论文部分内容阅读
随着现代气象技术的快速发展，气象数据达到海量规模，合理的管理和组织气象数据是提高气象预报准确率和灾害天气预警能力的关键。近年来，为了解决传统的气象预报方法在计算性能和挖掘气象因素间隐含信息等方面的弊端和不足，机器学习和数据挖掘已成为气象预报的重要辅助手段。 BP神经网络具有强大的非线性系统拟合能力，在气象数据（尤其是气温相关数据）的分析和预测中得到广泛应用。考虑到气象数据的海量规模，基于传统BP神经网络的预报方法存在误差收敛速度慢、容易陷入局部极小等问题，将严重影响预测的效率和精准度。为了满足气温预报的精细化要求，本文提出一种优化的BP神经网络预报模型，主要研究内容包括以下三点: 1.在传统BP算法的基础上，提出了一种重要性自适应算法建立BP网络预报模型。传统的BP网络采用固定不变的学习率，而自适应BP网络对不同节点之间的连接权重选取互不相同的学习率进行更新，并对连接权重的重要性进行分类，属于不同类别的权重将使用不同的权重更新策略。 2.针对气象数据的多维性和周期性，提出了一种优化BP网络模型输入结构的方案。该方案应用逐步回归分析法对输入样本进行降维，以简化BP网络模型的输入参数，并引入月周期因子作为模型的输入参数之一，以提高BP网络模型的预报精度。 3.研究自适应BP网络模型在青海湖流域气温预报中的应用效果。设计多组对比实验，比较自适应BP网络模型和其他6种典型的BP网络模型及ARIMA模型在3种气温变量（日平均气温、日最高气温、日最低气温）上的学习效率和预报性能。 实验结果表明，本文提出的自适应BP网络气温预报模型，不仅提升了误差收敛速度，也显著提高了预报精度，进而证明了该模型的有效性。自适应BP网络预报模型在青海湖流域的气温预报上取得了较好的预报效果，这将有助于分析青海湖流域的气候变化。同时，该模型为时间序列的预测而设计，不仅适合气温预报，也为气温之外的时间序列的预测提供了一个参考思路。