基于差异修正的景区旅游气象灾害智能预测方法与流程

本发明涉及气象预报领域。更具体地说，本发明涉及一种基于差异修正的景区旅游气象灾害智能预测方法。

背景技术：

旅游业是严重依赖自然环境和气象条件的产业，气象条件是影响旅游安全和旅游质量的重要因素。旅游气象灾害已经成为气象部门和旅游管理部门越来越关注的问题，如何正确地预报预测景区及周边的恶劣天气，如何准确有效地做好旅游灾害预警服务、如何及时有效地帮助游客规避旅游灾害风险和做到安全健康出行，最大限度地保障人民生命财产安全，已经成为刻不容缓的研究课题。

由于气象灾害种类繁多，同时气象要素对气象灾害的成因影响关系复杂，因此如何建立气象要素与气象灾害之间的映射联系，一直是气象学中的重点和难点问题之一。经过长期研究，目前气象学中通常采用以下三种方法建立气象要素与气象灾害之间的映射联系：一是利用灰色预测模型中的拓扑模型，利用绘制曲线来建立气象要素与气象灾害关系，从而得到与预测未来数值的模型，但是该模型的建立对样本数据要求较高，一旦原始数据有波动就极易产生预测坏点；二是采取平稳时间序列分析法，根据统计学统计出的因果关系建立方程，求得相关系数，该方法的缺陷是模型一旦建立，系数就确定不变，无法适应多变的天气现象演变规律；三是用周期叠加、神经网络等非线性预测模型建立曲线方程，通过海温格点对未来趋势进行预测，该方法预测精度较高，但是计算复杂且需要对结果进行多次调试，在实际中难以得到较好应用。而气象要素数值的获取一般是通过常规气象观测设施探测或现代天气数值预报模式推演输出获得，其中现代天气数值预报模式对中大区域范围的气象要素预报准确度非常高，是当前天气预报业务中最常用的方式。

近年来，国家在旅游防灾减灾方面做了大量的工作，各地气象部门在气候景观、旅游舒适度等旅游气象指数等方面也做了大量的理论研究与应用服务，特别是复杂地貌的景区更是缺乏，不能形成有效服务。

技术实现要素：

本发明提供一种基于差异修正的景区旅游气象灾害智能预测方法，利用偏相关分析法确定目标景区发生的气象灾害的主要气象要素，得到目标景区的主要气象要素的历史数据与数值预报模式输出数据的差异集，并分别利用基因表达式编程算法计算得到气象灾害与主要气象要素之间的映射关系函数集和气象灾害与主要气象要素之间的差异映射关系函数集，然后对预测函数集进行差异叠加修正得到目标景区气象灾害的预测模型，最后代入数值预报模式输出的各气象要素值，即可预测出各种气象灾害的可能发生情况，克服了现有技术中所存在的样本数据要求高、适应能力差、计算过程复杂等不足等问题，能为景区灾害防控和管理提供很好的决策支持。

为了实现根据本发明的这些目的和其它优点，提供了一种基于差异修正的景区旅游气象灾害智能预测方法，包括以下步骤：

步骤一、收集目标景区发生的气象灾害的历史数据，其包括目标景区发生的气象灾害的时间和发生该气象灾害的气象要素数据，建立目标景区发生的气象灾害的历史气象要素数据库HDB；收集目标景区发生气象灾害时目标景区所属地区的气象要素数据，建立目标景区所属地区的历史气象要素数据库RDB；

步骤二、根据目标景区发生的气象灾害的类型，将HDB中的气象要素数据进行分类，并对同类型的气象要素数据进行偏相关分析，确定目标景区发生的气象灾害的主要气象要素，建立目标景区发生的气象灾害的主要气象要素集Fs；在RDB中选取与Fs内的气象要素类型相同的气象要素，建立目标景区所属地区发生的气象灾害的主要气象要素集RFs；

步骤三、从HDB中提取Fs对应的气象要素数据，建立目标景区发生的气象灾害的主要气象要素数据集合X_Fs；从RDB中提取RFs对应的气象要素数据，建立目标景区所属地区发生的气象灾害的主要气象要素数据集合X_RFs；分别计算X_Fs中的每一个气象要素数据和X_RFs中与X_Fs中的气象要素数据相对应的气象要素数据的差值，得到差异集X_DFs；

步骤四、以X_RFs中的数据作为数据样本，使用基因表达式编程算法分别计算目标景区的每一种气象灾害与主要气象要素之间的映射关系函数，进而得到气象灾害与主要气象要素之间的映射关系函数集G₁；

步骤五、以X_DFs中的数据作为数据样本，使用基因表达式编程算法分别计算目标景区的每一种气象灾害与主要气象要素之间的差异映射关系函数，进而得到气象灾害与主要气象要素之间的差异映射关系函数集G₂；

步骤六、将G₁中的每一个数据和G₂中与该数据对应的数据相加，得到预测函数集G₃；

步骤七、对G₃中的预测函数进行F检验，如果显著水平P不能满足P＜设定阈值，则该预测函数不符合要求，从G₃中剔除该预测函数，否则保留该预测函数，完成剔除后得到的函数集，即为目标景区气象灾害的预测模型G；

步骤八、根据气象部门发布的数值预报模式的实时数据，并从中选出RFs中相对应的气象要素值，输入到G中，即可计算得到目标景区气象灾害的预测结果。

优选的是，所述的基于差异修正的景区旅游气象灾害智能预测方法中，所述步骤二中确定目标景区发生的气象灾害的主要气象要素的具体方法为：

对同类型的气象要素数据进行偏相关分析后，进行偏相关系数检验，通过给定信度检验的偏相关性较好的气象要素即为目标景区发生的气象灾害的主要气象要素。

优选的是，所述的基于差异修正的景区旅游气象灾害智能预测方法中，所述步骤四中使用基因表达式编程算法分别计算目标景区的各气象灾害与主要气象要素之间的映射关系函数的方法包括以下步骤：

步骤a、基因表达式编程算法程序读入数据样本，输入种群大小、基因头长度、基因尾长度、函数最大操目数、基因数、最大迭代数、最大适应度值、变异率、插串率和重组率，基因表达式编程算法程序根据基因表达式编程染色体和基因的定义自动生成初始种群；

步骤b、基因表达式编程算法程序进行适应度计算，以染色体为个体，并分别计算各个个体的适应度，适应度的计算公式如下：

其中，

R_i为第i个体的适应度，0≤R_i≤1；

SSE为残差平方和；

m为目标发生的气象灾害的总记录次数；

y_j为以X_RFs中的数据作为数据样本，其中存储的第j次气象灾害；

为变量y_j关于函数y的估计值；

SST为总离差平方和；

为变量y_j的平均值；

步骤c、若步骤b中计算得到的个体的适应度达到步骤a中输入的最大适应度值，则将种群中的最优个体的表现型按树的中序遍历方法解析表达式树为数学表达式，其中，在所有个体中适应度最大的个体为最优个体，所得数学表达式即为目标景区的一种气象灾害与主要气象要素之间的映射关系函数；若步骤b中计算得到的个体的适应度未达到步骤a中输入的最大适应度值，则继续

步骤d、以最优个体作为最优染色体，保留最优染色体进行遗传操作，并根据达尔文的适者生存原则选择产生下一代染色体，将得到的下一代染色体作为个体重复步骤b到步骤c。

优选的是，所述的基于差异修正的景区旅游气象灾害智能预测方法中，所述步骤a中基因表达式编程算法的基因用长度固定的符串来表示，由头部和尾部两部分组成，头部包含函数符号和终结符号，尾部包含终结符号，尾部长度t和头部长度h之间满足方程：t＝h*(n-1)+1。

优选的是，所述的基于差异修正的景区旅游气象灾害智能预测方法中，所述步骤a中的基因表达式编程算法程序采用多基因染色体的方式构成染色体，每个主要气象要素用一个基因表示。

优选的是，所述的基于差异修正的景区旅游气象灾害智能预测方法中，所述步骤d中根据达尔文的适者生存原则产生下一代染色体的步骤为：

步骤1)、保留最优染色体；

步骤2)、选择染色体进行复制，可选用轮盘赌选择法或锦标赛选择法对染色体进行选择；

步骤3)、对步骤2)中得到的染色体依概率进行交叉重组、变异、插串和倒串等遗传操作，得到下一代染色体。

优选的是，所述的基于差异修正的景区旅游气象灾害智能预测方法中，所述步骤七中的设定阈值为0.01。

本发明至少包括以下有益效果：

本发明利用偏相关分析法确定目标景区发生的气象灾害的主要气象要素，针对不同的气象灾害，确定对其造成影响的主要气象要素，增加了预测的准确性，并减少了数据处理的工作量。

本发明利用基因表达式编程算法计算得到气象灾害与主要气象要素之间的映射关系函数集和气象灾害与主要气象要素之间的差异映射关系函数集，克服了传统统计方法建立的统计预报模型参数选取困难，难以精确描述要素间的非线性关，也避免用神经网络存在过拟合、收敛速度慢、容易陷入局部极值，支持向量机和神经网络都存核(结构)和参数难选定且对性能影响较大、其训练计算量过大而不便应用在样本容量较大的学习任务等问题，可有效提高降水预报质量。

本发明对样本数据要求不高、适应能力强，并且计算过程简单，能够准确的预测目标景区的气象灾害的可能发生情况。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

图1为本发明所述的基于差异修正的景区旅游气象灾害智能预测方法的流程图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

<实施例1>

如图1所示，本发明提供一种基于差异修正的景区旅游气象灾害智能预测方法，包括以下步骤：

步骤一、收集目标景区发生的气象灾害的历史数据，其包括目标景区(例如青秀山风景区)发生的气象灾害的时间和发生该气象灾害的气象要素数据，建立目标景区发生的气象灾害的历史气象要素数据库HDB；收集目标景区发生气象灾害时目标景区所属地区(南宁市区)的气象要素数据，例如，目标景区为青秀山风景区，其位于南宁市区内的东南部，则收集数值预报模式同期生成的南宁市区对应的各种气象要素数据作为目标景区所属地区的气象要素数据，建立目标景区所属地区的历史气象要素数据库RDB；

气象灾害是自然灾害之一，主要包括亚洲热带风暴，中国沿海城市区域出现的台风、南方地区的干旱、高温、山洪、雷暴、中国北方的沙尘暴等，气象灾害一般包括天气、气候灾害和气象次生、衍生灾害。天气、气候灾害是指因台风(热带风暴、强热带风暴)、暴雨(雪)、雷暴、冰雹、大风、沙尘、龙卷、大(浓)雾、高温、低温、连阴雨、冻雨、霜冻、结(积)冰、寒潮、干旱、干热风、热浪、洪涝、积涝等因素直接造成的灾害；气象次生、衍生灾害是指因气象因素引起的山体滑坡、泥石流、风暴潮、森林火灾、酸雨、空气污染等灾害。HDB和RDB内的气象要素数据主要包括大气温度、相对湿度、风向、风速、雨量、气压、土壤温度、土壤湿度、能见度、紫外线、特零地温、云量、蒸发量、云高、雪深、日照辐射、雾以及霆等相关要素；其中统计目标景区发生的气象灾害的历史数据的时间应尽可能地长，一般在20年以上，统计的时间越长，预测的效果越准确。

步骤二、根据目标景区发生的气象灾害的类型(例如洪涝灾害、冻雨、霜冻、寒潮和干旱等)，将HDB中的气象要素数据进行分类(例如将目标景区发生洪涝灾害时相关的数据统计为一类，发生冻雨时相关的数据统计为一类，发生霜冻时相关的数据统计为一类，发生寒潮时相关的数据统计为一类，发生干旱时相关的数据统计为一类，其他同理)，并一类一类地对同类型的气象要素数据分别进行偏相关分析，确定目标景区发生的气象灾害的主要气象要素，建立目标景区发生的气象灾害的主要气象要素集Fs，例如将目标景区发生洪涝灾害的数据统计为一类，并对其进行偏相关分析，确定目标景区发生洪涝灾害的主要气象要素，同时统计目标景区发生过的其他类型的气象灾害，便得到目标景区发生的各种气象灾害对应的主要气象要素，组成目标景区发生的气象灾害的主要气象要素集Fs；在RDB中选取与Fs内的气象要素类型相同的气象要素，建立目标景区所属地区发生的气象灾害的主要气象要素集RFs；例如Fs内的气象要素类型有洪涝灾害，则在RDB中选取洪涝灾害，Fs内的气象要素类型有冻雨，则在RDB中选取冻雨，Fs内的气象要素类型有霜冻，则在RDB中选取霜冻，其他同理，然后把从RDB中选出的洪涝灾害、冻雨和霜冻等组成RFs。

在气象灾害与气象要素的映射关系函数中，气象要素为自变量，气象灾害为因变量。下面以目标景区发生的洪涝灾害为例，提取其主要气象要素的过程是：

1)假设HDB中关于洪涝灾害因变量Y的自变量集合为：

X＝{x₁，x₂，…，x_i，…，x_n}

则其对应历史数据集可表示为：

其中，m为HDB中洪涝灾害发生记录数；

n为与目标景区洪涝灾害可能相关的气象要素数；

x_mn为目标景区第m次洪涝灾害发生时第n种气象要素的值；

2)计算上述各与目标景区洪涝灾害可能相关的气象要素与目标景区的洪涝灾害因变量Y之间的相关系数，其公式为：

3)对上述计算所得的各变量相关系统进行相关系数检验，从中选取通过给定信度检验的相关性较好的气象要素作为该景区洪涝灾害预测的主要气象要素。

4)整理上述步骤3)选取出来的各类气象灾害因变量和相应的主要气象要素，建立Fs；

步骤三、从HDB中提取Fs对应的气象要素数据(例如Fs内的气象要素类型有洪涝灾害，则在HDB中提取洪涝灾害对应的气象要素数据，Fs内的气象要素类型有冻雨，则在HDB中提取冻雨对应的气象要素数据，其他的同理，并全部提取出来)，建立目标景区发生的气象灾害的主要气象要素数据集合X_Fs，即将从HDB中选出的所有对应的气象要素数据组成集合X_Fs；从RDB中提取RFs对应的气象要素数据(例如RFs内的气象要素类型有洪涝灾害，则在RDB中提取洪涝灾害对应的气象要素数据，RFs内的气象要素类型有冻雨，则在RDB中提取冻雨对应的气象要素数据，其他的同理，并全部提取出来)，建立目标景区所属地区发生的气象灾害的主要气象要素数据集合X_RFs，即将从RDB中选出的所有对应的气象要素数据组成集合X_RFs；分别计算X_Fs中的每一个气象要素数据(例如洪涝灾害对应的大气温度)和X_RFs中与X_Fs中的气象要素数据相对应的气象要素数据(也是洪涝灾害对应的大气温度)的差值(即X_Fs中的一类主要气象要素对应的气象要素数据与X_RFs中与该气象要素数据对应的气象要素数据的差值，例如X_Fs中洪涝灾害对应的大气温度减X_RFs中洪涝灾害对应的大气温度，X_Fs中洪涝灾害对应的气压减X_RFs中洪涝灾害对应的气压，X_Fs中霜冻对应的大气温度减X_RFs中霜冻对应的大气温度，X_Fs中霜冻对应的气压减X_RFs中霜冻对应的气压，其他的同理，相减时针对的气象要素和气象要素数据均相同)，得到差异集X_DFs；

以目标景区洪涝灾害为例，假设目标景区的洪涝灾害因变量Y在Fs和RFs中的自变量集合分别为：

X_Fs＝{x_Fs1，x_Fs2，…，x_Fsi，…，x_Fsn}

X_RFs＝{x_RFs1，x_RFs2，…，x_RFsi，…，x_RFsn}

其中，n为该景区洪涝灾害的预测模型的主要自变量数目；

x_Fsn为目标景区发生的洪涝灾害在X_Fs中对应的第n个相关气象要素数据；

x_RFsn为目标景区所属地区发生的洪涝灾害在X_RFs中对应的第n个相关个气象要素数据；

则差异集DFs中自变量集合X_DFs为：

X_DFs＝{x_Fs1-x_RFs1，x_Fs2-x_RFs2，…，x_Fsi-x_RFsi，…，x_Fsn-x_RFsn}。

步骤四、以X_RFs中的数据作为数据样本，使用基因表达式编程算法分别计算目标景区的每一种气象灾害与主要气象要素之间的映射关系函数，将所有的映射关系函数组成函数集，进而得到包括各种气象灾害和与其相对应的主要气象要素之间的映射关系函数集G₁；

基因表达式编程算法是一种基于生物基因结构和功能发明的一种新型自适应演化算法，基因表达式编程和遗传编程一样，是在遗传算法的基础上发展起来的。它和遗传编程一样，采用了一种全新的不同于遗传算法的个体描述方法，其实质是用广义的层次化计算机程序描绘问题。个体构成需要两类符号，即终结符和函数符。它们是构造基因表达式编程中的一个程序的元语。

步骤五、以X_DFs中的数据作为数据样本，使用基因表达式编程算法分别计算目标景区的每一种气象灾害与主要气象要素之间的差异映射关系函数，将所有的差异映射关系函数组成函数集，进而得到包括各种气象灾害和与其相对应的主要气象要素之间的差异映射关系函数集G₂；

步骤六、将G₁中的每一个数据(例如洪涝灾害与主要气象要素之间的映射关系函数)和G₂中与该数据对应的数据(洪涝灾害与主要气象要素之间的差异映射关系函数)相加，其他的同理，最后得到预测函数集G₃；

例如G₁和G₂分别为：

G₁＝{g₁₁，g₁₂，…，g_1k}

G₂＝{g₂₁，g₂₂，…，g_2k}

其中，k为目标景区历史气象灾害的种类数；

g_1k为第k种气象灾害与其相对应的影响气象要素之间的映射关系函数

g_2k为第k种气象灾害与其相对应的影响气象要素之间的差异映射关系函数

则预测函数集G₃为：

G₃＝{g₁₁+g₂₁，g₁₂+g₂₂，…，g_1k+g_2k}

步骤七、对G₃中的每个预测函数进行F检验，如果显著水平P不能满足P＜设定阈值，则该预测函数不符合要求，从G₃中剔除该预测函数，否则保留该预测函数，完成剔除后得到的函数集，即为目标景区气象灾害的预测模型G；

步骤八、根据气象部门发布的数值预报模式的实时数据，并从中选出与RFs中的气象要素相对应的气象要素数据，输入到G中，即可计算得到目标景区气象灾害的预测结果；以预报洪涝灾害为例，目标景区发生洪涝灾害在RFs中所对应的气象要素为A、B、C、D四种气象要素，则将气象部门发布的数值预报模式的实时数据中的A、B、C、D四种气象要素对应的数据输入G中，即可得计算到目标景区洪涝灾害的预测结果。

所述的基于差异修正的景区旅游气象灾害智能预测方法中，所述步骤二中确定目标景区发生的气象灾害的主要气象要素的具体方法为：

对同类型的气象要素数据进行偏相关分析后，进行偏相关系数检验，通过给定信度检验的偏相关性较好的气象要素即为目标景区发生的气象灾害的主要气象要素。在多要素所构成的系统中，当研究某一个要素对另一个要素的影响或相关程度时，把其他要素的影响视作常数(保持不变)，即暂时不考虑其他要素影响，单独研究两个要素之间的相互关系的密切程度，所得数值结果为相关性系数。

所述的基于差异修正的景区旅游气象灾害智能预测方法中，所述步骤四中使用基因表达式编程算法分别计算目标景区的各气象灾害与主要气象要素之间的映射关系函数的方法包括以下步骤：

步骤a、基因表达式编程算法程序读入数据样本，输入种群大小、基因头长度、基因尾长度、函数最大操目数、基因数、最大迭代数、最大适应度值、变异率、插串率和重组率，基因表达式编程算法程序根据基因表达式编程染色体和基因的定义自动生成初始种群；染色体由一个基因(Gene)或多个基因通过连接函数连接构成。基因由头部和尾部构成。基因的头部(Head)由终结符集和函数符集共同构成。基因的尾部(Tail)仅由终结符集构成。

步骤b、基因表达式编程算法程序进行适应度计算，以染色体为个体，并分别计算各个个体的适应度，适应度的计算公式如下：

其中，

R_i为第i个体的适应度，0≤R_i≤1；

SSE为残差平方和；

m为目标发生的气象灾害的总记录次数；

y_j为以X_RFs中的数据作为数据样本，其中存储的第j次气象灾害；

为变量y_j关于函数y的估计值；

SST为总离差平方和；

为变量y_j的平均值；

步骤c、若步骤b中计算得到的个体的适应度达到步骤a中输入的最大适应度值，则将种群中的最优个体的表现型按树的中序遍历将表达树解析为数学表达式，其中，在所有个体中适应度最大的个体为最优个体，所得数学表达式即为目标景区的一种气象灾害与主要气象要素之间的映射关系函数；若步骤b中计算得到的个体的适应度未达到步骤a中输入的最大适应度值，则继续

步骤d、以最优个体作为最优染色体，保留最优染色体进行遗传操作，并根据达尔文的适者生存原则选择产生下一代染色体，将得到的下一代染色体作为个体重复步骤b到步骤c。

所述的基于差异修正的景区旅游气象灾害智能预测方法中，所述步骤a中基因表达式编程算法的基因用长度固定的符串来表示，由头部和尾部两部分组成，头部包含函数符号和终结符号，尾部包含终结符号，尾部长度t和头部长度h之间满足方程：t＝h*(n-1)+1。

所述的基于差异修正的景区旅游气象灾害智能预测方法中，所述步骤a中的基因表达式编程算法程序采用多基因染色体的方式构成染色体，每个主要气象要素用一个基因表示。

所述的基于差异修正的景区旅游气象灾害智能预测方法中，所述步骤d中根据达尔文的适者生存原则产生下一代染色体的步骤为：

步骤1)、保留最优染色体；

步骤2)、选择染色体进行复制，可选用轮盘赌选择法或锦标赛选择法对染色体进行选择；

步骤3)、对步骤2)中得到的染色体依概率进行交叉重组、变异、插串和倒串等遗传操作，得到下一代染色体。

所述的基于差异修正的景区旅游气象灾害智能预测方法中，所述步骤七中的设定阈值为0.01。

<实施例2>

(1)收集待预测目标景区的地理区域内发生各种气象灾害的历史数据，一般收集多于20年的目标景区地理区域内发生各种气象灾害的历史数据。历史数据包括发生各种气象灾害的具体时间，以及每次发生该气象灾害时对应的各层次气象要素的数据，并将以上气象要素数据构建目标景区发生的气象灾害的历史气象要素数据库HDB。

(2)收集目标景区发生各种气象灾害时数值预报模式同期生成的景区所属市(县)地区的对应各层次气象要素数据。例如，待预测的青秀山风景区位于南宁市区内的东南部则收集数值预报模式同期生成的南宁市区的对应各层次气象要素数据。并将以上气象要素数据构建目标景区所属地区的历史气象要素数据库RDB。

(3)对HDB的历史数据按气象灾害类型分类地进行相关分析，提取主要气象要素，构建目标景区发生的气象灾害的主要气象要素集Fs。

在气象灾害与气象要素的映射关系函数中，气象要素为自变量，气象灾害为因变量。下面以目标景区洪涝灾害为例，提取其主要自变量的过程是:

①假设目标景区气象灾害历史数据库中关于洪涝灾害因变量Y的自变量集合为X＝{x₁,x₂,...,x_n}，则其对应历史数据集可表示为：

其中m为目标景区气象灾害历史数据库中洪涝灾害发生记录数，n为与目标景区洪涝灾害可能相关的气象要素数。

②计算上述各与景区洪涝灾害可能相关的气象要素与目标景区的洪涝灾害实况因变量Y之间的相关系数，其公式为：

③对上述计算所得的各变量相关系统进行相关系数检验，从中选取通过给定信度检验的相关性较好的气象要素作为目标景区洪涝灾害预测的主要自变量。

④整理上述步骤选取出来的各类气象灾害因变量和相应的主要自变量，构建目标景区气象灾害影响要素集Fs

(4)从(2)所得目标景区相关区域相关气象要素数据库中按气象灾害类型分类地找出各主要气象灾害相关气象要素和其它要素中找到与Fs成员相应的气象要素，构建目标景区所属地区发生的气象灾害的主要气象要素集RFs。

(5)从HDB和RDB数据库中计算Fs与RFs的景区差异集DFs。

以目标景区洪涝灾害为例，假设洪涝灾害因变量Y在Fs和RFs中的自变量集合分别为X_Fs＝{x_Fs1,x_Fs2,...,x_Fsi,...,x_Fsn}和X_RFs＝{x_RFs1,x_RFs2,...,x_RFsi,...,x_RFsn}

则景区差异集DFs中相应自变量集X_DFs＝{x_Fsi-x_RFsi}，其中n为目标景区洪涝灾害的预测模型的主要自变量数目，i＝1,2,…,n。

(6)采用基因表达式编程算法，对RDB中RFs对应的数据样本进行函数挖掘，分别建立各气象灾害与主要气象要素的映射关系函数集G₁，作为数值预报模式输出的智能释用模型集。

将RDB中RFs对应的数据样本集数据输入，开始用基因表达式编程算法分别挖掘目标景区的每一种气象灾害与其主要气象要素的映射关系函数(即灾害预测模型)，获得各气象灾害与主要气象要素的映射关系函数集G₁＝{g₁₁,g₁₂,...,g_1k}，其中k为该景区历史气象灾害的种类数，作为数值预报模式输出的智能释用模型集。主要过程具体包括：

第一步：读入样本数据，输入种群大小、基因头长度、基因尾长度、函数最大操目数、基因数、最大迭代数、最大适应度值、变异率、插串率、重组率，系统根据基因表达式编程染色体和基因的定义自动生成初始种群；

其中，①基因表达式编程的基因用长度固定的符串来表示，由头和尾两部分组成，头部既可以包含函数符号也可以包含终结符号，而尾部则只能包含终结符号，且尾部长度t和头部长度h之间应该满足方程:t＝h*(n-1)+1；②本发明预报降水的数据对象是多元时间序列数据，在染色体构成采用多基因染色体的方式，每个主要气象要素用一个基因表示。

第二步：适应度计算指定各个个体(即染色体)的适应度；

本发明的适应度函数选用复相关系数，定义如下：

其中，

R_i为第i个体的适应度，0≤R_i≤1；

SSE为残差平方和；

m为目标发生的气象灾害的总记录次数；

y_j为以X_RFs中的数据作为数据样本，其中存储的第j次气象灾害；

为变量y_j关于函数y的估计值；SST为总离差平方和；

为变量y_j的平均值；

第三步：若不符合结束条件，继续下一步，否则跳到第五步；

其中，本发明的结束条件为最大适应度值达到要求。

第四步：保留最优染色体，进行遗传操作，并根据达尔文的“适者生存”原则选择产生下一代，具体过程如下：

①保留最优染色体；

②选择染色体进行复制，可选用轮盘赌选择法或锦标赛选择法对染色体进行选择；

③对②选择和复制染色体的结果依概率进行交叉重组、变异、插串、倒串等遗传操作。

转到第二步。

第五步：将种群中的最优染色体的表现型按树的中序遍历方法解析表达式树为数学表达式，所得数学表达式即为所求解的气象灾害与主要气象要素的映射关系函数模型。

(7)参照步骤(6)的方法，采用基因表达式编程算法对步骤(5)中确定的Fs、RFs和DFs的数据样本进行函数挖掘，分别建立气象灾害与气象要素的差异映射关系函数集G₂＝{g₂₁,g₂₂,...,g_2k}。

(8)利用函数集G₂对函数集G₁进行相应成员的景区差异叠加修正，得到预测函数模型集G₃＝{g₁₁+g₂₁,g₁₂+g₂₂,...,g_1k+g_2k}。

(9)对步骤(8)所得预测函数集G₃中的各个气象灾害因变量与气象要素的映射关系函数进行统计上的F检验，如果显著水平P不能满足P<0.0l的要求，则该主要因变量建立的映射关系函数不符合统计理论要求，从预测函数集G₃中剔除该主要因变量对应的映射关系函数，否则保留该主要因变量建立的气象灾害与气象要素的映射关系函数。最终从预测函数集G₃中剔除部分不符合统计理论要求的函数后得到统计有效的预测函数集G，即为目标景区各气象灾害的预测模型。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的实施例。