原创《支持向量机方法在温度预报中应用》：本论文为您写支持向量机毕业论文范文和职称论文提供相关论文参考文献，可免费下载。
摘 要：本文利用沈阳站温度资料和东北中尺度数值模式预报场资料,采用K-means算法进行季节划分试验,基于支持向量机方法（Support Vector Machine,简称SVM）进行交叉验证和预报检验,试图建立温度季节预报模型.结果表明：聚类季节划分和传统季节划分之间存在差异,传统的春、秋两季被划分为不连续的两类,传统的夏、冬两季被划分的不明显,仅在时间长度上有所差异；支持向量机方法对夏季温度预报准确率最高,各时次温度误差≤2℃的准确率平均为81.2%.冬季温度预报准确率最低,各时次温度误差≤2℃的准确率平均为69.2%.冬季客观方法对夜间降温幅度的预报能力存在不足,而春季客观方法对夜间最低气温的预报能力存在不足.平均绝对误差除个别时次超过2℃外,其他时次均在误差范围内,客观预报方法是可用的.
關键词：支持向量机方法；聚类分析；季节划分
基金项目：2015年沈阳市科技局项目（F15-109-3-00）和沈阳市精细化预报团队共同资助
中图分类号： S165 文献标识码： A DOI编号： 10.14025/j.cnki.jlny.2017.15.012
沈阳市位于辽河平原中部,受季风影响较大,属于北温带受季风影响的半湿润大陆性气候,全年温差较大,四季分明.夏季热而多雨,冬季寒冷漫长,春秋两季温度变化迅速.随着科技的进步和社会的发展,农业和各种重大活动对气象服务的需求日益增高,温度的精细化预报成为目前天气预报面临的挑战和问题.大气环流的变化存在复杂性和非线性,温度的变化和各种预报因子间存在非线性相关,支持向量机（Support Vector Machine,简称SVM）方法是处理非线性分类和回归等问题的一种有效的方法.近年来,多地气象部门利用模式直接输出产品,应用SVM方法制作各种气象要素预报,取得了一定成果.冯汉中[1]等利用1998年～2000年9～11月T106模式36小时预报的各种输出产品构造因子,以单站有无降水为预报对象,采用MOS法方式构造样本,通过建立单站的晴雨SVM 分类预报模型, 利用1990年～2000年4～9月ECMWF北半球的500hPa高度、850hPa温度、地面气压的0小时分析场资料,确定关键区域,构造预报因子,以PP法方式构造样本,通过训练建立了四川盆地内单站气温的SVM 回归预报模型,并进行了模拟试验,结果表明无论是单站晴雨的SVM分类预报模型还是单站平均气温的SVM 回归预报模型都显示出了良好的预报能力.高永娜[2]等以风向、风速、云量、相对湿度、露点温度、气压6个相关因素为因子,采用Libsvm软件进行预测建模,用真实数据进行分析对比,得出SVM方法预测气温数据和真实数据有较高的拟合度.王在文[3]等利用北京市气象局中尺度业务模式（MM5V3）的数值预报产品和观测资料,制作北京15个奥运场馆站点6～48小时逐3小时的气象要素释用产品,对比MM5V3模式,2 米温度的均方根误差减小12.1%,和同期MOS方法预报结果相对,2 米温度预报效果SVM略优于MOS.
本文采用K-means算法进行季节划分试验,在东北中尺度数值模式WRF-3KM直接输出产品的基础上,基于支持向量机方法,进行交叉验证和预报检验,建立本地区的温度预报的季节模型,为农业生产及大城市精细化预报业务提供保障.
1资料和方法
1.1 资料
本文所用资料为沈阳站（站号：54342）历史同期（1980年～2010年）温度资料,2013年～2014年东北中尺度数值模式WRF-3KM未来12～36小时预报场资料和沈阳国家观测站实况资料.
1.2 方法
1.2.1 SVM方法 为解决基于数据的非线性建模问题,基于V.N.Vapnik等提出的统计学习理论（小样本理论）[4-8],近年来提出了支持向量机（Support Vector Machines,简称SVM,下同）方法[9-10],其基本思路为：以结构风险最小化为前提,定义最优化线性超平面,把寻找最优线性超平面的算法归结为求解一个凸规划问题,从理论上得到的局部最优解,也就是全局的最优解；进而基于Mercer核展开定理,通过非线性映射,把样本空间映射到一个高维乃至于无穷维的特征空间,使在特征空间中可以应用线性学习机的方法,解决样本空间中的非线性分类和回归的问题.本文通过回归问题预报温度.
回归分析又称函数估计,其解决的问题是：根据给定的样本集{（xi,yi）}|i等于1,等,k},其中xi为预报因子值,yi为预报对象值,寻求一个反映样本数据的最优（按某一规定的误差函数计算,所得函数关系对样本数据集拟合的“最好”）函数关系y等于f（x）.
1.2.2 K-means算法 K-means算法[11-12]为经典的基于划分的聚类方法,是十大经典数据挖掘算法之一.其基本思想是：随机选择K个对象,每个对象代表一个簇的初始均值,也称初始类中心,对剩余的每个对象,根据其和各个簇均值的距离,将其指派到最相似的簇.然后计算每个簇的新均值,这个过程不断的重复,直到准则函数收敛.本文采用K-means算法进行季节划分试验,K值为4.
2季节划分
采用02时、08时、14时和20时的沈阳站历史同期资料,对4个时次进行年平均处理,采用K-means方法,进行聚类划分,按传统的春、夏、秋、冬4季,将所有样本数划分为4类,结果如图1.从图中可以看出,聚类分析后,将具有相同变化趋势的样本划分为一类,和传统季节划分方式存在差异,将传统的春、秋两季划分为不连续的两类,而传统的夏、冬两季划分的变化不明显,仅在时间长度上有所差异.
3预报方程建立
3.1 预报因子选取
选取和温度预报相关的因子,因子包括：500hPa位势高度、700hPa相对湿度、850hPa相对湿度、925hPa相对湿度、850hPa U分量、925hPa U分量、850hPa V分量、925hPa V分量、850hPa 垂直速度、925hPa垂直速度、总云量、海平面气压、地面气压、2米相对湿度、2米温度、地表温度、850hPa温度、10米纬向风分量、10米经向风和总降水量,共20个预报因子.
支持向量机论文参考资料：
结论：支持向量机方法在温度预报中应用为关于对写作支持向量机论文范文与课题研究的大学硕士、相关本科毕业论文支持向量机实例讲解论文开题报告范文和相关文献综述及职称论文参考文献资料下载有帮助。
