日气温多元时间序列局部支持向量回归预测

气温预报是天气预报的重要因素之一,但大气系统是一个复杂的非线性系统,要提高预报精度,需要探索新的预报方法。研究一种多元时间序列局部支持向量回归的日气温预测方法,以日最高、最低气温为例,使用C-C方法和最小预测误差法构造日最高、最低气温的多元时间序列,将分段提取最近邻点的方法应用于局部支持向量回归,建立提前1天的每日最高、最低气温局部预测模型。以中国753站资料包中的数据进行仿真实验,与欧氏距离提取最近邻点相比,分段提取最近邻点的方法能有效提高日气温的预测精度。多元时间序列局部预测模型在日气温的短期预测(10天以内)上比单元时间序列有着更好的应用价值。

基于数据依赖核支持向量机回归的风速预测模型

针对风速随机性大、影响因素多、预测准确度不高的情况,基于支持向量机与信息几何的统计学关联性,从信息几何学角度分析核函数的几何结构,构造数据依赖核函数,并与支持向量机回归相结合,形成数据依赖核支持向量机回归(Data Dependent Kernel-SVR,DDK-SVR)方法.将该方法用于风速预测中,建立DDK-SVR风速预测模型,并将预测结果与传统支持向量机、神经网络方法进行对比.结果表明,DDK-SVR方法具有更高的预测精度.