一种针对气象观测模糊序列的长时间序列预测方法技术

本发明专利技术公开了一种针对气象观测模糊序列的长时间序列预测方法，包括步骤如下：S1，根据气象站观测得到的长时间序列，得到影响未来降水分布的特征值，并选取主变量和协变量；S2，利用FS模糊廓型准则来确定各个气象变量的最优模糊区间数及其长度；S3，确定各因素的论域U；S4，基于相等和不相等长度的区间定义模糊集，将历史数据模糊化；S5，构建犹豫模糊集；S6，根据间隔数，构造新的论域，并定义气象差分模糊集；S7，结合主变量及其协变量的差分模糊集，建立高阶多变量模糊逻辑关系；S8，得出主变量的预测结果；S9，对预测结果进行修改。本发明专利技术综合考虑了气象预测时的其他影响因素，提高了预测的精确度和准确性。

【技术实现步骤摘要】

本专利技术涉及气象预测，尤其涉及一种针对气象观测模糊序列的长时间序列预测方法。

技术介绍

1、预测已经逐步渗透到气象领域，且已经在短期和中期领域取得了显著成果，然而长期预测仍然需要我们去探索。传统的时间序列方法经常使用，并在应用中取得了巨大的成功。然而，它们需要一些严格的假设和大样本路径，并且无法处理数据集由于不准确和不完整的测量或难以获得，而导致的模糊性和不确定性。在应用中，开发一些预测工具来简化约束和处理模糊性至关重要。这些促使我们研究模糊时间序列(fts)并将其应用于实践。

2、fts是由song和chissom提出的，使用模糊集合论。song和chissom，提供了一个强大的框架来处理模糊或模棱两可的时间序列问题，他们将fts分为两类，时不变和时变。fts中有大量的文献，但其中大多数是时间不变的。一般来说，fts预测包括三个步骤：模糊化、模糊关系识别和去模糊化。

3、然而，目前模糊时间序列预测还存在一些问题：现有方法未能就如何有效和主观地确定区间的数量和区间的划分；现有的fts模型在构建模糊逻辑关系时，大多仅进行基于时间序列本文档来自技高网...

【技术保护点】

1.一种针对气象观测模糊序列的长时间序列预测方法，其特征在于，包括步骤如下：

2.根据权利要求1所述针对气象观测模糊序列的长时间序列预测方法，其特征在于，步骤S1中，影响未来降水分布的特征值包括风速值、风向值、气温值、气压值、湿度值，并对这些原始数据进行清洗、转化和标准化处理；其中，选取湿度值为主变量，气压值、气温值、风向值以及风速值为协变量。

3.根据权利要求1所述针对气象观测模糊序列的长时间序列预测方法，其特征在于，步骤S3中，根据各观测量历史数据的变化范围，确定各因素的论域U，将论域划分成区间：

4.根据权利要求1所述针对气象观测模糊序列的长时间...

【技术特征摘要】

1.一种针对气象观测模糊序列的长时间序列预测方法，其特征在于，包括步骤如下：

2.根据权利要求1所述针对气象观测模糊序列的长时间序列预测方法，其特征在于，步骤s1中，影响未来降水分布的特征值包括风速值、风向值、气温值、气压值、湿度值，并对这些原始数据进行清洗、转化和标准化处理；其中，选取湿度值为主变量，气压值、气温值、风向值以及风速值为协变量。

3.根据权利要求1所述针对气象观测模糊序列的长时间序列预测方法，其特征在于，步骤s3中，根据各观测量历史数据的变化范围，确定各因素的论域u，将论域划分成区间：

4.根据权利要...

【专利技术属性】
技术研发人员：荣欢，岳璐，徐经纬，徐敏，马廷淮，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：