利用软计算和统计技术进行天气预报

莫妮卡·夏尔马¹， Lini Mathew²，查特吉^3.

印度北方邦加济阿巴德RKGIT电气与电子工程系高级讲师
系副教授电气工程， NITTTR，昌迪加尔，印度
港大学系教授电气工程， NITTTR，昌迪加尔，印度

摘要

天气预报是应用科学和技术来预测特定地点未来一段时间的大气状态。它是通过收集有关当前大气状态和过去和/或现在的经验的定量数据来进行的。本研究采用自适应神经模糊推理系统(ANFIS)和多元线性回归模型对计量站采集的计量数据集进行分析。多元线性回归模型是简单的，因为它使用简单的数学方程，使用多元线性回归(MLR)方程，可以很容易地理解一个中等教育程度的农民。自适应神经-模糊推理系统(ANFIS)结合了人工神经网络(ANN)和模糊推理系统(FIS)的能力来解决不同类型的问题。数据涵盖了5年期间(2008-2012年)的最低和最高温度、风速、相对湿度和平均海平面压力(MSLP)的月平均值。结果表明，两种模型均可应用于天气预报问题。基于均方根误差(RMSE)对两个模型进行性能评价，结果表明，ANFIS模型的预测结果优于多元线性回归(MLR)模型，预测误差更低。

关键字

ANFIS，回归，模糊推理系统，RMSE，天气预报。

介绍

天气预报是人类生活中一个重要而必要的研究领域。未来天气是预测中最重要的因素之一，因为农业部门以及许多行业在很大程度上依赖于天气条件。天气条件不仅需要预测在农业和工业的未来规划，而且在许多其他领域，如国防，登山，航运和航空航天导航等。它经常被用来警告由气候条件突变引起的自然灾害。

在宏观层面上，天气预报通常使用遥感卫星收集的数据。天气参数，如最高温度、最低温度、降雨量、云层、天气状况、风流及其方向，是利用这些气象卫星拍摄的图像和数据来预测未来的趋势。本文采用多元线性回归(MLR)和自适应神经模糊推理系统(ANFIS)建立气象参数预测模型。建议的模型能够利用在当地收集的数据预测特定气象站的天气情况。

在数据集中，有五个参数:最高温度，最低温度，湿度和风速，平均海平面压力(MSLP)，该数据仅关于德里的天气状况。在分析和预测方面，我们应用了ANFIS和多元线性回归技术，最后在均方根误差(RMSE)的基础上比较了这两个模型的性能。

本文利用ANFIS的MATLAB模糊逻辑工具箱设计ANFIS模型。这些工具将模糊推理技术应用于数据建模。ANFIS工具箱函数构造了一个模糊推理系统(FIS)，其隶属度函数参数采用反向传播算法进行调整。这使得我们的模糊系统能够从它们正在建模的数据中学习。

文献调查

Oyediran等人在[1]中比较了自适应神经模糊推理系统(ANFIS)和多层感知器(MLP)人工神经网络(ANN)模型来分析从计量站获得的计量数据集。数据涵盖了十年(2002-2012)的最低和最高温度、降雨量、风力和相对湿度的月平均值。对两种模型进行了性能评估，结果表明，ANFIS模型的预测结果优于MLP ANN模型，预测误差更低。

Gholam等人在[2]中揭示了软计算技术的前景和效率。采用模糊推理系统模型得到的均方根误差为52 mm。此外，还指出，与传统的人工智能技术不同，软计算的指导原则是利用对不精确性、不确定性、鲁棒性和部分真值的容忍度，以实现可处理性和更好地与现实相适应。

Zhou等在[3]中揭示了风速预测对于制定电力系统调度方案和更高可靠性的运行非常重要，根据风的形成机理、影响因素及其固有的变化规律，将模式识别中的自适应神经元-模糊推理系统(ANFIS)应用于风速预测。采用混合算法对模糊干扰系统参数进行训练，利用列车样本建立模型，易于得到预期风速。预测结果表明，将ANFIS应用于实际是有效的。

TektaÃÂ在[4]提出了统计和神经模糊网络模型预测Goztepe天气的比较研究，伊斯坦布尔，土耳其。为了建立模型，使用了9年的数据(2000-2008年)，包括日平均温度(干湿)、气压和风速。应用了基于自适应网络的模糊推理系统(ANFIS)和自回归移动平均(ARIMA)模型。计算了性能评价标准，对ARIMA模型和ANFIS模型的性能进行了估计和比较。在移动平均误差(MAE)、均方根误差(RMSE)条件下，ANFIS和ARIMA模型的性能比较表明，ANFIS的结果更好。

在[5]中，Paras等人开发了多元线性回归(MLR)，用于开发预测天气参数的模型。提出的模型能够利用本地收集的数据预测特定站点的天气状况。对数据进行处理，得到一些统计指标，以提取时间序列中存在的隐藏信息。在相关性的基础上，选择特征作为模型的输入。对所要预测的参数建立回归方程，称其为目标。将整个数据集分为两部分，第一部分用于获得MLR方程，其余部分用于检验模型。使用MS Excel的强大功能来处理数据，并以简单易懂的形式呈现结果。

多元线性回归(mlr)模型

回归解释了关系的本质，即一个变量的平均可能变化由另一个变量的一定数量的变化给出。Y在X上回归的一般方程是

为了建立模型，参数∝，β1，β2 ........利用训练样本集估计β值。X1 x2 x3 .......Xk是前面提到的提取的特征之一。

决定系数r2解释了因变量Y的变化被自变量x表示的程度

较高的r2表明这两个变量之间存在线性关系。如果r2=1，它表示两个变量之间的完美关系。

自适应神经模糊推理系统

自适应网络是由节点和定向链接组成的网络。与网络相关的是一个学习规则:例如反向传播。之所以称其为自适应，是因为部分或全部节点具有影响节点输出的参数。网络学习输入和输出之间的关系。ANFIS方法从数据中学习规则和隶属函数。ANFIS体系结构如图2所示。

在训练网络时，有一个向前传递和一个向后传递。正向传递将输入向量一层一层地传播到网络中。在反向传递中，错误以类似于反向传播的方式通过网络发回。

图层1

在Layer 1中，每个节点的输出为

层2

材料与方法

A.数据预处理

该研究的病例数据来自天气网站，涵盖了2008年1月至2012年12月的5年时间。首先对数据进行预处理。缺失的值被替换为零。气象数据集及其类型和说明见表1.1

B.用于评估模型的性能标准

根均方误差——这只是均方误差的平方根。均方误差使误差值具有与实际值和预测值相同的维数。它是由

结果与讨论

在本研究中，设计了MLR和ANFIS模型来预测各种天气参数。需要预测的天气参数包括最高温度、最低温度、相对湿度、风速和MSLP。对于这两个模型，年数据分为四个季节，如表1.2所示。模型训练时使用这些季节性数据作为输入。

通过计算准确值与预测值之间的均方根误差，来评价适合天气预报的最佳模型。理论上，当RMSE较小时，预测模型被认为是理想的。所有天气参数以RMSE计算的结果见下表1.3。

结论

根据所得的结果，我们可以得出结论，这两个模式都能够捕捉天气数据的动态行为，从而使天气剖面图中包含的温度、MSLP、风速和相对湿度信息的内部表示更加紧凑和自然。

然而，在预测精度方面，ANFIS在温度、相对湿度和风速的预测方面得到了很高的评价。对于MSLP，回归模型优于ANFIS模型。

参考文献

Oyediran O. F.， Adeyemo A. B.，“神经网络MLP和ANFIS模型在天气预报研究中的性能评估”，非洲计算与信息通信学报，第6卷，第1期，2013年3月。
Fallah-Ghalhary, Gholam Abbas;马吉德，马吉德，马吉德，“基于Mamdani模糊推理系统的年降水量预测”，《环境科学研究》，第3卷，第4期，pp -407, 2009年8月。
周慧，黄梅，吴新华，“基于模式识别的风力发电机组风速和功率预测”，机械工程学报，pp 504-508, 2009年5月。
Mehmet TektaÃÂ，“使用ANFIS和ARIMA模型进行天气预报:伊斯坦布尔的案例研究”，环境研究，工程与管理，第1期(51)，pp 5-10, 2010年3月。
桑杰·马瑟(Sanjay Mathur)，“基于数学回归的简单天气预报模型”，《印度推广教育研究杂志》2012年1月特刊。
马图尔·S.，舒克拉·A·k，潘特·r·p .，“神经网络与回归模型在股票价格估计中的比较研究”，工程与技术国际会议论文集，2001年9月。
Rahman M.， Islam a.h.m.s.， Nadvi S.Y.M.， Rahman, r.m.，“达卡天气预报的ANFIS和ARIMA模型的比较研究”，IEEE信息、电子与视觉国际会议论文集，达卡，第1-6页，2013年5月。
吴建生，一种结合线性和非线性回归的非线性集合降雨预报模型”，第四届国际自然计算会议论文集，济南，Vol.3, pp 34-38, 2008年10月。
Khadangi E.， Madvar H.R.， Ebadzadeh M.M.，“ANFIS和RBF模型在日流量预测中的比较”，第二届IEEE计算机控制与通信国际会议论文集，卡拉奇，第1-6页，2009年2月。
Awan J.A, Deg-hyo Bae，“自适应神经模糊推理系统在长期天气预报中的应用”，第八届国际数字信息管理会议论文集，巴基斯坦，第247- 251页，2013年9月。
裴德孝，郑大明，金光锡，“基于神经模糊技术的月度大坝流量预测”，水文科学，vol.52,No. 4。1，页99-113,2010年1月。