[发明专利]一种环境系统时间序列的预测方法

说明书

本发明公开了一种环境系统时间序列的预测方法，属于环境保护和水资源可持续利用技术领域，其技术方案要点是首先对时间序列数据进行规范变换，使规范变换后的时间序列数据的规范值呈现线性或较平稳变化特性时间序列；然后构建能适用于时间序列数据规范值的k(k＝2或3)个最近邻时刻的前向神经网络、投影寻踪回归和回归支持向量机模型用于预测；进而用相似样本的误差修正法对时序预测样本的模型输出值进行误差修正，以提高时间序列预测模型对样本(尤其是异常样本)的预测精度。达到了能适用于不同环境系统时间序列预测的技术效果，为复杂环境系统时间序列的合理、准确预测提供了新思路。

技术领域

本发明属于环境保护领域，更具体地说，它涉及一种环境系统时间序列的预测方法。

背景技术

环境的现状和未来直接关系到人类的生存和社会的发展，是人类文明和社会进步的基石。但是，据联合国有关机构的统计：当今全世界约40％的人面临淡水不足问题，其中有3亿人生活在极度缺水状态中，预计到2025年全世界将有35亿人口缺水，涉及的国家和地区将超过40个。而且人类目前能够利用的有限淡水资源中，约十分之一的河流受到不同程度的污染。而中国查显示：依据国家空气质量新标准，2013年监测的74个城市中，空气质量未达标的城市多达71个； 118个城市地下水监测数据基本清洁的只占3％；国家地表水监测断面中，三类水及以下水质占比不到40％，而且环境状况还在不断恶化。因此，迫切需要掌握环境污染的未来发展趋势，以便制订环境的保护、管理和规划措施。为此，需要建立能用于环境预测的数学模型。

当前，用于环境系统时间序列的预测(以下简称环境预测)的数学模型和方法有数十种之多。其中，常用的环境预测模型有基于概率理论的多元回归分析、分段线性分析和时序分析等统计预测模型；基于模糊分析、灰色分析、集对分析等不确定性分析预测模型；基于神经网络、投影寻踪和支持向量机的智能预测模型。上述预测模型皆在预测中取得了一定成效。但由于预测变量往往受多种复杂因素的影响，要对预测变量的未来变化趋势作出精准的估计难度较大，其预测结果常常难以满足实际需要稳定的预测精度。因此，预测建模尤其是较多影响因子的预测建模远比评价建模困难和复杂。此外，由于各种预测模型或方法存在各自局限，如统计预测模型虽然能反映影响因子与预测变量之间的随机性特征，但不能反映他们之间具有的模糊性、不相容性、不确知性等不确定性特征，且只适用于大样本数建模；各种不确定性分析预测模型虽然各自考虑了影响因子与预测变量之间具有的某些不确定性特征，但当影响因子数和样本数较多时，函数设计和计算工作量皆很大，而且函数设计具有一定的人为性；BP神经网络和投影寻踪预测模型因具有客观性较好等独特优势，而适用于高维、非线性复杂问题的预测建模，但存在过拟合、泛化能力较差、网络结构难以确定，尤其是出现计算复杂度随影响因子数增加而激增的“维数灾难”；支持向量机预测模型虽然理论上具有全局最优和较强的泛化能力，能避免“维数灾难”，也不存在模型结构难以确定和不适宜小样本容量的问题，但支持向量个数会随训练样本数增加而线性增加，当样本容量较大时，运算量迅速增加，致使学习效率低，收敛速度慢，因而存在“样本数困难”，使实用性亦受到一定的限制。

此外，上述三种智能预测模型的共同缺陷是模型结构随影响因子数的不同而不同，不能规范、统一；模型编程不能普适、通用。因此，建立适用于各类环境系统的任意多个影响因子的结构简洁而普适、形式规范而统一、计算简便而实用的环境质量智能预测模型具有十分重要的理论意义和实用价值。为此，提出对环境系统的预测量及其影响因子的原始数据进行规范变换的思想和方法，通过规范变换，将具有任意多个影响因子的高维、非线性复杂预测建模问题转化为“等效”规范影响因子简单的低维预测建模问题，从而使智能预测建模变得简化。并应用优化算法对模型中参数进行优化，分别建立适用于COD_Mn浓度年均值的前向神经网络(NV-FNN)、投影寻踪回归(NV-PPR) 和回归支持向量机(NV-SVR)三种智能预测模型。三种智能预测模型规范、统一、简单、实用，避免了“维数祸根”和“样本数困难”，且对检验样本预测的相对误差绝对值的平均值和最大的相对误差绝对值均都远小于传统的其他三种预测模型的预测结果。

发明内容