基于SVM的梅雨量预测研究

【摘要】：近100多年来全球气候变化日益剧烈,各种天灾接踵而至,夏季旱涝灾害是其中重要灾害之一。长江中下游梅雨期资料对度量当地夏季旱涝是一项主要指标,因此对梅雨总量的预测研究对研究长江中下游夏季旱涝情况有重要的意义。 如何通过观测有限个历史样本建立模型实现预测是寻找最优预测模型的重要工作。统计学习理论是针对小样本情况下的机器学习理论,其核心思想是通过控制学习机的复杂度实现对其推广能力的控制。在这一理论下发展起来的支持向量机(Support Vector Machines,SVM)以VC维(VC Dimension)和结构风险最小化原则(Structural Risk Minimization,SRM)为基础,解决了小样本、过学习、非线性、高维数、局部小等许多实际问题。 时间序列预测是智能计算中主要研究课题之一。本文主要研究的重点是根据近106a(1885-1990年)长江中下游沿江梅雨期的梅雨总量数据和49a(1954-2002年)泰州地区梅雨量数据,分别建立径向基核函数、多项式核函数的时间序列支持向量机(SVM)回归模型,并采用网格寻优参数函数、遗传算法、粒子群优化算法对模型的参数分别进行优化,然后对这六种模型的预测效果进行比较,选择出最佳的模型。