基于径向基神经网络的天气预测模型.PDFVIP

中国月期刊咨询网 基于径向基神经网络的天气预测模型 摘要:针对天气数据高度非线性化的特点，以贵阳市近一年的天气数据为基础，结合神经网络在非线性系统建模与优 化求解的优势，提出了一种基于径向基函数(RBF)神经网络的预测模型。该模型分别采用以2天、3天直至9天天气数据 为一周期对未来1天天气做出预测的训练样本，最后以贵阳市2017年1月的天气作为测试样本，并将所预测的数据与真 实天气数据对比。仿真结果表明，RBF神经网络比现有的预测方法如BP神经网络的预测结果具有更高的可行性和有效 性。 关键词:径向基函数;天气;神经网络;预测 天气是我们每个人每天都要关注的内容，它几乎决定了我们所有的衣食住行的问题，因此天气预测对我们来说就尤为 重要，天气预报的主要功能是预测一个地区未来一段时期内的阴晴雨雪、风向和风力及最高最低气温等状况[1-2]。 随着生产力的发展和科技的进步，人类活动的范围日益扩大，对自然的影响越来越重要。因此，天气预报已成为现代 社会不可或缺的重要信息[3]。目前，常用的预测方法主要有1)灰色模型预测方法;2)人工神经网络方法;3)马尔科夫链 方法;4)模糊集理论方法等[4-5]。以上的几种方法中，对于预测非线性特性的问题，人工神经网络具有其他方法无法 比拟的优势。 本文采用的径向基函数网络RBF具有很强的非线性拟合能力，可映射任何复杂的线性关系，且学习规则简单，易于计 算机实现，具有很强的鲁棒性、记忆能力，以及强大的自学习能力，因此，径向基函数具有广阔的应用前景[6-8]。 1RBF神经网络 有线性神经元的输出层。隐单元的数目取决于问题的需要，隐单元的变换函数是RBF径向基函数，它是一个对中心点 径向且衰减的非负非线性函数;第二层是输出层，它对输入模式的不同作用而作出不同反应。从输入空间到隐层空间 的变换是非线性的，从隐层空间到输出层空间的变换是线性的[9]。RBF神经网络结构如图1所示。 n2(1) 径向基神经元模型的图形如图2所示。 中国月期刊咨询网 2天气预测模型的建立 2.1天气预测原理 天气的变化看似变化无常，但其变化规律在长时期的演化过程中却会表现出一定的规律，某地某日的天气与当地的气 温、气压、风速等众多因素有关[10]，天气的变化具有非线性的特点。RBF神经网络对非线性连续函数具有一致逼近 性，学习速度快，可以进行大范围的数据融合以及并行高速地处理数据。RBF神经网络的优异特性使其比BP神经网络 更具生命力，并且在越来越多的领域取代了BP神经网络[11-13]。 本文利用所收集的历史天气数据，将其转化为对应的数字信息，把数个数字信息形成一组数据作为神经网络的输入， 每组数据都对应一个输出数据作为神经网络的输出。以这些历史天气数据训练形成一个预测模型，使得预测的结果与 实际的结果误差最小。基于RBF神经网络的天气预测模型的具体预测流程如下图3所示。 2.2天气数据的收集 由于天气变化多端，一天中就可能出现多种天气状况，比如某天上午为天晴，下午就转为阵雨，又比如某天上午为小 雨，下午又转为大雨，这为收集数据带来了一定的麻烦。为了方便，现约定天气状态标准如下表1所示。 中国月期刊咨询网 1月共186天的天气情况，具体情况如下表2、表3所示: 月的天气数据为测试样本。分别采用2016年一整年的天气数据以及2012年至2016年五年间的1月的天气数据作为训练样 本的两种方式对2017年1月的天气做出预测，最后与实际天气数据对比。 2.3网络设计和训练 中国月期刊咨询网 网络，其权重和阈值完全满足输入和预期值之间的关系。但应用newrbe()函数设计网络时，径向基神经元的数目与输 入向量的个数是相等的，那么在输入向量较多的情况下，则需要更多的神经元，这就给网络设计带来一定的难度。ne wrbe()则能更有效地进行网络设计。 用径向基函数网络逼近函数时，newrbe()函数可以自动增加函数中隐含层神经元数目，直到均方差满足精度或达到最 为训练精度。 3仿真研究 共计137天;晴天占4.64481%，共计17天。由图可知近一年贵阳的天气主要以阴天为主，其次是雨天，最后是晴天。 3.1预测结果 通过收集到的贵阳市2016年1月至2016年12月3