本发明涉及降雨量预测建模领域,更具体的说,是涉及一种基于tdnn的中国北方草原地区降雨量的预测方法。
背景技术:
近20年来,中国北方草原地区降雨量变化异常,极个别年份出现严重的旱灾或涝灾,严重威胁了该地区草原生态环境的保护与恢复,以及草原畜牧业的可持续发展,尤其是生长季(每年6-8月份)降雨量的波动对该地区的植被生长有较大的影响。
目前,针对降雨量的预测技术比较成熟,除了传统的线性统计模型外,还有很多非线性预测建模方法,如particleswarmoptimization(pso)、backpropagationneuralnetwork(bpnn)、supportvectormachines(svm)等。但由于中国北方草原地区的降雨量具有降雨量集中、年内分配不均匀的特点,导致其降雨量的非线性特点明显不同于其它地区,往往当年的降雨量变化与之前年份的降雨量变化相关。所以,实现精确建模预测该地区降雨量时,需要充分考虑模型输入之间的时间上的关系。
time-delayneuralnetwork(tdnn)最早用于语音信号的处理,能够识别语音信号之间的潜在的时间关系,故被推广应用于其它多个领域,被公认为适合处理模型输入层中潜在的时间上的关系。tdnn基于其模型结构中的特有的时延模块,能够充分考虑不同时间点降雨量之间存在的潜在时间关系,可以精确描述、映射出中国北方草原地区当年降雨量变化与以往年份降雨量变化之间的关系,实现对未来年份生长季降雨量月平均值的精确预测,故本专利提出基于tdnn的预测中国北方草原地区降雨量的建模方法。
技术实现要素:
本发明的目的是为了克服现有针对中国北方草原地区降雨量预测技术中的不足,利用以往降雨量的观测数据,提出一种基于tdnn的中国北方草原地区降雨量的预测方法,解决了以往降雨量预测模型中,因无法精确描述模型的输入之间存在的时间关系而导致预测精度不高的技术问题,实现了针对该研究区域生长季降雨量月平均值的精确预测。本发明中的降雨量预测方法将有利于预测未来年份该地区旱涝程度,从而为该地区科学发展畜牧业、生态保护与恢复,提供一种全新的解决方案。
本发明的目的是通过以下技术方案实现的。
本发明的基于tdnn的中国北方草原地区降雨量的预测方法,包括以下步骤:
步骤一,基于spss统计软件进行相关性分析,确定北方草原地区年度生长季月平均降雨量tdnn预测模型的输入变量p(t-1)、p(t-2)、p(t-3)和输出变量p(t),其中,p(t)、p(t-1)、p(t-2)、p(t-3)分别是t、t-1、t-2、t-3年度生长季降雨量月平均值;
步骤二,通过数据训练、仿真,获得降雨量tdnn预测模型的训练数据和测试数据;
步骤三,将训练数据导入降雨量tdnn预测模型中,对降雨量tdnn预测模型进行训练;
步骤四,将测试数据中输入变量导入已经训练好的降雨量tdnn预测模型中,比较降雨量tdnn预测模型输出结果和降雨量实际观测值(测试数据中输出变量),并计算测试误差mae、rmse;
步骤五,比较每次降雨量tdnn预测模型的训练精度mae、rmse大小,如果mae、rmse小于精度期望值,则完成降雨量tdnn预测模型训练;如果mae、rmse大于精度期望值,则调整模型参数重新训练,直到mae、rmse小于精度期望值,结束训练,完成降雨量tdnn预测模型建模。
步骤四中的测试误差mae、rmse按以下公式计算:
其中,(yobs)i表示降雨量实际观测值,即测试数据中输出变量,也就是tdnn预测模型的理想输出结果,(ypred)i表示tdnn预测模型的输出结果,n表示样本数量。
与现有技术相比,本发明的技术方案所带来的有益效果是:
本发明针对中国北方草甸草原地区生长季降雨量进行预测研究,首次将tdnn模型应用该地区的降雨量预测建模,实现了对未来年份生长季降雨量的提前预测,从而可以实现该地区的放牧及其它生产活动的及时调整,避免因旱灾或涝灾等极端降雨量年份的出现而造成重大的生态破坏与经济损失,故本发明具有重大的环境与经济战略价值及学术意义,填补了该地区生长季降雨量预测不准确的技术问题。相比传统的针对该地区降雨量预测方法,基于tdnn建立的预测模型具有预测准确、精度高的优势。
附图说明
图1是基于tdnn的降雨量预测模型建模流程示意图;
图2是基于tdnn的降雨量预测模型结构图;
图3是基于tdnn的降雨量预测结果示意图。
具体实施方式
下面结合附图对本发明作进一步的描述。
本发明的基于tdnn的中国北方草原地区降雨量的预测方法,基于1961-2014年的生长季月平均降雨量数据进行建模,获得未来年度生长季月平均降雨量tdnn预测模型,该模型满足预测要求,达到了建模的精度,不仅能够预测出未来年份降雨量的变化趋势,也能对降雨量序列的突变点进行预测。具体实现过程如下:
步骤一,基于spss统计软件进行相关性分析,确定北方草原地区年度生长季月平均降雨量bpnn预测模型的输入变量p(t-1)、p(t-2)、p(t-3)和输出变量p(t),其中,p(t)、p(t-1)、p(t-2)、p(t-3)分别是t、t-1、t-2、t-3年度生长季降雨量月平均值。
步骤二,通过数据训练、仿真,获得降雨量tdnn预测模型的训练数据和测试数据。
步骤三,将训练数据导入降雨量tdnn预测模型中,对降雨量tdnn预测模型进行训练。
步骤四,将测试数据中输入变量导入已经训练好的降雨量tdnn预测模型中,比较降雨量tdnn预测模型输出结果和降雨量实际观测值(测试数据中输出变量),并计算测试误差mae、rmse,按以下公式计算:
其中,(yobs)i表示降雨量实际观测值,即测试数据中输出变量,也就是tdnn预测模型的理想输出结果,(ypred)i表示tdnn预测模型的输出结果,n表示样本数量。
步骤五,比较每次降雨量tdnn预测模型的训练精度mae、rmse大小,如果mae、rmse小于精度期望值,则完成降雨量tdnn预测模型训练;如果mae、rmse大于精度期望值,则需要调整模型参数(激励函数g和隐藏神经元个数n)重新训练,直到mae、rmse小于精度期望值,结束训练,完成降雨量tdnn预测模型建模。
实施例:
现基于呼伦贝尔鄂温克地区1961-2014年生长季月平均降雨量的预测模型的建立方法对本发明提出的基于tdnn的中国北方草原地区降雨量的预测方法进行详细的说明。
1、选择预测模型的输入变量,基于spss统计软件进行相关性分析,最终确定与p(t)对应的输入序列p(t-1)、p(t-2)、p(t-3);
2、获得降雨量tdnn预测模型的训练数据和测试数据,按照图1的流程,将训练数据导入降雨量tdnn预测模型,对降雨量tdnn预测模型进行训练;
3、确定最优模型的结构,图2所示,确定输入变量为p(t-1)、p(t-2)、p(t-3),即利用前三年的降雨量作为输入变量预测当年的降雨量,比较明显的是,通过图2中时延单元,可充分考虑到以往年份降雨量对本年度降雨量变化的影响。在本实施例中,激励函数选取sigmoid,隐藏神经元个数为7。
4、比较降雨量bpnn预测模型的测试误差mae、rmse,最后获得最佳训练结果为mae=3.3mm(占对应降雨量平均值的4.29%)、rmse=3.73(占对应降雨量平均值的4.84%);
5、预测效果分析,如图3所示为降雨量预测结果与实际降雨量的比较。可见,该模型能够预测出未来降雨量的变化趋势,对突变的降雨量极值年份也能进行预测。
综上所述,应用tdnn模型,建立中国北方草甸草原地区生长季降雨量的预测模型,即建立以往降雨量数据和当年降雨量数据之间的一一映射关系,可以预测该地区降雨量的变化趋势。这对当地的植被恢复、环境保护及畜牧业的发展都具有重要的意义。
尽管上面结合附图对本发明的功能及工作过程进行了描述,但本发明并不局限于上述的具体功能和工作过程,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可以做出很多形式,这些均属于本发明的保护之内。