论文部分内容阅读
本文研究了一种新的机器学习方法——支持向量机(SVM)方法对非平稳时间序列的预测能力，并对其在气象领域中的应用进行了试验研究。全文分为以下三个部分：在论文的第一部分中，我们系统地介绍了支持向量机方法的基本思想、特点、回归方法的内容、预测建模思路以及支持向量机学习建模软件平台等。在论文的第二部分中，以33模Lorenz系统和虫口模型作为“理想”时空序列的“发生器”，利用SVM回归方法建立预测模型，并与人工神经网络(ANN)进行了比较。结果表明：(1)SVM方法不仅对平稳时间序列有较好的预报能力，也适用于非平稳时间序列，预报值与真实值的相关系数均能达到0.99以上；(2)SVM回归模型预报的准确率和效率均显著优于人工神经网络，平均相对误差优于ANN模型0.3％—0.5％。我们可以理解为SVM通过非线性映射，将低维空间中的非平稳过程映射到高维空间，一定程度上降低了系统的非平稳程度。论文的第三部分，我们选取实际资料，利用上述方法分别对北京密云县的温度和印度新德里地区的臭氧浓度进行了试预报。得到初步结论：(1)温度预报值与真实值吻合较好，二者的相关系数达到0.98以上；臭氧浓度预报值较真实值提前，相关系数为0.63，显示了SVM对实际序列有一定的预测能力；(2)随着预报因子的不断增加，预报值与真实值的相关系数略有上升，预报误差明显下降。这表明，训练样本中包含的信息越多，SVM方法建立的预报模型就越稳定；(3)采用相同的温度资料，ANN的预报误差大于SVM的预报误差，说明在实际应用中SVM回归方法的预报效果也优于ANN方法；(4)对两个个例的预测都显示SVM回归方法对一些拐点的预报误差较大，原因可能是建模受到资料的限制，在参与训练的预报因子中缺少与预报对象密切相关的物理量场。