研究建立了基于时间序列分解的神经网络模型,能对降雨时间序列挖掘并预测。(1)以桓台县1979-2018年的480组月降雨数据为例,将降雨时间序列分解为趋势项、周期项、突变项与随机项。(2)采用累积距平法、Mann-Kendall趋势分析法、Hurst指...研究建立了基于时间序列分解的神经网络模型,能对降雨时间序列挖掘并预测。(1)以桓台县1979-2018年的480组月降雨数据为例,将降雨时间序列分解为趋势项、周期项、突变项与随机项。(2)采用累积距平法、Mann-Kendall趋势分析法、Hurst指数法、特征点法方法进行趋势性分析;小波分析法进行周期性分析;Mann-Kendall突变检验法和Pettitt法进行突变性分析;采用自相关法和单位根法对随机项进行检验。(3)以1979-2014年的432组月降雨时间序列随机项为率定数据,2015-2016年数据为验证数据,分别建立NAR(Nonlinear Auto Regression)与NARX(Nonlinear Auto Regression with External Input)神经网络随机项预测模型,对2017-2018年月降雨数据进行预测,并与直接预测结果对比。结果表明:(1)桓台县1979-2018年月降雨量数据有微弱的上升趋势,预测未来将呈微弱下降趋势,其第一主周期是19(月),数据不存在明显的突变情况。(2)NAR神经网络所得2017-2018年的月降雨量预测值与实测值误差为16.79%。展开更多
文摘研究建立了基于时间序列分解的神经网络模型,能对降雨时间序列挖掘并预测。(1)以桓台县1979-2018年的480组月降雨数据为例,将降雨时间序列分解为趋势项、周期项、突变项与随机项。(2)采用累积距平法、Mann-Kendall趋势分析法、Hurst指数法、特征点法方法进行趋势性分析;小波分析法进行周期性分析;Mann-Kendall突变检验法和Pettitt法进行突变性分析;采用自相关法和单位根法对随机项进行检验。(3)以1979-2014年的432组月降雨时间序列随机项为率定数据,2015-2016年数据为验证数据,分别建立NAR(Nonlinear Auto Regression)与NARX(Nonlinear Auto Regression with External Input)神经网络随机项预测模型,对2017-2018年月降雨数据进行预测,并与直接预测结果对比。结果表明:(1)桓台县1979-2018年月降雨量数据有微弱的上升趋势,预测未来将呈微弱下降趋势,其第一主周期是19(月),数据不存在明显的突变情况。(2)NAR神经网络所得2017-2018年的月降雨量预测值与实测值误差为16.79%。