本发明涉及一种气象数据预测方法，尤其是一种预测台风期阵风的方法。
背景技术：
台风灾害是我国东南部沿海地区最主要的自然灾害，通常伴有狂风暴雨，进而引发洪涝、滑坡、泥石流等次生灾害，给人民生命财产安全，环境保护和经济发展等带来巨大危害。台风具有灾害性强、破坏性大和突发性强的特点，及时掌握台风信息对于抗灾救灾至关重要。由于影响台风风速的因素众多，传统的依据人工经验预判的风速存在较大的误差，因此，如何有效准确地预测台风风速成为众多学者专家的研究内容。目前，国内外学者专家对风速预测的方法预测众多，主要有以下几种方法：随机时间序列法、卡尔曼滤波法、人工神经网络法和支持向量机法等。随机时间序列法利用有序的随机数据进行分析和处理，会随着模型阶数不同而预测结果存在很大差异；卡尔曼滤波存在动态修改权值的优点，但是建立状态方程和预测方程较为困难；人工神经网络具有很好的鲁棒性和泛化能力，但是存在着学习记忆不稳定、收敛速度慢和容易陷入局部极小化的问题；支持向量机法可以对小样本数据进行学习并获得较好的泛化能力，引入核函数后，有效地解决了维数灾难，但是传统支持向量机无法处理噪声和模糊信息。
技术实现要素：
本发明所要解决的技术问题是提供一种预测精度较高、预测结果较为有效可靠的预测台风期阵风的方法。
本发明解决上述技术问题所采用的技术方案为：一种预测台风期阵风的方法，包括以下步骤：
1.1获取样本锚地的所有采集到的特定台风活跃时期内的待处理数据，待处理数据由wrf模式预报特征因子和与wrf模式预报特征因子一一对应的自动站观测数据中的风速真值两部分组成；从待处理数据中选取设定的待预测时间段前的全部数据作为训练集，从待处理数据中选取设定的待预测时间段内的全部数据作为预测集，并对训练集和预测集分别进行归一化预处理，得到预处理后的训练集和预处理后的预测集；
1.2利用模糊c-均值聚类算法对预处理后的训练集进行模糊聚类分析，获取预处理后的训练集的隶属度矩阵和聚类中心，从而获得预处理后的训练集的隶属度，根据预处理后的训练集的隶属度建立模糊训练集；
利用模糊c-均值聚类算法对预处理后的预测集进行模糊聚类分析，获取预处理后的预测集的隶属度矩阵和聚类中心，从而获得预处理后的预测集的隶属度，根据预处理后的预测集的隶属度建立模糊预测集；
1.3初始化果蝇优化算法中种群规模n、最大迭代次数、算法终止条件、味道浓度判定函数和限制参数θ，0＜θ＜0.1，设定模糊支持向量机的惩罚因子c的取值范围和核参数g的取值范围；
1.4对模糊支持向量机的惩罚因子c和核参数g优化，具体过程如下：
1.4.1设置果蝇群体的当前初始位置坐标，将与其中第i个果蝇对应的惩罚因子记为ci，1≤i≤n，将与第i个果蝇对应的核参数记为gi；
1.4.2获取与ci对应的第i个果蝇随机移动后的当前状态位置坐标与果蝇群体的当前初始位置坐标之间的直线距离distc，获取与gi对应的第i个果蝇随机移动后的当前状态位置坐标与果蝇群体的当前初始位置坐标之间的直线距离distg，再获取与ci对应的当前味道浓度判定值sci，
1.4.3将与ci对应的优化味道浓度判定值记为sci*，sci*＝sci+γc，其中，γc＝distc×θ，将与gi对应的优化味道浓度判定值sgi*，sgi*＝sgi+γg，γg＝distg×θ，0≤θ≤1；
1.4.4令ci＝20×sci*，gi＝sgi*，根据ci和gi用模糊训练集训练模糊支持向量机模型得到与第i个果蝇对应的训练后的模型，根据与第i个果蝇对应的训练后的模型用模糊预测集预测获得与第i个果蝇对应的风速预测值，将与第i个果蝇对应的风速预测值和模糊预测集中的风速真值的平均误差定义为第i个果蝇的当前味道浓度smelli；
1.4.5获取n个果蝇中每个果蝇的当前味道浓度，找出当前味道浓度最小的果蝇并获取该果蝇的当前状态位置坐标，同时果蝇群体移动到该当前当前状态位置坐标；
1.4.6重复步骤1.4.2～步骤1.4.5实现迭代过程，将上一次迭代过程中果蝇群体最后移动到的坐标作为最新的一次迭代过程中的果蝇群体的当前初始位置坐标，判断最新的一次迭代过程得到的n个果蝇中每个果蝇的当前味道浓度中的最小值是否小于前一次迭代过程得到的n个果蝇中每个果蝇的当前味道浓度中的最小值，若否则执行步骤1.4.7；若是则判断当前迭代过程的总次数是否达到设定的最大迭代次数，若当前迭代过程的总次数未达到设定的最大迭代次数则进行下一次迭代过程；若当前迭代过程的总次数达到设定的最大迭代次数，则执行步骤1.4.7；
1.4.7将与当前味道浓度最小的果蝇对应的惩罚因子作为优化后的模糊支持向量机的惩罚因子，将与当前味道浓度最小的果蝇对应的核参数作为优化后的模糊支持向量机的核参数，完成对模糊支持向量机的惩罚因子c和核参数g优化，得到优化后的模糊支持向量机；
1.5将优化后的模糊支持向量机对模糊训练集进行拟合训练，再对模糊预测集进行预测，实现对台风期阵风的预测。
所述的wrf模式预报特征因子包括极大风风向、降雨量、气温、相对湿度、露点温度和气压。
所述的最大迭代次数为200，n＝20，0≤c≤100，0≤g≤100，θ＝0.001。
与现有技术相比，本发明的优点在于在通过果蝇优化算法对模糊支持向量机的参数进行优化的过程中，将果蝇优化算法引入到三维空间进行计算，并且引入增强因子γc和γg来脱离局部最优解的方法来对原始的果蝇优化算法进行改进，从而建立基于改进型果蝇优化算法的模糊支持向量机的台风期阵风预测方法，利用wrf数值预报产品和自动观测站的实况数据进行风速预测，以此改进数值预报产品；最后通过实验与未改进的foa-fsvm预测方法和foa-svm预测方法进行对比，实验结果显示该方法具有有效性并且预测精度较高。
附图说明
图1为本发明的方法步骤原理图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
一种预测台风期阵风的方法，包括以下步骤：
1.1获取样本锚地的所有采集到的特定台风活跃时期内的待处理数据，待处理数据由wrf模式预报特征因子和与wrf模式预报特征因子一一对应的自动站观测数据中的风速真值两部分组成，wrf模式预报特征因子包括极大风风向、降雨量、气温、相对湿度、露点温度和气压；从待处理数据中选取设定的待预测时间段前的全部数据作为训练集，从待处理数据中选取设定的待预测时间段内的全部数据作为预测集，并对训练集和预测集分别进行归一化预处理，得到预处理后的训练集和预处理后的预测集；
1.2利用模糊c-均值聚类算法对预处理后的训练集进行模糊聚类分析，获取预处理后的训练集的隶属度矩阵和聚类中心，从而获得预处理后的训练集的隶属度，根据预处理后的训练集的隶属度建立模糊训练集；
利用模糊c-均值聚类算法对预处理后的预测集进行模糊聚类分析，获取预处理后的预测集的隶属度矩阵和聚类中心，从而获得预处理后的预测集的隶属度，根据预处理后的预测集的隶属度建立模糊预测集；
1.3初始化果蝇优化算法中种群规模n、最大迭代次数、算法终止条件、味道浓度判定函数和限制参数θ，0＜θ＜0.1，设定模糊支持向量机的惩罚因子c的取值范围和核参数g的取值范围；
1.4对模糊支持向量机的惩罚因子c和核参数g优化，具体过程如下：
1.4.1设置果蝇群体的当前初始位置坐标，将与其中第i个果蝇对应的惩罚因子记为ci，1≤i≤n，将与第i个果蝇对应的核参数记为gi；
1.4.2获取与ci对应的第i个果蝇随机移动后的当前状态位置坐标与果蝇群体的当前初始位置坐标之间的直线距离distc，获取与gi对应的第i个果蝇随机移动后的当前状态位置坐标与果蝇群体的当前初始位置坐标之间的直线距离distg，再获取与ci对应的当前味道浓度判定值sci，
1.4.3将与ci对应的优化味道浓度判定值记为sci*，sci*＝sci+γc，其中，γc＝distc×θ，将与gi对应的优化味道浓度判定值sgi*，sgi*＝sgi+γg，γg＝distg×θ，0≤θ≤1；
1.4.4令ci＝20×sci*，gi＝sgi*，根据ci和gi用模糊训练集训练模糊支持向量机模型得到与第i个果蝇对应的训练后的模型，根据与第i个果蝇对应的训练后的模型用模糊预测集预测获得与第i个果蝇对应的风速预测值，将与第i个果蝇对应的风速预测值和模糊预测集中的风速真值的平均误差定义为第i个果蝇的当前味道浓度smelli；
1.4.5获取n个果蝇中每个果蝇的当前味道浓度，找出当前味道浓度最小的果蝇并获取该果蝇的当前状态位置坐标，同时果蝇群体移动到该当前当前状态位置坐标；
1.4.6重复步骤1.4.2～步骤1.4.5实现迭代过程，将上一次迭代过程中果蝇群体最后移动到的坐标作为最新的一次迭代过程中的果蝇群体的当前初始位置坐标，判断最新的一次迭代过程得到的n个果蝇中每个果蝇的当前味道浓度中的最小值是否小于前一次迭代过程得到的n个果蝇中每个果蝇的当前味道浓度中的最小值，若否则执行步骤1.4.7；若是则判断当前迭代过程的总次数是否达到设定的最大迭代次数，若当前迭代过程的总次数未达到设定的最大迭代次数则进行下一次迭代过程；若当前迭代过程的总次数达到设定的最大迭代次数，则执行步骤1.4.7；
1.4.7将与当前味道浓度最小的果蝇对应的惩罚因子作为优化后的模糊支持向量机的惩罚因子，将与当前味道浓度最小的果蝇对应的核参数作为优化后的模糊支持向量机的核参数，完成对模糊支持向量机的惩罚因子c和核参数g优化，得到优化后的模糊支持向量机；
1.5将优化后的模糊支持向量机对模糊训练集进行拟合训练，再对模糊预测集进行预测，实现对台风期阵风的预测。
以上实施例中，根据经验设置最大迭代次数为200，n＝20，0≤c≤100，0≤g≤100。
为了比较本预测方法预测的台风期阵风的预测风速与真实风速的相对误差对比，将通过本预测方法预测的台风期阵风的预测风速与96个预测点的相对误差进行对比分析。
表1台风期阵风预测结果
由表1可知，通过对96个预测点的相对误差分析可知，相对误差超过15％的预测点仅为2.08％，平均百分比误差为5.99％，说明本预测方法具有较高的精度和良好的推广能力。
为了评估所提出预测方法的合理性和优势，将采用本实施例的预测方法获得的风速预测结果与未改进的foa-fsvm和foa-svm的预测结果进行对比，三种算法的种群规模、迭代次数和参数寻优范围等参数设置基本相同。
表2三种模型误差对比
由表2可知，采用本实施例的预测方法获得的风速预测结果的平均百分比误差和均方根误差均小于另外两种，说明本实施例的预测方法中对模糊支持向量机的参数优化的有效性。
综上所述，本实施例的预测方法具有较强的泛化能力，预测精度更高，可以更好地预测台风期阵风风速。