[发明专利]基于支持向量机的钱塘江潮时预报方法

摘要

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。

主权项

基于支持向量机的钱塘江潮时预报方法，其特征在于，该方法的具体包括以下步骤：步骤1：读取历史涌潮到达时间td(n)、对应站点和闻家堰的前一次高潮位g(n‑1)、gw(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)＝td(n+1)‑td(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，x^=x-xminxmax-xmin---(2)]]>其中xmax为历史高潮位数据中的最大值，xmin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：d^t=dt24*60---(3)]]>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；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；P=g^(k,i-1-15)g^w(k,i-1-15)d^t(k,i-1-15)d^t(k,i-2-15)d^t(k,i-3-15)d^t(k,i-4-15)g^(k,i-15)g^w(k,i-15)d^t(k,i-15)d^t(k,i-1-15)d^t(k,i-2-15)d^t(k,i-3-15)..................g^(k,i+15)g^w(k,i+15)d^t(k,i+15)d^t(k,i-1+15)d^t(k,i-2+15)d^t(k,i-3+15),]]>T=d^t(k,i-15)d^t(k,i+1-15)...d^t(k,i+1+15),k=(1,2,3,4,5)---(4)]]>其中，i表示预测目标日的农历日序号；k表示预测目标年份序号，例如k＝0表示预测年，k＝1表示预测年前一年，以此类推；步骤4：利用训练样本训练支持向量机模型；调用Matlab7.10.0函数库中的svmtrain函数进行支持向量机模型训练，参数包括核函数选取、损失函数ε和惩罚因子参数C的确定；支持向量机常用核函数选用RBF函数；损失函数ε取值为(0.0001～0.01)；惩罚因子参数C取值为(1～1000)；步骤5：利用步骤4得到的支持向量机模型结合输入参数得到预测数据；为了预测第j天的隔日时间差，将第j日的前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，调用Matlab7.10.0函数库中的svmpredict函数预测第j日的隔日时间差步骤6：反归一化处理隔日时间差，计算预测潮时；利用公式(5)对预测隔日时间差dt(j)predict进行反归一化处理，通过式(6)得到预测隔日时间差绝对值dt(j)=d^t(j)predict*24*60---(5)]]>td,predict(j)＝t(j‑1)+dt(j)    (6)t(j‑1)表示第j‑1日的涌潮到达时间。