公开(公告)号：CN115345207A

公开(公告)日：2022-11-15

申请号：CN202211252774.4

申请日：2022-10-13

Applicant: 南京信息工程大学

Inventor： 秦华旺 ,  雷为好

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/00 ,  G06N3/04 ,  G06N3/08 ,  G06N20/10

Abstract: 本发明公开了一种自适应的多气象要素预测方法，使用最邻近插值补全缺失值和替换异常值，用一维卷积神经网络对三种气象数据进行特征提取及降维，可以充分考虑数据的深层特征；改进的EM算法求解GMM最佳参数集可以跳出局部最优，改进的GMM模型能对三种气象要素进行分类，再分别预测，起到了对多种气象要素同时进行预测的有益效果；通过DFT‑CNN模型，判断降水和风速状态，根据不同状态，分别设置相对应的子序列分解数目，从而极大的提高预测精度；使用EWT算法将时序数据分解为数目不同的子序列，对三种气象要素各子序列构建BES‑RBF神经网络进行预测，通过序列重构得到更加精确的预测结果。

公开(公告)号：CN115345207B

公开(公告)日：2023-07-04

申请号：CN202211252774.4

申请日：2022-10-13

Applicant: 南京信息工程大学

Inventor： 秦华旺 ,  雷为好

IPC: G06F18/2415 ,  G06F18/10 ,  G06N3/0464 ,  G06N3/08 ,  G06N20/10 ,  G06F18/2411 ,  G06N3/006

Abstract: 本发明公开了一种自适应的多气象要素预测方法，使用最邻近插值补全缺失值和替换异常值，用一维卷积神经网络对三种气象数据进行特征提取及降维，可以充分考虑数据的深层特征；改进的EM算法求解GMM最佳参数集可以跳出局部最优，改进的GMM模型能对三种气象要素进行分类，再分别预测，起到了对多种气象要素同时进行预测的有益效果；通过DFT‑CNN模型，判断降水和风速状态，根据不同状态，分别设置相对应的子序列分解数目，从而极大的提高预测精度；使用EWT算法将时序数据分解为数目不同的子序列，对三种气象要素各子序列构建BES‑RBF神经网络进行预测，通过序列重构得到更加精确的预测结果。