人工智能算法在多时间尺度气象要素预测中的应用研究张珂铨兰州大学
气象要素的准确预测一直以来都是大气科学的核心问题之一,无论是气象灾害防治、大气污染防控、清洁能源利用,还是应对气候变化,都离不开气象要素的准确预测这一关键环节。人工智能与数据分析技术的迅速发展及其在大气科学中的应用,受到了越来越多的关注。气象要素预测中引入人工智能技术是大气科学发展的重要补充。论文聚焦如何提高不同时间尺度下的气象要素的预测水平这一难点问题,利用山东、甘肃、新疆等地观测的风速数据和大气再分析资料数据集,针对性的引入人工智能算法,从模型构建、数据处理、参数优化、因子筛选等四个方面进行了探索,特别是在群智能算法优化、不同时间尺度下的模型构建、预测模型的多因子筛选等方面进行了深入研究;针对如何提高不同时间尺度下气象要素的预测精度、如何选用人工智能算法方案等难点问题,进行了系统的分析研究。论文取得主要成果如下1)为使人工智能算法在小时气象要素预测中取得更好的效果,利用鱼群(AFSA)算法对蚁群(ACO)算法进行改进,提出了一种改进的群智能优化算法AFSA-ACO,通过实验分析发现AFSA-ACO算法具有更快的收敛速率和更强的优化能力。(2)针对风速小时预测,考虑到风速数据序列的高噪声和非线性特征,采用集合经验模态分解(EEMD)算法、小波神经网络(WNN)模型与布谷鸟(CSO)算法,提出了一种新的EEMD-CSO-WNN混合模型。实验结果表明,混合模型在风速小时预测的一步到三步的平均百分比误差为1.62%、2.51%、3.81%,相较于WNN、EEMD-WNN和CSO-WNN等基础模型,预测误差最少降低了11.89%。混合模型可以充分利用单一模型的优势获得更完整的信息,WNN模型具有的较高的容错性和较低的收敛速度可以应对复杂的非线性问题,EEMD的去噪功能提高了模型的预测精度,CSO算法优化的初始权重提高了WNN的全局搜索能力,从而加快了网络训练过程的学习速度并避免了陷入局部最优解,模型中的EEMD分解部分比CSO贡献更大。EEMD-CSO-WNN混合模型是一种提高风速预测精度的有效方法。(3)进一步考虑风速小时预测中,数据序列具有线性与非线性特征同时存在的特点,通过融合多种线性模型和非线性模型、非-负约束理论和改进的优化算法,提出了一种新的AFSA-ACO组合模型。实验结果表明,无论是一步预测还是多步预测,新的组合模型的预测精度均优于BPNN、GRNN、ENN、WNN、ARIMA和ES等基础模型,预测精度至少提高了3.52%。新的组合模型的风速小时预测结果相比于基础模型,偏差的绝对值和方差值更小,误差改进率均有提高;组合模型与基础模型预测结果的差异大多通过了90%的显著性检验。组合模型在不同地区的风速小时预测精度存在差异,但在不同地区中相较于基础模型均具有最佳的预测效果,说明新提出的AFSA-ACO组合模型具有良好的预测性能,为人工智能算法应用于气象要素预测提供了新的思路。(4)针对风速日均预测中,随着时间步长增加,误差不断累加放大的问题,论文创新性地构建了一种基于灰狼-布谷鸟(GWO-CS)算法、引入模糊理论及多维预测原理构建的组合模型,增加了因子筛选步骤,提高了算法的适应性。实验结果显示,提出的风速日均预测GWO-CS组合模型,平均百分比误差仅为4.13%,显示其良好的预测性能。(5)论文进一步针对北大西洋涛动(NAO)指数和地表温度的短期气候预测问题,通过因子分析、数据分析、算法实验,探索了多个通过人工智能算法提升其预测精度的方法。在短期气候预测的人工智能算法构建模型中,基于以往的研究挑选出70 h Pa位势高度(Z70)、海温(SST)和海冰(SIC)三个关联因子,再使用EOF分解、遍历预测实验等方法,筛选出了符合预测因子独立性、稳定性、相关性要求的10-SIC-PC1、9-SST-PC3和10-Z70-PC2三个数据序列;基于反向传播神经网络(BPNN)模型,对北大西洋涛动(NAO)指数进行预测,距平相关系数(ACC)在0.6-0.85之间,相对于传统的统计模型有了显著提高;基于BPNN模型,使用9-10月70 h Pa位势高度场、海温、海冰数据对欧亚大陆中部、北美中部及非洲大陆中部的二月地表温度进行预测,取得了良好的预测结果;进一步的分析发现,空间聚类重构与时间聚类并不能明显提高NAO指数的预测精度;细化的预测因子结合遗传算法优化的长短记忆神经网络(GA-LSTM)模型提取的更加完善的历史信息,则可以有效的提高短期气候的预测精度。论文研究表明,人工智能算法能够在短期气候预测中发挥其处理信息特征的优势,有效提高气象要素的预测精度。
发表于 2023-7-24 19:00:03
1)为使人工智能算法在小时气象要素预测中取得更好的效果,利用鱼群(AFSA)算法对蚁群(ACO)算法进行改进,提出了一种改进的群智能优化算法AFSA-ACO,通过实验分析发现AFSA-ACO算法具有更快的收敛速率和更强的优化能力。(2)针对风速小时预测,考虑到风速数据序列的高噪声和非线性特征,采用集合经验模态分解(EEMD)算法、小波神经网络(WNN)模型与布谷鸟(CSO)算法,提出了一种新的EEMD-CSO-WNN混合模型。实验结果表明,混合模型在风速小时预测的一步到三步的平均百分比误差为1.62%、2.51%、3.81%,相较于WNN、EEMD-WNN和CSO-WNN等基础模型,预测误差最少降低了11.89%。混合模型可以充分利用单一模型的优势获得更完整的信息,WNN模型具有的较高的容错性和较低的收敛速度可以应对复杂的非线性问题,EEMD的去噪功能提高了模型的预测精度,CSO算法优化的初始权重提高了WNN的全局搜索能力,从而加快了网络训练过程的学习速度并避免了陷入局部最优解,模型中的EEMD分解部分比CSO贡献更大。EEMD-CSO-WNN混合模型是一种提高风速预测精度的有效方法。(3)进一步考虑风速小时预测中,数据序列具有线性与非线性特征同时存在的特点,通过融合多种线性模型和非线性模型、非-负约束理论和改进的优化算法,提出了一种新的AFSA-ACO组合模型。实验结果表明,无论是一步预测还是多步预测,新的组合模型的预测精度均优于BPNN、GRNN、ENN、WNN、ARIMA和ES等基础模型,预测精度至少提高了3.52%。新的组合模型的风速小时预测结果相比于基础模型,偏差的绝对值和方差值更小,误差改进率均有提高;组合模型与基础模型预测结果的差异大多通过了90%的显著性检验。组合模型在不同地区的风速小时预测精度存在差异,但在不同地区中相较于基础模型均具有最佳的预测效果,说明新提出的AFSA-ACO组合模型具有良好的预测性能,为人工智能算法应用于气象要素预测提供了新的思路。(4)针对风速日均预测中,随着时间步长增加,误差不断累加放大的问题,论文创新性地构建了一种基于灰狼-布谷鸟(GWO-CS)算法、引入模糊理论及多维预测原理构建的组合模型,增加了因子筛选步骤,提高了算法的适应性。实验结果显示,提出的风速日均预测GWO-CS组合模型,平均百分比误差仅为4.13%,显示其良好的预测性能。(5)论文进一步针对北大西洋涛动(NAO)指数和地表温度的短期气候预测问题,通过因子分析、数据分析、算法实验,探索了多个通过人工智能算法提升其预测精度的方法。在短期气候预测的人工智能算法构建模型中,基于以往的研究挑选出70 h Pa位势高度(Z70)、海温(SST)和海冰(SIC)三个关联因子,再使用EOF分解、遍历预测实验等方法,筛选出了符合预测因子独立性、稳定性、相关性要求的10-SIC-PC1、9-SST-PC3和10-Z70-PC2三个数据序列;基于反向传播神经网络(BPNN)模型,对北大西洋涛动(NAO)指数进行预测,距平相关系数(ACC)在0.6-0.85之间,相对于传统的统计模型有了显著提高;基于BPNN模型,使用9-10月70 h Pa位势高度场、海温、海冰数据对欧亚大陆中部、北美中部及非洲大陆中部的二月地表温度进行预测,取得了良好的预测结果;进一步的分析发现,空间聚类重构与时间聚类并不能明显提高NAO指数的预测精度;细化的预测因子结合遗传算法优化的长短记忆神经网络(GA-LSTM)模型提取的更加完善的历史信息,则可以有效的提高短期气候的预测精度。论文研究表明,人工智能算法能够在短期气候预测中发挥其处理信息特征的优势,有效提高气象要素的预测精度。