[发明专利]一种基于粒子滤波算法的短期室外温度预测方法

说明书

本发明公开了一种基于粒子滤波算法的短期室外温度预测方法，涉及室外温度预测技术领域。通过获取目标特征数据，对原始数据进行零均值化处理；采用偏自相关函数确定与下一时刻温度值相关性最大的输入数据集合，确定状态向量和训练粒子样本集合；在训练样本集合中建立傅里叶过程回归短期室外温度预测模型，给出训练过程和拟合残差；将训练粒子样本集合代入粒子滤波状态方程进行拟合，得到当前时刻粒子温度的预测点集和观测点集；获取当前时刻所有粒子的权值并归一化；对粒子进行重采样，得到新的粒子集；对新的粒子集重新建立傅里叶回归预测模型，得出预测值。运用粒子滤波对短期室外温度进行预测，通过傅里叶函数回归拟合，进一步提高了预测精度。

技术领域

本发明涉及室外温度预测技术领域，特别是一种基于粒子滤波算法的短期室外温度预测方法。

背景技术

温度预测的主要内容是对一个地区或城市未来一段时期内最高最低气温进行提前准确预测。就中国而言，气象台准确预报寒潮、台风、暴雨等自然灾害出现的位置和强度，就可以直接为工农业生产和群众生活服务。温度预报是根据气象观测资料，应用天气学、动力气象学、统计学的原理和方法，对某区域或某地点未来一定时段的温度状况作出定性或定量的预测。它是大气科学研究的一个重要目标，对人们生活有重要意义。

目前，短期室外温度预测主要存在以下两个问题：1)历史温度序列混杂的噪声影响了各种预测模型的精度，温度序列往往在采集、传输、存储等过程中不可避免的会受到各种噪声因素的影响，如测量设备采集错误、数据传输过程中数据丢失等。在训练预测模型时，这些异常值通常导致预测值偏离真实值，甚至难以给出预测结果。2)由于统计模型方法机理自身存在的滞后性，导致预测值变化趋势落后于温度真实值，尤其是在温差较大的情况下，预测模型往往难以反映真实值。

发明内容

针对上述实际背景，本发明目的是提供一种基于粒子滤波算法的短期室外温度预测方法，利用过去200个小时的室外温度作为输入，通过傅里叶回归拟合，并设置粒子滤波算法的函数类型为傅里叶函数，从而预测未来5个小时的温度状况，基于粒子滤波的短期室外温度预测方法模型，实现了提前精准预测的功能。

为解决上述的技术问题，本发明采用以下技术方案：一种基于粒子滤波算法的短期室外温度预测方法，其特征在于包括以下步骤：

S1：获取目标特征数据，并对原始数据进行零均值化处理，其中，所述目标特征数据是指所测地区在预设时间段内的室外温度基本数据；

S2：采用偏自相关函数确定与下一时刻温度值相关性最大的输入数据集合，依此确定状态向量并构建合适的训练粒子样本集合；

S3：在训练粒子样本集合中建立傅里叶过程回归短期室外温度预测模型，并给出训练过程和拟合残差；

S4：结合状态向量和傅里叶回归过程模型，将训练粒子样本集合代入粒子滤波状态方程进行拟合，得到当前时刻粒子温度的预测点集和观测点集；

S5：获取当前时刻所有粒子的权值并归一化；

S6：根据粒子归一化后的权值对粒子进行重采样，得到新的粒子集；

S7：对新的粒子集重新建立傅里叶回归预测模型；在进行提前5小时温度预测时，同样采用粒子滤波算法对最新测量值进行状态估计，并根据权重实现在线修正。

进一步地，步骤S1中对原始室外温度基本数据进行零均值化处理，所述零均值化基本公式为：

式中，x(t)为原始温度时间序列函数，为序列函数x(t)的平均值。

进一步地，步骤2采用偏自相关函数确定与下一时刻温度值相关性最大的输入数据集合，依此确定状态向量并构建合适的训练粒子样本集合，所述偏自相关函数实现步骤和计算方法为：