数更新参数a、b和d,计算公式如下:
43、
44、步骤3-4,利用t0_k-1和r0_k-1元素序列求气温序列的预测t′0_k-1,
45、
46、步骤3-5,保留上一轮次的损失值:pre_loss=curr_loss;
47、步骤3-6,计算当前损失值:
48、
49、步骤3-7,判断delta_loss>min_loss是否成立;如果是,则执行步骤3-2;否则,执行步骤步骤3-8:
50、步骤3-8,返回参数a、b和d。
51、进一步地,步骤4的具体步骤如下:
52、步骤4-1,每半小时数据获取一次当前数据并规范得到前一天的气温数据序列t[1..48]和总辐射曝辐量序列r[1..48],其中ti表示当前时刻的气温,ri为当前时刻的总辐射曝辐量,ri-48表示前一天同一时刻的总辐射曝辐量,ri-47表示前一天下一时刻的总辐射曝辐量;
53、步骤4-2,将气温数据序列和总辐射曝辐量序列输入训练好的气温预测模型,根据预测数量执行p次如下计算:
54、步骤4-2-1,本文档来自技高网...
【技术保护点】
1.基于牛顿冷却定律的气温预测方法,其特征在于:其包括建模部分和预测部分,具体包括以下步骤:
2.根据权利要求1所述的基于牛顿冷却定律的气温预测方法,其特征在于:步骤1中的预处理包括以下步骤:
3.根据权利要求2所述的基于牛顿冷却定律的气温预测方法,其特征在于:步骤1-1中对历史气温、总辐射曝辐量的缺失值采用线性插值的方法进行缺失处理,线性插值方法如下:
4.根据权利要求2所述的基于牛顿冷却定律的气温预测方法,其特征在于:步骤1-2中异常筛查的方法为:先进行线性插值估计,判断插值与实际值差距是否超过阈值;如果是,则判定为异常值,并直接使用插值替代异常值;具体表达式如下:
5.根据权利要求2所述的基于牛顿冷却定律的气温预测方法,其特征在于:步骤1-2中分别对小时气温均值、小时最高气温、小时最低气温和总辐射曝辐量序列进行异常值筛查。
6.根据权利要求2所述的基于牛顿冷却定律的气温预测方法,其特征在于:步骤1-3的具体步骤如下:
7.根据权利要求1所述的基于牛顿冷却定律的气温预测方法,其特征在于:步骤3中求解模型参
8.根据权利要求1所述的基于牛顿冷却定律的气温预测方法,其特征在于:步骤4的具体步骤如下:
9.根据权利要求8所述的基于牛顿冷却定律的气温预测方法,其特征在于:步骤4-1中每个迭代获取一个真实历史数据Tnew和Rnew执行规范操作,Tnew和Rnew在每个迭代分别代表序列为:
...【技术特征摘要】
1.基于牛顿冷却定律的气温预测方法,其特征在于:其包括建模部分和预测部分,具体包括以下步骤:
2.根据权利要求1所述的基于牛顿冷却定律的气温预测方法,其特征在于:步骤1中的预处理包括以下步骤:
3.根据权利要求2所述的基于牛顿冷却定律的气温预测方法,其特征在于:步骤1-1中对历史气温、总辐射曝辐量的缺失值采用线性插值的方法进行缺失处理,线性插值方法如下:
4.根据权利要求2所述的基于牛顿冷却定律的气温预测方法,其特征在于:步骤1-2中异常筛查的方法为:先进行线性插值估计,判断插值与实际值差距是否超过阈值;如果是,则判定为异常值,并直接使用插值替代异常值;具体表达式如下:
5.根据权利要求2所述的基于牛顿...
【专利技术属性】
技术研发人员:汪波,张仕,张华琳,曾昊川,王金涛,邱丽霞,
申请(专利权)人:福建省气象信息中心福建省气象档案馆,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。