[发明专利]基于支持向量机的钱塘江潮时预报方法

说明书

本发明公开了基于支持向量机的钱塘江潮时预报方法,本发明具体步骤是：读取历史涌潮到达时间以及高潮位数据，计算得到隔日时间差；对历史高潮位数据和连续两日隔日时间差数据进行归一化处理；根据预报日从历史数据中挑选同条件下的数据构造训练样本；利用训练样本训练支持向量机模型；利用支持向量机模型结合输入参数得到预测数据。该发明是一种泛化能力强、计算效率高的钱塘江潮时预报方法，预测可靠性比传统方法要高，整个分析过程快速方便，容易被使用者掌握。

技术领域

本发明属于测控技术领域，具体是一种基于支持向量机的钱塘江潮时预报方法。

背景技术

当东海潮进入杭州湾后，由于河口突然由宽变窄，促进水位的骤然升高，形成明显的潮头，随着后面潮水的继续涌入，最终形成了惊涛骇浪，万马奔腾的壮观涌潮奇景，即为闻名中外的钱塘江涌潮。随着钱塘江流域经济迅速发展，外来游客和居住人口逐年增加，为保障沿江居民安全、船舶航行安全以及沿岸工程设施，精确的涌潮预报越发受到各方关注。

实际应用中，钱塘江涌潮预报主要采用依据经验模型的隔日滞后法，即通过前一天涌潮到达各个站点的时间预报该天涌潮到达各个站点的时间。这类方法主要缺点是受预报日当天江道地形、涌潮的流速、风向及大小和上游洪水等自然因素的影响，使得预报精度不够理想。

支持向量机(Support Vector Machine-SVM)，是近年发展起来的一种适用于小样本的统计学习理论。与人工神经网络相比，具有结构简单、计算效率高、所需训练样本少以及泛化能力强等优点。这些特点使其更适用于钱塘江涌潮预报。

发明内容

本发明针对现有技术的不足，提供一种基于支持向量机的钱塘江潮时预报方法，目的在于对钱塘江潮时进行准确预报。

该方法的具体步骤是：

步骤1：读取历史涌潮到达时间t_d(n)、对应站点和闻家堰的前一次高潮位g(n-1)、g_w(n-1)，根据连续两日涌潮到达时间计算隔日时间差数据dt(n)，以分钟作为单位，

dt(n)＝t_d(n+1)-t_d(n) n＝1,2,3,... (1)

步骤2：历史高潮位数据和连续两日隔日时间差数据进行归一化处理

根据式(2)对历史高潮位数据进行归一化，

其中x_max为历史高潮位数据中的最大值，x_min为历史高潮位数据中的最小值。x为待处理的历史高潮位数据，为历史高潮位数据归一化处理后的值。

连续两日隔日时间差数据归一化处理方法为：

步骤3：根据预报日从历史数据中挑选同条件下的数据构造训练样本。

农历上，不同年相似月的数据可近似认为同条件下的数据，而其他不同月的数据为不同条件下的数据。这里根据预测日期的不同而分别建立训练模型，选择的训练样本同预测日期为同条件下的数据，即选择训练样本与预测日期不同年相似月的数据。另一方面，随着时间延迟增大，不同年相似月数据相关性亦逐渐减小，为保证训练样本与预测日的相关性足够大，选择预测日期近5年内相似月份的隔日时间差数据作为训练样本。

利用归一化后的历史数据构造训练样本，将预报日前4个连续两日隔日时间差4日中最后一次涌潮高潮水位以及相应的闻家堰高潮水位作为5个输入，第i日的隔日时间差作为输出值。以此类推可以构建输入矩阵P和目标矩阵T。因此输入矩阵P每行为6个数据，目标矩阵每行为1个数据。同样，该两矩阵均为N-3行，N为历史数据长度。