基于KNN回归算法的浙江省温度预报改进研究

基于2016-2018年ECMWF模式温度预报和浙江省72个国家基本站观测资料,根据温度日变化特征,采用K-近邻(KNN)回归算法进行误差订正,改进浙江省172 h精细化温度预报。在KNN回归算法中,将模式起报时刻的温度视作“背景”,由模式预报减去起报时刻温度消除“背景”影响,得到温度日变化曲线,通过温度日变化曲线构建差异指标,选取历史相似个例。根据历史相似个例的误差特征,对温度预报进行订正,得到改进的温度预报。检验结果表明,KNN方案的温度预报平均绝对误差较ECMWF和30 d滑动平均误差订正方案(OCF)的分别减小26.2%和5.2%;日最高和最低温度预报误差绝对值小于2℃,准确率较ECMWF的分别提高14.8%和4.3%,较OCF的分别提高3.0%和1.3%。KNN方案对地形复杂地区的温度预报改进效果更为明显,对冷空气活动和夏季高温等天气过程预报改善效果也较稳定。

基于机器学习的乙烯裂解过程模型比较与集成

乙烯是石油化工的重要产品,蒸汽裂解生产乙烯的工艺十分复杂。构建精确的石脑油裂解模型,可以实现石脑油裂解制乙烯过程的裂解深度快速、准确预测。该文比较了支持向量回归、k-近邻回归和极限梯度提升3种机器学习模型。通过具有噪声的基于密度的聚类算法(DBSCAN)和局部异常因子检测算法,对工业数据集进行重要变量和样本筛选,训练3个子模型,并构建集成模型以提高预测效果。集成模型结合各子模型的优势,减轻过拟合、对噪声敏感等不足,加强稳定性与泛化能力。实测集成模型的预测值R~2为0.955,平均绝对百分比误差约为0.23%,满足过程研究和工业应用的实际需求。