天气预报使用软计算和统计技术

莫妮卡·夏尔马¹利尼,马修²,美国Chatterji³

高级讲师、电气与电子工程系RKGIT,阿巴德,印度
学系副教授电气工程、NITTTR、昌迪加尔、印度
教授,系电气工程、NITTTR、昌迪加尔、印度

文摘

天气预报的应用科学和技术来预测大气未来一段时间的状态在给定的位置。它是由收集定量数据的当前状态气氛,过去和现在的经历。在这项研究中自适应神经模糊推理系统(简称ANFIS)和多元线性回归模型被用来分析计量数据集得到的计量。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方程(高)可以很容易地理解一个中等教育农民。自适应神经-模糊推理系统(简称ANFIS)结合人工神经网络(ANN)的功能和模糊推理系统(FIS)来解决不同的问题。数据涵盖了五年(2008 - 2012)的月度的最小和最大温度、风速、相对湿度和平均海平面气压(MSLP)。结果表明,两种模型可以应用于天气预报问题。两种模型的性能评价的基础上,进行了均方根误差(RMSE)表明,简称ANFIS模型取得了更好的结果比多元线性回归模型预测误差较低(高)。

关键字

简称ANFIS、回归、模糊推理系统,RMSE、天气预报。

介绍

天气预报是一个重要的和必要的调查在人类生活中。天气未来是最重要的一个属性来预测,因为农业部门以及许多行业在很大程度上取决于天气状况。天气不仅需要预测未来计划在农业和工业也在许多其他领域,如国防、登山、航运和航空导航等等。它通常是用来警告自然灾害是由于气候条件的突然改变。

在宏观层面上,天气预报使用收集的数据通常是通过遥感卫星。天气参数最高温度、最低温度,降雨量,云,条件,风力流及其方向,预计这些气象卫星拍摄的图像和数据访问的未来趋势。看不到本文多元线性回归(MLR)和自适应神经模糊推理系统(简称ANFIS)是用于开发模型预测天气参数。该模型能够预测一个特定的天气条件站在本地使用收集的数据。

数据集,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),这些数据仅仅是德里的天气条件。进行分析和预测,我们应用简称ANFIS和多元线性回归技术数据,最后这两个模型的性能比较的基础上,均方根误差(RMSE)。

本文简称ANFIS MATLAB模糊逻辑工具箱用于设计简称ANFIS模型。这些工具将模糊推理技术应用到数据建模。简称ANFIS工具箱函数构造一个模糊推理系统(FIS)的隶属函数参数调整(调整)使用反向传播算法。这使得我们的模糊系统学习从数据建模。

文献调查

Oyediran等人在[1]相比,自适应神经模糊推理系统(简称ANFIS)和多层感知器(MLP)人工神经网络(ANN)模型来分析计量数据集获得从计量站。数据涵盖一百一十年(2002 - 2012)的月度的最小和最大温度、降水、风跑,和相对湿度。绩效评价的两个模型进行显示,简称ANFIS模型产生更好的结果比MLP ANN模型预测误差较低。

Gholam等人在[2]表明,软计算技术是很有前途的和有效的。均方根误差通过使用模糊推理系统模型得到52毫米。进一步还表示,与传统的人工智能技术利用软计算方法的指导原则对不精确、不确定性,健壮性,部分真理实现温顺和更好的与现实的关系。

周等人在[3]表明,风速的预测是非常重要的使电力系统的调度方案和操作在更高的可靠性,根据风的形成机理,影响因素和内在变化规律,模式识别的一个称为自适应neuron-fuzzy推理系统(简称ANFIS)是用于风速预测。混合算法训练模糊干扰系统的参数,用训练样本,构造模型,预测风速很容易得到。预测结果表明,应用简称ANFIS实践是有效的。

TektaA在[4]提出了一个比较研究的统计和神经模糊网络模型预测的天气Goztepe,伊斯坦布尔,土耳其。发展模型,九年的数据(2000 - 2008)组成的日平均温度(度)、气压、风速已经被使用。基于自适应网络模糊推理系统(简称ANFIS)和汽车回归移动平均(ARIMA)模型应用。绩效评估的标准计算估算和比较ARIMA的表演和简称ANFIS模型。简称ANFIS, ARIMA模型的性能比较由于美(移动平均误差),RMSE(均方误差)标准,表明简称ANFIS会产生更好的效果。

帕拉斯等人在[5]开发了一种多元线性回归(高)用于开发一个模型来预测天气参数。该模型能够预测一个特定的天气条件站在本地使用收集的数据。数据处理来获得一些统计指标时间序列中提取隐藏信息。相关性的基础上,选择特征作为输入的模型。得到回归方程参数的预测,这称为目标。整个数据集分为两部分,首先是用于获得高方程和剩下的是用于测试模型。MS Excel的力量被用来处理数据和现在的结果简单的可以理解的形式。

看不到多元线性回归(MLR)模型

回归解释的本质关系,即。,the average probable change in one variable given by a certain amount of change in the other variable. The general equation of regression of Y on X is

开发提出的模型、参数∝β1,β2…………βkare估计使用训练样本集。X1, X2, X3……。前面提到的Xk中提取的特征。

决心,系数r2,解释因变量的变化的程度Y是独立变量x,它所表达的是获得

高r2表明存在两个变量之间的线性关系。如果r2 = 1,则表明它完美的两个变量之间的关系。

自适应神经模糊推理系统(简称ANFIS)

一种自适应的网络是一个网络节点和定向链接。与网络相关联的是一个学习规则:例如反向传播。叫做适应性因为一些或所有的节点参数影响的输出节点。网络学习输入和输出之间的关系。简称ANFIS方法学习规则和隶属度函数的数据。简称ANFIS架构提出了如图2所示。

当训练网络有一个向前和向后传球。提出通过传播通过网络输入向量层的层。向后传递,通过网络传回错误在某种程度上类似于反向传播。

图层1

在图层1,每个节点的输出

层2

材料和方法

答:数据预处理

案例研究数据来自天气网站,它涵盖了5年的时间从2008年1月至2012年12月。数据的预处理是第一个。缺失值替换为0。气象数据集,其类型和描述展示在表1.1

用于评估模型的性能标准

根均方误差,这是简单的均方误差的平方根。均方误差给出了误差值相同的维度的实际值和预测值。它是由

结果与讨论

在这项研究中,高钙和简称ANFIS模型旨在预测各种气象参数。天气参数预测最高温度、最低温度、相对湿度、风速和MSLP。每年两个模型数据分为四季如table1.2所示。使用这个季节性和模型训练数据作为输入。

最好的模型适用于预测天气是评估通过计算准确,并预测之间的均方根误差值。从理论上讲,一个预测模型是公认的理想当RMSE很小。结果所有气象参数的RMSE table1.3后所示。

结论

根据获得的结果,可以得出结论,这两个模型能够捕捉的动态行为的天气数据,导致更紧凑和自然的内部表示温度,MSLP、风速和相对湿度信息包含在天气概况。

然而,关于预测精度,简称ANFIS是高度赞赏温度预测,相对湿度,风速。仅供MSLP,回归模型的表现比简称ANFIS模型。

引用

Oyediran o F。,Adeyemo A. B., “Performance Evaluation of Neural Network MLP and ANFIS models for Weather Forecasting Studies”, African Journal of Computing & ICT, IEEE, Vol. 6, No. 1, March 2013.
Fallah-Ghalhary Gholam阿巴斯;Mousavi-Baygi,穆罕默德,Nokhandan Majid哈比比,“年降雨量预测通过Mamdani模糊推理系统”,研究环境科学学报,3卷,第4期,页400 - 407,2009年8月。
回族周,北京交通,美黄Xinfhua Wu”预测的风速和风力发电机基于模式识别的力量”,美国IEEE工业机电一体化和自动化国际会议上,成都,504 - 508页,2009年5月。
穆罕默德TektaA”,天气预报使用简称ANFIS和ARIMA模型:一个案例研究伊斯坦布尔”,环境研究,工程和管理、1号(51),页5 - 10,2010年3月。
Sanjay Mathur帕拉斯,“简单的天气预报模型用数学回归”,印度研究杂志》的推广教育特刊,第1卷,2012年1月。
Mathur年代。,Shukla A.K., Pant R.P., “A Comparative Study of Neural Network and Regression Models for Estimating Stock Prices”, Proceedings of the IEEE International Conference on Optimization Techniques and its Applications in Engineering and Technology, September, 2001.
拉赫曼M。,Islam A.H.M.S., Nadvi S.Y.M., Rahman, R.M., “Comparative study of ANFIS and ARIMA model for weather forecasting in Dhaka”, Proceedings of the IEEE International Conference on Informatics, Electronics & Vision (ICIEV), Dhaka, pp 1-6, May, 2013. .
Jiansheng吴,一种新颖的非线性整体降雨量预测模型结合线性和非线性回归”,对自然计算IEEE第四国际研讨会论文集(ICNC ' 08),济南,第三卷,pp品种马非常,10月,2008年。
Khadangi E。,Madvar H.R., Ebadzadeh M.M., “Comparison of ANFIS and RBF models in daily stream flow forecasting”, Proceedings of the IEEE 2nd International Conference on Computer, Control and Communication, Karachi, pp 1-6, Februrary,2009.
Awan正当,Deg-hyo Bae, “Application of Adaptive Neuro-Fuzzy Inference System for dam inflow prediction using long-range weather forecast”, Proceedings of the IEEE Eighth International Conference on Digital Information Management (ICDIM), Islamabad, pp 247- 251, September,2013.
Dae Myung桢,Deg-Hyo Bae Gwangseob金,“月度水坝流入预测使用天气预报信息和neurofuzzy技术”,水文科学,刘能译,不。1、99 - 113页,2010年1月。