基于支持向量回归机的气象观测站优化模型研究

论文摘要

天气预报不仅为日常出行提供便利,还通过长期积累和统计,被加工成气候资料,为农业、工业、交通、军事等行业提供研究依据。气象观测站是现代天气预报数据的主要来源,但现实中气象观测站的建立和维持的费用非常高,为了节省开支,需要在一定范围内适当减少气象观测站的数量,但又要确保信息量足够大,即年降水量的信息量损失较小,这就要求我们在减少观测站数量的同时又保证减少的那些观测站的信息不丢失。针对气象观测领域遇到的减少气象观测站的问题,本文根据已有的降水量数据,对气象观测站之间的相互关系和拟合程度进行了回归分析,建立回归方程,对删除的观测站的降水量进行预测。然后结合BP神经网络,应用平均影响值（MIV, Mean Impact Value）方法研究如何使用神经网络来筛选变量。通过BP神经网络变量筛选方法,对被删除的观测站有影响的观测站进行筛选。从筛选的结果可知,回归分析模型和BP神经网络（BPNN,Back Propagation Neural Networks）模型对于删除的观测站,其主要影响因素基本一致,但是在减少观测站时,与回归分析模型相比,BPNN模型能更详细的反映各观测站的重要性,为观测站减少方案的最优提供了保证。最后建立了基于BPNN变量筛选-支持向量回归机预测模型。该模型是基于支持向量机理论建立的一种回归算法——支持向量回归机,该算法先对参数进行选择,再根据具体的决策模型进行求解,扩展了普通支持向量机的理论和应用范围。本模型通过对实测样本预测,并与主成分回归预测模型和基于BPNN变量筛选-支持向量回归机预测模型结果进行对比,分析各降水量预测模型的优缺点,证实了支持向量回归机预测模型的回归预测效果较好,体现了支持向量回归机（SVR, support vector machine）算法的泛化能力强、全局优化、训练时间短和预测准确度高的优点。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题的背景、意义和模型选择
• 1.2 支持向量机国内外研究现状
• 1.3 主要内容及论文结构
• 第二章 回归分析
• 2.1 回归分析理论概述
• 2.2 简单线性回归
• 2.2.1 回归系数的最小二乘估计
• 2.2.2 回归方程的显著性检验
• 2.2.3 线性回归的应用——预测
• 2.3 多元回归分析
• 2.4 主成分回归（PCR）方法
• 第三章 神经网络
• 3.1 神经网络基本理论
• 3.1.1 神经网络的泛化能力
• 3.1.2 基于BP算法的多层感知器模型
• 3.2 BPNN学习算法与理论
• 3.2.1 BP学习算法
• 3.2.2 训练样本集的准备
• 3.2.3 输入输出量的选取
• 3.2.4 数据的预处理
• 3.2.5 经验风险最小化原则
• 3.3 基于BP神经网络变量筛选
• 第四章 支持向量回归机
• 4.1 支持向量机的基本思想和构建
• 4.1.1 最优超平面的概念和构建
• 4.2 支持向量机的基本原理
• 4.2.1 支持向量分类机
• 4.2.2 支持向量回归机
• 4.3 支持向量机的特点及影响因素
• 4.3.1 SVM的特点
• 4.3.2 支持向量机的影响因素
• 第五章 实证分析
• 5.1 数据及软件说明
• 5.2 减少气象观测站的分析
• 5.3 气象观测站回归预测模型
• 5.3.1 模型的分析
• 5.3.2 模型的建立
• 5.4 BPNN分析
• 5.4.1 BPNN分析过程
• 5.4.2 MIV的计算
• 5.5 支持向量回归机预测
• 5.5.1 数据的预处理
• 5.5.2 变量与参数选择
• 5.5.3 模型求解及回归预测
• 5.6 结果分析
• 第六章 总结与展望
• 参考文献
• 致谢
• 攻读硕士学位期间公开发表论文