[发明专利]一种预测台风期阵风的方法

摘要

本发明公开了一种预测台风期阵风的方法，特点是包括以下步骤：设置训练集和预测集，并对训练集和预测集分别进行归一化预处理；建立模糊训练集和模糊预测集；初始化果蝇优化算法中种群规模N、最大迭代次数、算法终止条件、味道浓度判定函数和限制参数θ，设定模糊支持向量机的惩罚因子C的取值范围和核参数g的取值范围；对模糊支持向量机的惩罚因子和核参数进行优化，获取优化后的模糊支持向量机的惩罚因子和核参数，得到优化后的模糊支持向量机；将优化后的模糊支持向量机对模糊训练集进行拟合训练，再对模糊预测集进行预测，实现对台风期阵风的预测；优点是预测精度较高、预测结果较为有效可靠。

主权项

1.一种预测台风期阵风的方法，其特征在于包括以下步骤：1.1获取样本锚地的所有采集到的特定台风活跃时期内的待处理数据，待处理数据由WRF模式预报特征因子和与WRF模式预报特征因子一一对应的自动站观测数据中的风速真值两部分组成；从待处理数据中选取设定的待预测时间段前的全部数据作为训练集，从待处理数据中选取设定的待预测时间段内的全部数据作为预测集，并对训练集和预测集分别进行归一化预处理，得到预处理后的训练集和预处理后的预测集；1.2利用模糊C-均值聚类算法对预处理后的训练集进行模糊聚类分析，获取预处理后的训练集的隶属度矩阵和聚类中心，从而获得预处理后的训练集的隶属度，根据预处理后的训练集的隶属度建立模糊训练集；利用模糊C-均值聚类算法对预处理后的预测集进行模糊聚类分析，获取预处理后的预测集的隶属度矩阵和聚类中心，从而获得预处理后的预测集的隶属度，根据预处理后的预测集的隶属度建立模糊预测集；1.3初始化果蝇优化算法中种群规模N、最大迭代次数、算法终止条件、味道浓度判定函数和限制参数θ，0＜θ＜0.1，设定模糊支持向量机的惩罚因子C的取值范围和核参数g的取值范围；1.4对模糊支持向量机的惩罚因子C和核参数g优化，具体过程如下：1.4.1设置果蝇群体的当前初始位置坐标，将与其中第i个果蝇对应的惩罚因子记为Ci，1≤i≤N，将与第i个果蝇对应的核参数记为gi；1.4.2获取与Ci对应的第i个果蝇随机移动后的当前状态位置坐标与果蝇群体的当前初始位置坐标之间的直线距离Distc，获取与gi对应的第i个果蝇随机移动后的当前状态位置坐标与果蝇群体的当前初始位置坐标之间的直线距离Distg，再获取与Ci对应的当前味道浓度判定值Sci，获取与gi对应的当前味道浓度判定值Sgi，1.4.3将与Ci对应的优化味道浓度判定值记为Sci*，Sci*＝Sci+γc，其中，γc＝Distc×θ，将与gi对应的优化味道浓度判定值Sgi*，Sgi*＝Sgi+γg，γg＝Distg×θ，0≤θ≤1；1.4.4令Ci＝20×Sci*，gi＝Sgi*，根据Ci和gi用模糊训练集训练模糊支持向量机模型得到与第i个果蝇对应的训练后的模型，根据与第i个果蝇对应的训练后的模型用模糊预测集预测获得与第i个果蝇对应的风速预测值，将与第i个果蝇对应的风速预测值和模糊预测集中的风速真值的平均误差定义为第i个果蝇的当前味道浓度Smelli；1.4.5获取N个果蝇中每个果蝇的当前味道浓度，找出当前味道浓度最小的果蝇并获取该果蝇的当前状态位置坐标，同时果蝇群体移动到该当前当前状态位置坐标；1.4.6重复步骤1.4.2～步骤1.4.5实现迭代过程，将上一次迭代过程中果蝇群体最后移动到的坐标作为最新的一次迭代过程中的果蝇群体的当前初始位置坐标，判断最新的一次迭代过程得到的N个果蝇中每个果蝇的当前味道浓度中的最小值是否小于前一次迭代过程得到的N个果蝇中每个果蝇的当前味道浓度中的最小值，若否则执行步骤1.4.7；若是则判断当前迭代过程的总次数是否达到设定的最大迭代次数，若当前迭代过程的总次数未达到设定的最大迭代次数则进行下一次迭代过程；若当前迭代过程的总次数达到设定的最大迭代次数，则执行步骤1.4.7；1.4.7将与当前味道浓度最小的果蝇对应的惩罚因子作为优化后的模糊支持向量机的惩罚因子，将与当前味道浓度最小的果蝇对应的核参数作为优化后的模糊支持向量机的核参数，完成对模糊支持向量机的惩罚因子C和核参数g优化，得到优化后的模糊支持向量机；1.5将优化后的模糊支持向量机对模糊训练集进行拟合训练，再对模糊预测集进行预测，实现对台风期阵风的预测。