CN106127242A - 基于集成学习的年极端降水预测***及其预测方法 - Google Patents
基于集成学习的年极端降水预测***及其预测方法 Download PDFInfo
- Publication number
- CN106127242A CN106127242A CN201610444365.2A CN201610444365A CN106127242A CN 106127242 A CN106127242 A CN 106127242A CN 201610444365 A CN201610444365 A CN 201610444365A CN 106127242 A CN106127242 A CN 106127242A
- Authority
- CN
- China
- Prior art keywords
- data
- year
- module
- model
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于集成学***均相对误差确定权重,进行基于D‑S证据理论的集成;数据输出模块将来年极端降水预测值存储在数据库或文件中,提供查询和分析服务。
Description
技术领域
本发明涉及降水预测技术,具体涉及一种基于集成学习的年极端降水预测***及其预测方法。
背景技术
随着全球气候变暖,极端气候事件发生的频率和强度都有所增加,相关的气象灾害也在增加,极端降水事件对自然环境和社会经济都造成严重的影响,因此对极端降水的预测,可以有效应对气候变化,对自然灾害的防御工作也具有关键作用。
极端降水事件是指对于一个特定的地点和时间,降水的状态严重偏离了它的平均状态,通常是指几十年一遇甚至百年一遇的小概率事件。国际上通常采用百分位定义极端降水阈值,超过这个阈值被认为是极值,该事件可以认为是极端降水事件,进而计算通过阈值的降水量或日数等,对极端降水事件进行分析探讨。
极端降水发生的次数与许多时变因素有关,如气候、人口等,尽管对某一次极端降水事件的发生具有随机性,但对一个区域、一段时间内极端降水发生具有一定的规律性。因此,可以考虑极端降水的多种影响因素,通过对极端降水时间序列的分析,建立年极端降水预测模型。
在国外方面,很多研究组定义了相应的极端气候指数。其中ETCCDMI(Expert Teamon Climate Change Detection Monitoring and Indices)将一个双叉的(two-pronged)方法运用到了极端气候事件的研究中,定义出了27个关于极端气温和极端降水的指数,在世界范围的极端气候研究中得到了广泛应用。Alexander等利用这些指数分析了全球所有地区的极端气温和降水的变化情况,提供了最全面的极端气候事件变化特征的全球状况。Karl等利用百分比阈值定义了美国的极端降水指数,并借助一系列指数对美国的极端降水事件做出了研究分析。在国内方面,翟盘茂等将日降水量序列的95%定义为极端降水事件的阈值,通过趋势分析发现,在20世纪下半叶,极端降水事件的发生频次在我国西部和长江中下游地区显著增加,而在华北地区显著减少。章毅之利用STATDEX研究项目提出的5项极端降水指数对江西省逐日降水量进行计算,利用最小二乘法对各指数作趋势分析,并利用Kendall-tau方法检验线性趋势的显著性,结果表明,江西省大多数台站的极端降水指数呈上升趋势,且所有指数在20世纪90年代变化明显增大。
虽然近年来国内外学者对极端降水事件进行了很多研究,在观测、模拟、预估等各方面已经取得了很大进展,但在方法和内容上仍然存在一些不足。
目前对极端降水事件的研究大多数都是从气象学的角度,以模拟分析和定性分析为主要方法进行的研究。它根据已有的降水数据建立统计关系,无法保证对未来的降水状态同样适用,对极端降水进行模拟分析具有一定的局限性,并且绝大多数研究主要关注历史降水资料观测,对于极端降水的多种影响因素的综合考虑还较欠缺。目前将数据挖掘技术应用于水文领域的极端降水变化分析的工作还很少,研究方法也不多,目前主要有时间序列分析、人工神经网络等方法。而且,研究中由于数据资料有限、方法不恰当、模型不完善等原因,造成对极端降水的预测能力不够强、预测精度不够高等问题。。
发明内容
发明目的:本发明的目的在于解决现有技术中存在的不足,提供一种基于集成学习的年极端降水预测***及其预测方法,通过数据挖掘的相关技术,对极端降水事件进行定量分析和预测研究。
技术方案:本发明的一种基于集成学习的年极端降水预测***,包括依次连接的数据输入模块(100)、模型构建模块(200)、训练及调试模块(300)、集成模块(400)和数据输出模块(500);其中:
所述数据输入模块(100)从数据库或EXCEL文件中读入水文测站站点原数据和地面气象站基本数据,并对读入的数据进行处理包括对日降水量和年气象数据进行缺失值处理,通过站点的日降水量计算年极端降水强度,对所有的数据进行标准化处理;
所述模型构建模块(200)从数据输入模块(100)获得训练数据集即气象数据特征和年极端降水量,然后选取不同的气象特征数据作为输入变量,年极端降水量作为输出变量,构建多维SVM年极端降水预测模型;
所述训练及调试模块(300)确定训练数据及检验数据,利用训练数对多维SVM模型进行训练及调试,确定各模型的参数,并利用检验数据对集成SVM模型进行预测精度及泛化能力检验;
所述集成模块(400)在训练及调试模块完成工作后,得到多个预测数据并计算改多个预测数据的平均相对误差,然后计算各个值的可信度,最后根据D-S理论合成规则进行合成,得到集成模型的预测值;
所述数据输出模块(500)将来年极端降水预测值存储在数据库或文件中,供用户查看和分析。
本发明还公开了一种基于集成学习的年极端降水预测***的预测方法,依次包括以下步骤:
Ⅰ、所述数据输入模块(100)从数据库或EXCEL文件中读入水文测站站点原数据和地面气象站基本数据,并对读入的数据进行提取、清洗和校验,以及处理数据缺失值等,得到规范化的时间序列数据;接着,查看、统计、和分析清洗后的时间序列数据,然后对年极端降水量以及年气候数据特征数据进行预处理;
Ⅱ、模型构建模块(200)获得训练数据集即气象数据特征和年极端降水量,然后选取不同的气象特征数据作为输入变量,年极端降水量作为输出变量,构建多维SVM年极端降水预测模型;
Ⅲ、训练及调试模块(300)确定训练数据及检验数据,利用训练数对多维SVM模型进行训练及调试,确定各模型的参数,并利用检验数据对集成SVM模型进行预测精度及泛化能力检验;
Ⅳ、集成模块(400)在步骤Ⅲ结束后,计算多个预测值的平均相对误差di,然后计算各个值的可信度:
c(mi)为预测值mi的权重,mi为模型i的预测结果,di为平均相对误差,最后根据D-S理论合成规则进行合成,最后的合成值M按如下规则合成:
Ⅴ、数据输出模块(500)将来年极端降水预测值存储在数据库或文件中,供用户查看和分析。
进一步的,步骤Ⅱ中模型构建模块步骤如下:
A、对步骤Ⅰ中的年极端降水量和气象特征数据进行标准化处理;
B、构建多维SVM年极端降水预测模型:从训练集中用自展法产生n个训练子集,在n个训练子集中将年气象数据作为输入向量,年极端降水量作为输出向量,构造多维SVM年极端降水预测模型。
进一步的,步骤Ⅲ所述的训练及调试预测模型,按照如下步骤进行:
A、对多维SVM模型中的参数进行编码,通过二进制串编码机制把研究对象转换成由特定符号按一定顺序组成的串结构;
B、根据目标函数即SVM训练结果对训练出的SVM适应度函数评价;
C、遗传操作,即选择、交叉和变异,选择种群中适应度强的优良个体,把两个父代个体的一部分结构互相替换,生成新的个体,将个体的某些基因值进行随机的改变,产生新的个体,使个体对应的解逐步逼近全局最优解;
D、判断是否达到最大进化代数,如果是,则得出最优的模型参数,若不是,则转到步骤C。
进一步的,步骤Ⅳ所述的集成模块,按照如下步骤进行:
A、集成模块(400)在步骤Ⅲ结束后,计算多个预测值的平均相对误差di;
B、计算各个预测值的可信度:
最后根据D-S理论合成规则进行合成。
有益效果:本发明用于水文测站的年极端降水时间序列数据的预测,由集成学习与遗传算法改进的支持向量机组成,集成学习中将水文时间序列与气象数据特征数据集通过法分成若干类不同种类的子集,然后构建同样数量的支持向量机预测模型,通过遗传算法对每一个预测模型参数寻优,最后所得的结果求D-S融合值利用集成学习在同的数据集上使用不同的学习模块,可以帮助减少方差,从而取得更精确的结果。
由于极端降水收多种因素的影响和制约,以往的仅利用历史极端降水量不能达到理想的预测效果,和其他的预测方法相比,本发明具有更高的预测精确度,以及更好的可扩展性和实用价值。
附图说明
图1为本发明中预测***的整体结构示意图;
图2为本发明中集成学习的结构示意图;
图3为本发明中集成模块的工作流程图;
图4为本发明的整体工作流程图;
图5为发明的详细工作流程图。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
如图1所示,发明的基于集成学习的年极端降水预测***,包括数据输入模块100、模型构建模块200、训练及调试模块300、集成模块400、数据输出模块500。
其中,数据输入模块100用于从数据库或其他数据文件中获得江西省吉安县极端降水序列和气象数据包括极端降水强度并进行数据预处理即将原始数据进行缩放处理。表1是吉安县1951-2013年年极端降水数据,表2为吉安县1951-2013年气象数据,包括24类气象因素。
表1吉安县1951-2013年极端降水数据
年份 | 90%分位值 | 极端降水日数 | 极端降水总量 | 极端降水强度 |
1951 | 10.5 | 64 | 1491.6 | 23.3062 |
1951 | 10.7 | 148 | 3846.4 | 25.9891 |
1953 | 18.3 | 148 | 5418.8 | 36.6135 |
… | … | … | … | … |
… | … | … | … | … |
2011 | 8.5 | 37 | 674.4 | 18.2270 |
2012 | 15.1 | 37 | 1203.8 | 32.5351 |
2013 | 10.8 | 37 | 1211.3 | 32.7378 |
表2吉安县1951-2013年气象数据
对上述原始数据进行标准化,xi'为标准化后的数据,xi为原数据,为均值,s为标准差,标准化后的数据见表3。
表3标准化数据
年份 | 年极端降水强度 | 最小相对湿度 | 极端降水总量 | 年极端降水 |
1951 | -1.2003 | -0.4920 | … | -7.07439 |
1951 | 1.3290 | -0.5078 | … | -0.1009 |
1953 | 2.4467 | -0.4604 | … | 0.8124 |
… | … | … | … | … |
… | … | … | … | … |
2011 | -0.9260 | -0.5473 | … | -0.7984 |
2012 | -0.5496 | -0.5315 | … | 0.4693 |
2013 | -0.5443 | -0.5631 | … | -0.0084 |
所述模型构建模块200包括获得训练数据集即通过集成学习支持向量机,将数据集分成若干类,然后选取不同的气象特征数据作为输入变量,年极端降水量作为输出变量,构建多维SVM年极端降水预测模型。
这里以降水,平均水气压,最大日降水三类气象因子作为输入向量建立SVMi模型为例,输入输出向量结构表4所示。
表4输入\输出向量结构设计
所述训练及调试模块300确定训练数据及检验数据,利用训练数对多维SVM模型进行训练及调试,确定各模型的参数,并利用检验数据对集成SVM模型进行预测精度及泛化能力检验。
利用遗传算法获得优化的SVMi模型参数组合:c=30.27,g=2.95,p=0.0434,c是惩罚系数,它用于平衡模型的复杂性和经验风险,g是RBF核函数的参数,p是不敏感损失函数的参数。所述集成模块400对得到的多个预测数据根据预测效果的优劣得出不同的权重,得到D-S融合值,以D-S融合值作为集成模型的预测值。
所述数据输出模块500将来年极端降水预测值存储在数据库或文件中,供用户查看和分析。
如图2所示,发明中集成学习的结构示意图,按如下步骤进行:
A、给定的数据集包含n个样本。该数据集有放回地抽样d次,产生d个样本的训练集,原数据样本中没有进入该训练集的样本最终形成检验集(测试集);
B、将训练集输入到用于集成的每个分类器中,使得分类器中所用的训练数据都是原训练数据的子集;
C、分别测试集在这些采样后的样本上训练分类器,各分类器输出预测值;
D、对基于不同特征子集得到的基本分类器进行整合。
如图3所示,本发明中集成模块的工作流程依次为:
从输入模块中获得训练数据集,即年极端降水量和气象数据集,然后进行特征选择,通过自展法获得数据子集1~n;将数据集分成若干类,将每一个数据集输入SVM预测模型中,然后选取不同的气象特征数据作为输入变量,年极端降水量作为输出变量,构建多维SVM年极端降水预测模型;对每一个SVM模型利用遗传算法进行参数寻优,并对模型参数进行调整选出最优的模型参数;根据SVM模型预测的效果优劣给出不同的权重,然后求D-S融合值,然后将D-S融合值传入输出模块。
如图4所示,本发明的基于集成学习的年极端降水预测***的主要工作步骤为:
将水文测站的日降水量以及气象站的气象特征要素传入输入模块中,并对数据进行预处理;
从数据输入模块中获得训练数据集,即年极端降水量和气象数据集,然后进行数据集,获得不同的数据子集;将数据集分成若干类,将每一个数据集输入SVM预测模型中,然后选取不同的气象特征数据作为输入变量,年极端降水量作为输出变量,构建多维SVM年极端降水预测模型;对每一个SVM模型利用遗传算法进行参数寻优;根据SVM模型预测的效果优劣给出不同的权重,然后求D-S融合值,然后将D-S融合值传入输出模块。
如图5所示,发明的基于集成学习的年极端降水预测***的详细工作流程为:
从数据输入模块中获得训练数据集,即年极端降水量和气象数据集,然后进行数据集选择,通过Bootstrap sampling算法获得数据子集1~n;将数据集分成若干类,将每一个数据集输入SVM预测模型中,然后选取不同的气象特征数据作为输入变量,年极端降水量作为输出变量,构建多维SVM年极端降水预测模型;对每一个SVM模型利用遗传算法进行参数寻优,对多维SVM模型中的参数进行编码,对训练出的SVM适应度函数评价,选择、交叉、变异,选出最优的模型参数;根据SVM模型预测的效果确定权重,根据D-S合成规则最终得出预测结果。
Claims (5)
1.一种基于集成学习的年极端降水预测***,其特征在于,包括依次连接的数据输入模块(100)、模型构建模块(200)、训练及调试模块(300)、集成模块(400)和数据输出模块(500),其中,
所述数据输入模块(100)从数据库或EXCEL文件中读入水文测站站点原数据和地面气象站基本数据,并对读入的数据进行对日降水量和年气象数据进行缺失值处理,通过站点的日降水量计算年极端降水强度,对所有的数据进行标准化处理得到规范化的数据;
所述模型构建模块(200)从数据输入模块(100)获得训练数据集即气象数据特征和年极端降水量,然后选取不同的气象特征数据作为输入变量,年极端降水量作为输出变量,构建多维SVM年极端降水预测模型;
所述训练及调试模块(300)确定训练数据及检验数据,利用训练数对多维SVM模型进行训练及调试,确定各模型的参数,并利用检验数据对集成SVM模型进行预测精度及泛化能力检验;
所述集成模块(400)在训练及调试模块完成工作后,得到多个预测数据并计算改多个预测数据的平均相对误差,然后计算各个值的可信度,最后根据D-S理论合成规则进行合成,得到集成模型的预测值;
所述数据输出模块(500)将来年极端降水预测值存储在数据库或文件中,供用户查看和分析。
2.一种根据权利要求1所述的基于集成学习的年极端降水预测***的预测方法,其特征在于:依次包括以下步骤:
Ⅰ、数据输入模块(100)从数据库或EXCEL文件中读入水文测站站点原数据和地面气象站基本数据,并对读入的数据进行提取、清洗和校验,以及处理数据缺失值等,得到规范化的时间序列数据;接着,查看、统计、和分析清洗后的时间序列数据,然后对年极端降水量以及年气候数据特征数据进行预处理;
Ⅱ、模型构建模块(200)获得训练数据集即气象数据特征和年极端降水量,然后选取不同的气象特征数据作为输入变量,年极端降水量作为输出变量,构建多维SVM年极端降水预测模型;
Ⅲ、训练及调试模块(300)确定训练数据及检验数据,利用训练数对多维SVM模型进行训练及调试,确定各模型的参数,并利用检验数据对集成SVM模型进行预测精度及泛化能力检验;
Ⅳ、集成模块(400)在步骤Ⅲ结束后,计算多个预测值的平均相对误差di,然后计算各个值的可信度:
c(mi)为预测值mi的权重,mi为模型i的预测结果,di为平均相对误差,最后根据D-S理论合成规则进行合成,最后的合成值M按如下规则合成:
Ⅴ、数据输出模块(500)将来年极端降水预测值存储在数据库或文件中,供用户查看和分析。
3.根据权利要求2所述的基于集成学习的年极端降水预测***的预测方法,其特征在于,步骤Ⅱ中模型构建模块步骤如下:
A、对步骤Ⅰ中的年极端降水量和气象特征数据进行标准化处理;
B、构建多维SVM年极端降水预测模型:从训练集中用自展法产生n个训练子集,在n个训练子集中将年气象数据作为输入向量,年极端降水量作为输出向量,构造多维SVM年极端降水预测模型。
4.根据权利要求2所述的基于集成学习的年极端降水预测***的预测方法,其特征在于,步骤Ⅲ所述的训练及调试预测模型,按照如下步骤进行:
A、对多维SVM模型中的参数进行编码,通过二进制串编码机制把研究对象转换成由特定符号按一定顺序组成的串结构;
B、根据目标函数即SVM训练结果对训练出的SVM适应度函数评价;
C、遗传操作,即选择、交叉和变异,选择种群中适应度强的优良个体,把两个父代个体的一部分结构互相替换,生成新的个体,将个体的某些基因值进行随机的改变,产生新的个体,使个体对应的解逐步逼近全局最优解;
D、判断是否达到最大进化代数,如果是,则得出最优的模型参数,若不是,则转到步骤C。
5.根据权利要求1所述的基于集成学习的年极端降水预测***的预测方法,其特征在于,步骤Ⅳ所述的集成模块,按照如下步骤进行:
A、集成模块(400)在步骤Ⅲ结束后,计算多个预测值的平均相对误差di;
B、计算各个预测值的可信度:
最后根据D-S理论合成规则进行合成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610444365.2A CN106127242A (zh) | 2016-06-21 | 2016-06-21 | 基于集成学习的年极端降水预测***及其预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610444365.2A CN106127242A (zh) | 2016-06-21 | 2016-06-21 | 基于集成学习的年极端降水预测***及其预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106127242A true CN106127242A (zh) | 2016-11-16 |
Family
ID=57470959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610444365.2A Pending CN106127242A (zh) | 2016-06-21 | 2016-06-21 | 基于集成学习的年极端降水预测***及其预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127242A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108123834A (zh) * | 2017-12-18 | 2018-06-05 | 佛山市米良仓科技有限公司 | 基于大数据平台的日志分析*** |
CN108375808A (zh) * | 2018-03-12 | 2018-08-07 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的大雾预报方法 |
CN108595814A (zh) * | 2018-04-18 | 2018-09-28 | 北京大学 | 一种基于天时间尺度的降水发生器 |
CN109508810A (zh) * | 2018-09-29 | 2019-03-22 | 天津大学 | 一种基于实现月平均水文流量预测的*** |
CN109614744A (zh) * | 2018-12-28 | 2019-04-12 | 华东交通大学 | 一种基于大数据的降水量检测方法及*** |
CN110346844A (zh) * | 2019-07-15 | 2019-10-18 | 南京恩瑞特实业有限公司 | Nriet基于云分类和机器学习的定量降水估测方法 |
CN111473777A (zh) * | 2020-03-06 | 2020-07-31 | 李�杰 | 一种水文用监测***及方法 |
CN112800634A (zh) * | 2021-04-07 | 2021-05-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 耦合干湿状态辨识与多源信息融合的降水估计方法及*** |
CN113361766A (zh) * | 2021-06-03 | 2021-09-07 | 南京信息工程大学 | 一种集成机器学习的多模式降水预估方法 |
CN114754973A (zh) * | 2022-05-23 | 2022-07-15 | 中国航空工业集团公司哈尔滨空气动力研究所 | 基于机器学习的风洞测力试验数据智能诊断与分析方法 |
CN111538935B (zh) * | 2019-12-26 | 2023-08-25 | 北京玖天气象科技有限公司 | 基于地形特征和多源模式产品的精细化降水融合方法、***、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102760210A (zh) * | 2012-06-19 | 2012-10-31 | 南京理工大学常熟研究院有限公司 | 一种蛋白质三磷酸腺苷绑定位点预测方法 |
CN102880755A (zh) * | 2012-09-25 | 2013-01-16 | 河海大学 | 一种极端降水的定量预测方法及*** |
CN103077347A (zh) * | 2012-12-21 | 2013-05-01 | 中国电力科学研究院 | 一种基于改进核心向量机数据融合的复合式入侵检测方法 |
-
2016
- 2016-06-21 CN CN201610444365.2A patent/CN106127242A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102760210A (zh) * | 2012-06-19 | 2012-10-31 | 南京理工大学常熟研究院有限公司 | 一种蛋白质三磷酸腺苷绑定位点预测方法 |
CN102880755A (zh) * | 2012-09-25 | 2013-01-16 | 河海大学 | 一种极端降水的定量预测方法及*** |
CN103077347A (zh) * | 2012-12-21 | 2013-05-01 | 中国电力科学研究院 | 一种基于改进核心向量机数据融合的复合式入侵检测方法 |
Non-Patent Citations (4)
Title |
---|
NAYAK MA ET AL: "《Prediction of extreme rainfall event using weather pattern Recognition and support vector machine classifier》", 《THEORETICAL & APPLIED CLIMATOLOGY》 * |
唐娟等: "《一种极端降水预测方法研究》", 《信息技术》 * |
李干琼等: "《SV因子分析框架下的农产品市场短期预测》", 31 August 2013, 北京:中国经济出版社 * |
樊继慧: "《基于SVM组合分类器的局域气象预测研究》", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108123834A (zh) * | 2017-12-18 | 2018-06-05 | 佛山市米良仓科技有限公司 | 基于大数据平台的日志分析*** |
CN108375808A (zh) * | 2018-03-12 | 2018-08-07 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的大雾预报方法 |
CN108595814A (zh) * | 2018-04-18 | 2018-09-28 | 北京大学 | 一种基于天时间尺度的降水发生器 |
CN108595814B (zh) * | 2018-04-18 | 2021-06-04 | 北京大学 | 一种基于实测的多年降水数据模拟逐日降水量的方法 |
CN109508810A (zh) * | 2018-09-29 | 2019-03-22 | 天津大学 | 一种基于实现月平均水文流量预测的*** |
CN109614744B (zh) * | 2018-12-28 | 2022-11-22 | 浙江理工大学 | 一种基于大数据的降水量检测方法及*** |
CN109614744A (zh) * | 2018-12-28 | 2019-04-12 | 华东交通大学 | 一种基于大数据的降水量检测方法及*** |
CN110346844A (zh) * | 2019-07-15 | 2019-10-18 | 南京恩瑞特实业有限公司 | Nriet基于云分类和机器学习的定量降水估测方法 |
CN111538935B (zh) * | 2019-12-26 | 2023-08-25 | 北京玖天气象科技有限公司 | 基于地形特征和多源模式产品的精细化降水融合方法、***、电子设备及存储介质 |
CN111473777A (zh) * | 2020-03-06 | 2020-07-31 | 李�杰 | 一种水文用监测***及方法 |
CN112800634B (zh) * | 2021-04-07 | 2021-06-25 | 水利部交通运输部国家能源局南京水利科学研究院 | 耦合干湿状态辨识与多源信息融合的降水估计方法及*** |
CN112800634A (zh) * | 2021-04-07 | 2021-05-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 耦合干湿状态辨识与多源信息融合的降水估计方法及*** |
CN113361766A (zh) * | 2021-06-03 | 2021-09-07 | 南京信息工程大学 | 一种集成机器学习的多模式降水预估方法 |
CN113361766B (zh) * | 2021-06-03 | 2024-04-09 | 南京信息工程大学 | 一种集成机器学习的多模式降水预估方法 |
CN114754973A (zh) * | 2022-05-23 | 2022-07-15 | 中国航空工业集团公司哈尔滨空气动力研究所 | 基于机器学习的风洞测力试验数据智能诊断与分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127242A (zh) | 基于集成学习的年极端降水预测***及其预测方法 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
Han et al. | Intelligent decision model of road maintenance based on improved weight random forest algorithm | |
CN108733631A (zh) | 一种数据评估方法、装置、终端设备及存储介质 | |
CN108874959A (zh) | 一种基于大数据技术的用户动态兴趣模型建立方法 | |
CN106960358A (zh) | 一种基于农村电子商务大数据深度学习的金融欺诈行为量化检测*** | |
CN107169628A (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
CN109146144A (zh) | 基于改进贝叶斯网络的滑坡灾害预测方法 | |
CN104915805A (zh) | 一种河流生态修复效果评估方法 | |
CN110059852A (zh) | 一种基于改进随机森林算法的股票收益率预测方法 | |
CN104881689A (zh) | 一种多标签主动学习分类方法及*** | |
CN105678481A (zh) | 一种基于随机森林模型的管线健康状态评估方法 | |
Li et al. | Research and application of random forest model in mining automobile insurance fraud | |
CN107463993A (zh) | 基于互信息‑核主成分分析‑Elman网络的中长期径流预报方法 | |
CN112735097A (zh) | 一种区域滑坡预警方法及*** | |
CN109947652A (zh) | 一种软件缺陷预测的改进排序学习方法 | |
CN108090515A (zh) | 一种基于数据融合的环境等级评估方法 | |
CN116109195A (zh) | 一种基于图卷积神经网络的绩效评估方法及*** | |
CN104835073A (zh) | 基于直觉模糊熵权的无人飞行器控制***运行绩效评价方法 | |
CN116307103A (zh) | 一种基于硬参数共享多任务学习的交通事故预测方法 | |
Sotomayor et al. | Implications of macroinvertebrate taxonomic resolution for freshwater assessments using functional traits: The Paute River Basin (Ecuador) case | |
CN103996076B (zh) | 电力需求的变化预警方法和*** | |
Li et al. | The hierarchy and transition of China's urban energy efficiency | |
CN114022008A (zh) | 一种基于水生态分区理论的河口适宜生态流量评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161116 |