[发明专利]雾霾天气预测方法

说明书

本发明公开了一种雾霾天气预测方法，包括：采集历史雾霾数据，得到样本集和测试集，并进行集成特征选择，得到集成特征集；改进支持向量机的核函数应用到支持向量机中，得到多核支持向量机；将模糊支持向量机和最小二乘支持向量机相结合引入至多核支持向量机中，以构建模糊多核最小二乘支持向量机；利用集成特征集对模糊多核最小二乘支持向量机进行训练，得到模糊多核最小二乘支持向量机预测模型；改进萤火虫算法对模糊多核最小二乘支持向量机进行参数优化，得到最优模糊多核最小二乘支持向量机预测模型；将测试集输入预测模型中得到预测结果。该方法避免了核函数对支持向量机性能的影响，提高了支持向量机的分类准确率、预测精度和鲁棒性。

技术领域

本发明涉及气象预测技术领域，特别涉及一种基于改进的萤火虫算法和模糊多核最小二乘支持向量机的雾霾天气预测方法。

背景技术

随着经济水平日益快速的发展和城市化进程的不断加快，环境问题也随之而来。例如雾霾天气在多地区频繁爆发，给人们的生活、出行和健康都带来不同程度的影响，因此对雾霾天气进行预测具有十分重要的意义。

目前的预测模型有很多，可以分为统计模型和机器学习模型。统计模型是基于对历史数据的统计分析进行预测，然雾霾天气预测是一个非线性的复杂问题，很难满足所有假设问题。机器学习模型不依赖于自变量与应变量之间精确的数学公式，可以在没有求解问题的先验知识的情况下求解任何复杂的函数，具有很强的鲁棒性和预测能力。因此选用机器学习模型进行雾霾天气预测。

支持向量机在分类预测领域性能优越，因核函数的应用能够很好处理非线性问题，计算复杂性低可避免维数灾难，是基于结构风险最小化且能得到全局最优解，因此选用支持向量机模型进行雾霾预测。但支持向量机的分类性能往往受到核函数和核参数的影响，以及噪音对数据的影响、学习模型的计算复杂度等等都会对支持向量机的性能、求解速度和预测精度产生不利的影响。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的目的在于提出一种雾霾天气预测方法，该方法能够取得更为理想的分类预测效果。

为达到上述目的，本发明实施例提出了雾霾天气预测方法，包括以下步骤：步骤S1，采集历史雾霾数据，并对所述历史雾霾数据进行归一化处理，得到样本集数据和测试集数据；步骤S2，对所述样本集数据进行集成特征选择，得到集成特征集；步骤S3，改进支持向量机的核函数应用到支持向量机中，得到多核支持向量机；步骤S4，将模糊支持向量机和最小二乘支持向量机相结合引入至所述多核支持向量机中，以构建模糊多核最小二乘支持向量机；步骤S5，利用所述集成特征集对所述模糊多核最小二乘支持向量机进行训练，得到模糊多核最小二乘支持向量机预测模型；步骤S6，改进萤火虫算法，以对所述模糊多核最小二乘支持向量机进行参数优化，得到最优模糊多核最小二乘支持向量机预测模型；步骤S7,将所述测试集数据输入所述最优模糊多核最小二乘支持向量机预测模型中，经过计算后得到预测结果。

本发明实施例的雾霾天气预测方法，通过多核学习方法构建组合核函数，避免核函数的选取对支持向量机性能的影响；其次对标准支持向量机提出改进，建立模糊多核最小二乘支持向量机模型，提高支持向量机的分类准确率和预测精度；最后对标准萤火虫算法的种群多样性、移动步长和局部搜索能力提出改进，将改进后的萤火虫算法优化支持向量机的参数，进一步增强了支持向量机的鲁棒性和预测能力；最终能够取得更为理想的雾霾天气预测效果。

另外，根据本发明上述实施例的雾霾天气预测方法还可以具有以下附加的技术特征：