买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：天津理工大学

摘要：本发明公开了一种基于稀疏样本的雨季降水年际变化预测方法，步骤包括：S1、对雨季降水的稀疏样本进行处理，以获取构建雨季降水预测模型的指导数据；其具体步骤为；S2、将各观测站雨季降水不同时间尺度的有效分解结果S作为构建雨季降水预测模型的指导数据，分别对各观测站的雨季降水预测模型进行构建；该基于稀疏样本的雨季降水年际变化预测方法与传统的数值预测方法相比，该方法引入Markov模型来解决稀疏样本问题，计算复杂度更低，预测准确率高。

主权项：1.一种基于稀疏样本的雨季降水年际变化预测方法，其特征在于，具体步骤如下：S1、对雨季降水的稀疏样本进行处理，以获取构建雨季降水预测模型的指导数据；其具体步骤为：S101、基于预测区域内m个观测站点，获取各观测站点n年来每年的雨季月平均降水量形成雨季降水时间序列利用小波分析将雨季降水时间序列分解为六个高频分量：和以及一个低频分量S102、采用可解释方差法对六个高频分量的分散程度进行分析，筛除高频分量中的无意义高频分量；S103、最终得到用于步骤S2的剩余高频分量和一个低频分量；其中，剩余高频分量个数S为对应观测站雨季降水不同时间尺度的有效分解结果S；S2、将各观测站雨季降水不同时间尺度的有效分解结果S作为构建雨季降水预测模型的指导数据，分别对各观测站的雨季降水预测模型进行构建，其具体构建步骤为：S201、利用EEMD法对雨季降水时间序列进行分解，并指定得到S个特征项和1个趋势项；其中，S个特征项为S个雨季降水时间分解序列：包括IMF1，IMF2，…，IMFs，趋势项为第S阶残差rsn；S202、基于S个特征项和1个趋势项，利用Markov模型，依次通过状态等级划分、转移次数矩阵统计、转移概率矩阵计算和加权求和计算，得到该站点对应地S个特征项和1个趋势项在第n+1年的预测数值；步骤S202的具体实施步骤为：S2021、将各雨季降水时间分解序列按照均值偏离标准差的程度划分为五个状态等级，以将各时间分解序列转换为相应的状态序列；S2022、分别对各状态序列进行统计，每个状态序列对应得到5个状态转移次数矩阵F1～F5；然后基于每个状态转移矩阵计算时间跨度分别为1年、2年、3年、4年和5年的5个转移概率矩阵；S2023、根据公式：计算时间跨度分别为1年至5年的自相关系数；式中，t为雨季降水时间分解序列的年序数，其取值范围为1～n；a为时间跨度，其取值为1～5的整数；j的其取值为1～5的整数；为该时间序列分量下各元素的平均值；再将1～5年的自相关系数归一化得到预测的权重；S2024、对第n+1年的雨季降水时间分解序列进行预测：1利用加权求和公式为：对同一状态的概率加权求和，并取得概率最大的状态pi_max对应地状态数值；式中，i为步骤S2021对应的五个状态等级；b为时间跨度；pb为转移概率；2对于S个特征项，利用级别特征值的概念得到最终的预测数值；对于1个残差项，取预测状态区间中位数作为预测数值；级别特征值H根据公式：计算得到；式中，pi为预测结果为状态i时的概率，ε是最大概率的作用指数，在本实施例中，ε＝2；当级别特征值Hi时，预测的数值L按下式计算： 当级别特征值Hi时，预测的数值L按下式计算： 式中，Ti为预测状态i的数值区间的上限，Bi为预测状态i的数值区间的下限；S2025、重复上述步骤S2021至S2025，直至得到剩余S个特征项以及残差项的全部预测结果：IMF2-n+1，IMF3-n+1，IMF4-n+1，IMF5-n+1和rn+1；S203、对步骤S202得到的S个特征项和1个趋势项在第n+1年的预测数值进行加和，所得结果即为该站点在第n+1年的雨季月平均降水量的预测值；S204、重复步骤S201～S203，直至完成m个站点第n+1年雨季月平均降水量的全部预测。

全文数据：

权利要求：

百度查询： 天津理工大学 一种基于稀疏样本的雨季降水年际变化预测方法