[发明专利]一种天气预测方法

摘要

本发明公开了天气预测方法，通过提供气温信息值，将气温信息值归一化，建立训练样本的输入输出矩阵，基于所述输出矩阵，利用神经网络进行天气预测等步骤实现天气预测。使用的改进算法可自动判别原始训练数据模式，并对其进行样本建立和归一化。该方法可适用于多种复杂情境，灵活性高，不需要提供辅助数据完成预测，预测结果可恢复至与原始训练数据相对应的数值范围。

主权项

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表示隐藏层到输出层的权值矩阵，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，隐藏层输出计算公式为：O＝(ea‑e‑a)/(ea+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；步骤7、计算每个输出神经元和每个隐藏神经元的计算输出与实际数据比较的误差，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，该预测方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；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；进入预测方法学习阶段，首先随机初始化输入层到隐藏层、隐藏层到输出层的权值矩阵，然后利用公式O＝(ea‑e‑a)/(ea+e‑a)计算隐藏层各神经元输出，利用公式O＝1/(1+e‑a)计算输出层各神经元的输出，之后再计算每个输出神经元和每个隐藏神经元的计算输出与实际数据比较的误差，并反向传播更新网络中的权值，当误差小于既定的期望误差或训练次数超过既定的最大训练次数时完成预测方法学习阶段的工作，记录权值矩阵进入下一阶段；进入迭代预测阶段，首先，将训练样本的最后一条记录作为已知条件，利用上一步得到的权值矩阵用公式O＝(ea‑e‑a)/(ea+e‑a)或O＝1/(1+e‑a)计算输出，并将结果作为已知；然后利用已知数据迭代进行预测，得到从最后一条训练数据开始到预测时长前一单位阶段的预测结果，此时1条实际数据与n‑1条预测数据在同一临时结果集中；最后，利用上述临时结果集中的数据和权值矩阵作为已知，计算得到所有的预测结果矩阵；神经元内部进行组合和输出的计算过程，即首先使用加权和的方法组合输入值1、2和3，然后根据神经元类型的不同选择tanh或sigmoid函数得到输出结果，最后计算每个输出神经元和每个隐藏神经元的计算输出与实际数据比较的误差，反向传播更新网络中的权值，直到满足预测方法的终止条件；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；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；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；步骤7中，误差计算函数为：若为输出神经元，则误差Erri＝Oi(1－Oi)(Ti－Oi)，Oi是输出神经元i的输出，Ti是该输出神经元的实际值；若为隐藏神经元，则误差Erri＝Oi(1－Oi)∑jErrjwij，Oi是隐藏神经元i的输出，该神经元i有j个到下层的输出，所述Errj是第i层第j个神经元的误差，wij是第i层第j个神经元到第i+1层第j个神经元之间的权值；调整权值函数为：wij＝wij+l*Errj*Oi，l为学习速度。