[发明专利]一种天气预测方法

权利要求书

1.一种基于BP神经网络的天气预测方法，包括以下步骤：

步骤1、接收原始训练数据矩阵和训练时长参数；

步骤2、初始化数据，包括设定学习速率、期望误差、训练的最大次数、惯性系数、隐含层和输出层各神经元输出初值，根据原始数据动态得到矩阵行列数据p0；

步骤3、获取每列训练数据的最大值maxv(j)与最小值minv(j)后对数据进行归一化处理，使原始数据规范到0到1之间；

步骤4、根据原始训练数据得到训练样本的输入矩阵和输出矩阵；

步骤5、随机初始化权值矩阵wki和wij，wki表示隐藏层到输入层的权值矩阵，wij表示输入层到隐藏层的权值矩阵；

步骤6、计算隐藏层各神经元、输出层各神经元的输出；

步骤7、计算每个输出和隐藏神经元计算输出的误差，反向传播更新网络中的权值；

步骤8、重复步骤6，直到满足终止条件为止，该算法的终止条件为误差小于期望误差或训练次数大于最大设定值。

2.如权利要求1所述的基于BP神经网络的天气预测方法，其特征在于：

进一步包括：

步骤9、根据训练后得到的权值矩阵和训练时的参数，以最后一条实际数据作为初始输入进行预测，再将预测结果作为下一天的实际数据再次进行预测，直到满足预测天数参数，预测过程同步骤6；

步骤10、将得到的预测结果矩阵进行恢复，即将归一化后的值恢复到实际数值。

3.如权利要求2所述的基于BP神经网络的天气预测方法，其特征在于：

所述将归一化后的值恢复到实际数值的方法为，

Res(i,j)=PredictRes(j,i)*(maxv(j)-minv(j))+minv(j)，其中，PredictRes(j,i)表示未还原的预测结果，Res(i,j)表示已还原的预测结果。

4.如权利要求1所述的基于BP神经网络的天气预测方法，其特征在于：

所述步骤3中，归一使用p(i,j) = (p0(i,j) - minv(j))/(maxv(j) - minv(j));其中p(i,j)为i行j列的归一结果，p0(i,j)为第i行j列的历史数据，minv(j)为第j列的最小值，maxv(j)为第j列的最大值。

5.如权利要求1所述的基于BP神经网络的天气预测方法，其特征在于：

所述原始训练数据为连续几日的最高温度和最低温度，所述预测时长为7天。

6.如权利要求1所述的基于BP神经网络的天气预测方法，其特征在于：

步骤6中，隐藏层输出计算公式为：O=(e^a-e^-a)/(e^a+e^-a)，输出层的输出计算公式为：O=1/(1+e^-a)，其中a表示神经元的输入值。

7.如权利要求1所述的基于BP神经网络的天气预测方法，其特征在于：

步骤7中，误差计算函数为：

若为输出神经元，则误差Err_i＝O_i(1－O_i)(T_i－O_i)，

O_i是输出神经元i的输出，T_i是该输出神经元的实际值；

若为隐藏神经元，则误差Err_i＝O_i(1－O_i)∑_jErr_jw_ij，

O_i是隐藏神经元i的输出，该神经元有j个到下层的输出，所述Err_j是神经元j的误差，w_ij是这两个神经元之间的权值；

所述调整权值函数为：w_ij＝w_ij＋l*Err_j*O_i，l为学习速度。