摘要:針對天氣數(shù)據(jù)高度非線性化的特點，以貴陽市近一年的天氣數(shù)據(jù)為基礎(chǔ)，結(jié)合神經(jīng)網(wǎng)絡(luò)在非線性系統(tǒng)建模與優(yōu)化求解的優(yōu)勢，提出了一種基于徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)的預(yù)測模型。該模型分別采用以2天、3天直至9天天氣數(shù)據(jù)為一周期對未來1天天氣做出預(yù)測的訓(xùn)練樣本，最后以貴陽市2017年1月的天氣作為測試樣本，并將所預(yù)測的數(shù)據(jù)與真實天氣數(shù)據(jù)對比。仿真結(jié)果表明，RBF神經(jīng)網(wǎng)絡(luò)比現(xiàn)有的預(yù)測方法如BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果具有更高的可行性和有效性。

　　關(guān)鍵詞:徑向基函數(shù);天氣;神經(jīng)網(wǎng)絡(luò);預(yù)測

　　天氣是我們每個人每天都要關(guān)注的內(nèi)容，它幾乎決定了我們所有的衣食住行的問題，因此天氣預(yù)測對我們來說就尤為重要，天氣預(yù)報的主要功能是預(yù)測一個地區(qū)未來一段時期內(nèi)的陰晴雨雪、風(fēng)向和風(fēng)力及最高最低氣溫等狀況[1-2]。隨著生產(chǎn)力的發(fā)展和科技的進(jìn)步，人類活動的范圍日益擴(kuò)大，對自然的影響越來越重要。因此，天氣預(yù)報已成為現(xiàn)代社會不可或缺的重要信息[3]。目前，常用的預(yù)測方法主要有1)灰色模型預(yù)測方法;2)人工神經(jīng)網(wǎng)絡(luò)方法;3)馬爾科夫鏈方法;4)模糊集理論方法等[4-5]。以上的幾種方法中，對于預(yù)測非線性特性的問題，人工神經(jīng)網(wǎng)絡(luò)具有其他方法無法比擬的優(yōu)勢。

　　本文采用的徑向基函數(shù)網(wǎng)絡(luò)RBF具有很強(qiáng)的非線性擬合能力，可映射任何復(fù)雜的線性關(guān)系，且學(xué)習(xí)規(guī)則簡單，易于計算機(jī)實現(xiàn)，具有很強(qiáng)的魯棒性、記憶能力，以及強(qiáng)大的自學(xué)習(xí)能力，因此，徑向基函數(shù)具有廣闊的應(yīng)用前景[6-8]。

　　1RBF神經(jīng)網(wǎng)絡(luò)

　　RBF(RadialBasisFunction)神經(jīng)網(wǎng)絡(luò)是一種雙層前向型神經(jīng)網(wǎng)絡(luò)，其包含一個具有徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的隱層和一個具有線性神經(jīng)元的輸出層。隱單元的數(shù)目取決于問題的需要，隱單元的變換函數(shù)是RBF徑向基函數(shù)，它是一個對中心點徑向且衰減的非負(fù)非線性函數(shù);第二層是輸出層，它對輸入模式的不同作用而作出不同反應(yīng)。從輸入空間到隱層空間的變換是非線性的，從隱層空間到輸出層空間的變換是線性的[9]。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

　　徑向基函數(shù)神經(jīng)元的傳遞函數(shù)雖然形式多種多樣，但最常見的形式還是高斯函數(shù)(radbas)。其網(wǎng)絡(luò)輸入為權(quán)值向量w與輸入向量x之間的向量距離乘以閾值b，即d=radbas(dist(w，x)*b)。徑向基傳遞函數(shù)可以用如下形式表示:radbas(n)=e-n2(1)

　　徑向基神經(jīng)元模型的圖形如圖2所示。

　　2天氣預(yù)測模型的建立

　　2.1天氣預(yù)測原理

　　天氣的變化看似變化無常，但其變化規(guī)律在長時期的演化過程中卻會表現(xiàn)出一定的規(guī)律，某地某日的天氣與當(dāng)?shù)氐臍鉁�、氣壓、風(fēng)速等眾多因素有關(guān)[10]，天氣的變化具有非線性的特點。RBF神經(jīng)網(wǎng)絡(luò)對非線性連續(xù)函數(shù)具有一致逼近性，學(xué)習(xí)速度快，可以進(jìn)行大范圍的數(shù)據(jù)融合以及并行高速地處理數(shù)據(jù)。RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)異特性使其比BP神經(jīng)網(wǎng)絡(luò)更具生命力，并且在越來越多的領(lǐng)域取代了BP神經(jīng)網(wǎng)絡(luò)[11-13]。

　　本文利用所收集的歷史天氣數(shù)據(jù)，將其轉(zhuǎn)化為對應(yīng)的數(shù)字信息，把數(shù)個數(shù)字信息形成一組數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，每組數(shù)據(jù)都對應(yīng)一個輸出數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸出。以這些歷史天氣數(shù)據(jù)訓(xùn)練形成一個預(yù)測模型，使得預(yù)測的結(jié)果與實際的結(jié)果誤差最小。基于RBF神經(jīng)網(wǎng)絡(luò)的天氣預(yù)測模型的具體預(yù)測流程如下圖3所示。

　　2.2天氣數(shù)據(jù)的收集

　　由于天氣變化多端，一天中就可能出現(xiàn)多種天氣狀況，比如某天上午為天晴，下午就轉(zhuǎn)為陣雨，又比如某天上午為小雨，下午又轉(zhuǎn)為大雨，這為收集數(shù)據(jù)帶來了一定的麻煩。為了方便，現(xiàn)約定天氣狀態(tài)標(biāo)準(zhǔn)如下表1所示。

　　收集的歷史數(shù)據(jù)來源于2345天氣預(yù)報網(wǎng)站，記錄了貴陽市從2016年1月至2016年12月共366天，2012年至2017年六年間的1月共186天的天氣情況，具體情況如下表2、表3所示:

　　對于表2中2016年一整年的天氣數(shù)據(jù)、表3中2012年至2016年五年間的1月天氣數(shù)據(jù)分別作為訓(xùn)練樣本，表3中的2017年1月的天氣數(shù)據(jù)為測試樣本。分別采用2016年一整年的天氣數(shù)據(jù)以及2012年至2016年五年間的1月的天氣數(shù)據(jù)作為訓(xùn)練樣本的兩種方式對2017年1月的天氣做出預(yù)測，最后與實際天氣數(shù)據(jù)對比。

　　2.3網(wǎng)絡(luò)設(shè)計和訓(xùn)練

　　應(yīng)用newrbe()函數(shù)可快速設(shè)計一個徑向基函數(shù)網(wǎng)絡(luò)，且使得設(shè)計誤差為0，調(diào)用方式如下[14]:net=newrbe(P，T，spread)(2)其中，P為輸入向量，T為期望輸出向量(目標(biāo)值)，spread為徑向基層的散布常數(shù)，默認(rèn)值為1。輸出為一個徑向基網(wǎng)絡(luò)，其權(quán)重和閾值完全滿足輸入和預(yù)期值之間的關(guān)系。但應(yīng)用newrbe()函數(shù)設(shè)計網(wǎng)絡(luò)時，徑向基神經(jīng)元的數(shù)目與輸入向量的個數(shù)是相等的，那么在輸入向量較多的情況下，則需要更多的神經(jīng)元，這就給網(wǎng)絡(luò)設(shè)計帶來一定的難度。newrbe()則能更有效地進(jìn)行網(wǎng)絡(luò)設(shè)計。

　　用徑向基函數(shù)網(wǎng)絡(luò)逼近函數(shù)時，newrbe()函數(shù)可以自動增加函數(shù)中隱含層神經(jīng)元數(shù)目，直到均方差滿足精度或達(dá)到最大神經(jīng)元數(shù)為止，其調(diào)用方式如下[15]:net=newrb(P，T，GOAL，spread)(3)其中，P，T，spread變量意義同上，GOAL為訓(xùn)練精度。

　　3仿真研究

　　首先，圖4模擬了貴陽市從2016年1月至2016年12月的天氣情況，其中陰天占57.9235%，共計212天;雨天占37.43169%，共計137天;晴天占4.64481%，共計17天。由圖可知近一年貴陽的天氣主要以陰天為主，其次是雨天，最后是晴天。

　　3.1預(yù)測結(jié)果

　　通過收集到的貴陽市2016年1月至2016年12月366天的天氣數(shù)據(jù)，分別做了2天為一組、3天為一組直至9天為一組來預(yù)測下一天天氣的訓(xùn)練樣本，并分別得到一個預(yù)測模型。最后把收集到的2017年1月的天氣數(shù)據(jù)作為測試數(shù)據(jù)，通過上述的預(yù)測模型得到相應(yīng)預(yù)測數(shù)據(jù)，再與測試數(shù)據(jù)對比，最終仿真結(jié)果如下圖5所示。

　　同樣，通過把收集的2012年至2016年五年間的1月的天氣數(shù)據(jù)作為訓(xùn)練樣本，還是以2017年1月的天氣數(shù)據(jù)作為測試數(shù)據(jù)，也分別做了2天為一組、3天為一組直至9天為一組來預(yù)測未來一天天氣的訓(xùn)練樣本，并分別得到一個預(yù)測模型，與實際天氣做對比后的最終仿真結(jié)果如下圖6所示。

　　3.2預(yù)測結(jié)果分析

　　通過以上收集的2016年1月至2016年12月共366天與2012年至2016年五年間的1月共155天的天氣數(shù)據(jù)建立的基于徑向基函數(shù)的神經(jīng)網(wǎng)絡(luò)天氣預(yù)測模型得到了相應(yīng)的預(yù)測精度，再與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度對比后的天氣預(yù)測精度對比圖如下圖7所示。

　　由仿真結(jié)果可知，以一整年天氣數(shù)據(jù)為訓(xùn)練樣本的預(yù)測模型的精度最高，平均預(yù)測精度高達(dá)76.61%;其次是以近五年1月天氣數(shù)據(jù)為訓(xùn)練樣本的預(yù)測模型，平均預(yù)測精度為76.21%;以上兩種都是基于徑向基神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，且最高精度都出現(xiàn)在以2天為一組的預(yù)測模型中，由此可知，某天的天氣與其前兩天的天氣關(guān)系最大。最后BP神經(jīng)網(wǎng)絡(luò)的平均預(yù)測精度僅為74.19%，且預(yù)測精度一直保持不變，并未體現(xiàn)出天氣之間的聯(lián)系。

　　4結(jié)束語

　　RBF神經(jīng)網(wǎng)絡(luò)可以根據(jù)具體問題確定相應(yīng)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，具有自學(xué)習(xí)、自組織和自適應(yīng)的功能。由以上仿真結(jié)果，很容易體會到徑向基網(wǎng)絡(luò)的作用，它強(qiáng)大的學(xué)習(xí)能力，以及自適應(yīng)能力使得其得出的結(jié)果很令人滿意，與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測情況相比，它不依賴于天氣數(shù)據(jù)本身，而且還具有更高的預(yù)測精度，在以后更多的應(yīng)用場景中，徑向基網(wǎng)絡(luò)還將發(fā)揮它更大的作用。

　　參考文獻(xiàn):

　　[1]李澤椿，畢寶貴，金榮花，等.近10年中國現(xiàn)代天氣預(yù)報的發(fā)展與應(yīng)用[J].氣象學(xué)報，2014，76(06):1069-1078.

　　[2]馬樹慶.現(xiàn)代農(nóng)用天氣預(yù)報業(yè)務(wù)及其有關(guān)問題的探討[J].中國農(nóng)業(yè)氣象，2012，33(02):278-282+288.

　　[3]德慶央宗，次仁.論短時天氣預(yù)報在防災(zāi)減災(zāi)中的作用[J].科技展望，2015，25(27):258.

　　[4]FabioMurena.Measuringairqualityoverlargeurbanareas:developmentandapplicationofanairpollutionindexattheurbanareaofNaples[J].FabioMurena.AtmosphericEnvironment，2004，38(36):6195-6202.

　　[5]王唯賢，陳利軍.股票價格預(yù)測的建模與仿真研究[J].計算機(jī)仿真，2012，29(1):344-347.

　　[6]孫麗英，葛超，朱藝.RBF神經(jīng)網(wǎng)絡(luò)在函數(shù)逼近領(lǐng)域內(nèi)的研究[J].計算機(jī)與數(shù)字工程，2007，35(08):121-123+202.

　　[7]葛哲學(xué)，孫志強(qiáng).神經(jīng)網(wǎng)絡(luò)理論與MATLABR2007實現(xiàn)[M].北京:電子工業(yè)出版社，2007:107-126.

　　[8]戴文戰(zhàn)，婁海川，楊愛萍.非線性系統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測控制研究進(jìn)展[J].控制理論與應(yīng)用，2009，26(5):521-530.

　　[9]熊聰聰，潘璇，趙奇，等.多模式集成的RBF神經(jīng)網(wǎng)絡(luò)天氣預(yù)報[J].天津科技大學(xué)學(xué)報，2014，29(01):75-78.

　　[10]陳億.近十年中國北方沙塵天氣變化特征及其成因研究[D].蘭州:蘭州大學(xué)，2013.

　　[11]付世鳳，陳瑞志，王麗麗.BP網(wǎng)絡(luò)與RBFNN網(wǎng)絡(luò)比較研究[J].現(xiàn)代商貿(mào)工業(yè)，2010:22(16):312-313.

　　[12]黃文明，徐雙雙，鄧珍榮，等.改進(jìn)人工蜂群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測[J].計算機(jī)工程與科學(xué)，2016，38(04):713-719.

　　[13]劉鑫.神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)丟包預(yù)測中的應(yīng)用[J].渤海大學(xué)學(xué)報(自然科學(xué)版)，2012，33(03):248-254.

　　[14]喬俊飛，韓紅桂.RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)動態(tài)優(yōu)化設(shè)計[J].自動化學(xué)報，2010，36(06):865-872.

　　[15]董長虹.Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M].2版.北京:國防工業(yè)出版社，2007:121-126.

轉(zhuǎn)載請注明來自：http://www.jinnzone.com/nongyehuanjingkexuelw/67598.html