[发明专利]一种基于遗传算法改进的多模式污染物集成预报方法

说明书

本发明涉及一种基于遗传算法改进的多模式污染物集成预报方法，其主要技术特点是：对原始样本进行数据整理并处理极大、极小及缺失数据；对处理后的样本进行显著性检验，采用偏差、相关性选取单模式；引入遗传算子改进极限学习机；采用极限学习机改进遗传算法进行大气污染物集成优化预报。本发明设计合理，其作为一种非线性、多模式的集成方法，不仅具有最优的预报精度，而且有效降低了遗传算法的迭代次数，缩短了时间成本，本发明在污染物浓度预报，包括温度预报，降水预报，雾霾分析预报等领域，都具有较好的应用价值。

技术领域

本发明属于气象预报技术领域，尤其是一种基于遗传算法改进的多模式污染物集成预报方法。

背景技术

随着大气污染问题日益严峻，大气污染物预报已经成为科学研究的重点。目前大气污染预报方法主要分为统计预报和数值预报,统计预报是利用数理统计方法针对大气污染物进行预报。数值预报是根据大气实际情况，在一定条件下用计算机作数值计算进行预测。国内针对大气污染物的预报研究大多采用数值预报模式且已经得到广泛应用。但由于各个数值模式化学参数化方案、动力框架等方面存在差异，使得各个模式在预报能力上存在不同，多模式集成技术正是利用各模式中心预报的结果减少模式系统性的偏差，现已作为大气污染物预报的一个重要发展方向。

迄今为止，人们已经提出许多集成预报方法。陈焕盛等采用多元线性回归方法集成各空气质量模式预报大气污染物浓度,试验结果表明集成预报模式优于单个预报模式。张伟建立了神经网络预报模型,结果表明预报精度相对较高。秦珊珊提出基于人工智能优化神经网络模型，对PM_2.5的浓度进行预报。Zhang Ping等用改进的BP人工神经网络并结合地理信息评价PM_2.5的预报效果，结果显示当隐含层神经元数量为20时有较高的精度。潘璇等构建遗传算法模型针对气象因素进行预测，预报结果显示平均误差相对较小。Sun等通过实验验证了基于SVM的空气质量预报模型(PM_2.5)能有效应用于大气污染物浓度预测,但在极端情况下预报精度有所下降。

总的来说，多模式集成预报的研究成果多采用线性回归、机器学习等方法进行预报。线性回归模型无法很好地解决非线性问题，而神经网络能较好地解决非线性关系问题，非线性拟合能力较强，但其中BP神经网络算法缺陷是学习速度较慢、训练过程会陷入局部最小及不能确定隐层的神经元个数问题；而遗传算法缺陷是训练时间较长，训练过程中容易出现早熟，不能收敛到最优解问题。

发明内容

本发明的目的在于克服现有技术的不足，提出一种设计合理、性能稳定且精度高的基于遗传算法改进的多模式污染物集成预报方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于遗传算法改进的多模式污染物集成预报方法，包括以下步骤：

步骤1、对原始样本进行数据整理并处理极大、极小及缺失数据；

步骤2、对处理后的样本进行显著性检验，采用偏差、相关性选取单模式；

步骤3、引入遗传算子改进极限学习机；

步骤4：采用极限学习机改进遗传算法进行大气污染物集成优化预报。

进一步，所述步骤1的具体方法为：在分季节预报基础上找到预报时刻最近30天的历史数据作为训练样本，使得待集成数据所对应训练样本均为滚动更新，每个样本的实况值为网络训练的输出，输出层神经元为1。

进一步，所述步骤2的具体方法为：针对不同季节分别进行单模式的选取，所用方法在满足显著性检验基础上，针对不同模式以及实况值通过相对偏差SD和相关系数R进行筛选，计算公式如下：