[发明专利]一种基于卡尔曼滤波及演化建模的短期气候预测方法

摘要

本发明公开了一种基于卡尔曼滤波与演化建模结合的气候预测方法，本方法首先通过卡尔曼滤波建立关于预测因子的线性模型，在此基础上利用非线性常微分方程数学模型去模拟逼近卡尔曼滤波中的误差序列，并进行误差预测。演化算法是用计算机模拟大自然的演化过程，特别是模拟生物演化过程来求解复杂问题的一类计算方法，具有自适应、自组织、自学习以及内在并行性等智能特性。将两种算法相结合，可以比单纯线性模型更好的模拟气候的自然特性，提高气候预测精度。通过本发明方法，可以对短期的日照时数、温度、降水量进行预测，从而提供短期气候的先验知识。

主权项

1.一种基于卡尔曼滤波及演化建模的短期气候预测方法，其特征在于，包括下列步骤：A)收集气候预测模型中预测因子的历史数据，包括近年来的日照时数、温度、相对湿度和降雨量；B)确定预测因子，整理与预测因子相关的历史数据，将历史数据分段处理，将每段数据的综合作用结果作为一个数据项目，同时将处理后的数据分为初值计算样本和检测样本两部分；C)根据上述样本计算卡尔曼滤波初值：Y_t＝X_tβ_t+e_t上式为卡尔曼滤波测量方程，首先利用多元线性回归计算回归系数β₀，再计算出动态噪声方差阵W和测量噪声方差阵V；D)根据上述样本建立卡尔曼递推模型：利用步骤C)中计算的初值及卡尔曼递推式对检测样本的数据进行预测，并与检测样本进行比较，得到预测误差时间序列；E)对上述预测误差进行预处理：x(t)=x‾(t)+x~(t)]]>x~(t)=x(t)-x‾(t)]]>将预测误差分为光滑部分和粗糙部分，并假设光滑部分是由宏观气候因素控制，粗糙部分是由微观气候因素控制，针对分解后的数据分别采用以下步骤F)和步骤G)的数学模型来描述；F)针对步骤E)中的光滑部分时间序列项，用染色体来表示问题的可行解，包括可行解的形式和参数，然后利用遗传操作在解空间中进行搜索，最后根据拟合表达式与实际值之间的偏差平方和进行优胜劣汰，求得最终的解，即拟合光滑部分时间序列最好的非线性表达式；G)针对步骤E)中的粗糙部分时间序列项，用自然基小波对其进行分析，从这些时间序列中找出其受气候因子影响下的周期波动规律，实现粗糙部分时间序列的拟合和预测功能；H)将步骤D)中实现的卡尔曼滤波以及步骤F)和步骤G)中分别针对卡尔曼滤波误差而进行的演化建模和自然基小波分别对各自的气候数据时间序列模型做下一步预测，并将预测结果相叠加，从而实现卡尔曼滤波及演化建模的短期气候预测。