基于PSO-LSSVM的干旱区中长期降水预测模型研究

孟锦根

(四川交通职业技术学院 建筑工程系，成都 611130)



基于PSO-LSSVM的干旱区中长期降水预测模型研究

孟锦根

(四川交通职业技术学院 建筑工程系，成都 611130)

降水量的准确预测对于干旱地区的水资源综合利用、抗旱减灾有重要意义。引入基于粒子群算法进行参数寻优的最小二乘支持向量机模型(PSO-LSSVM)，构建考虑7a周期的年降水样本及考虑季节性特征的月降水样本，建立干旱区年、月尺度下的中长期降水预测模型，并应用新疆阿勒泰地区1960—2013年实测降水序列，验证模型的适用性。结果表明：基于粒子群算法与最小二乘支持向量机的中长期降水预测模型预测精度高，泛化能力强，能有效地预测新疆阿勒泰地区年、月降水量。该模型为干旱区中长期降水预测提供了一种可靠的研究思路与方法。

粒子群算法；最小二乘支持向量机；干旱区；阿勒泰地区；降水预测

1 研究背景

降水是区域水循环的重要组成部分，降水量规律及预测研究对于干旱地区水资源的合理开发利用、生态环境的改善和灾害控制具有重要意义[1]。近半个世纪以来，对于干旱区降水规律的研究较多，如于淑秋等[2]对我国西北地区近50a的降水序列研究发现1986年存在明显的降水量跃变点；刘彩红[3]利用多种水文统计分析方法对新疆近45a的气候特征进行研究；鞠彬等[4]对新疆额尔齐斯河流域1962—2013年间降水特征及趋势进行研究。近年来，随着机器学习理论、人工智能算法的发展，出现了许多用于分析复杂非线性关系的模型，如人工神经网络模型[5]、随机森林[6]、贝叶斯网络模型[7]等，运用相关人工智能模型进行地区降水预测逐步成为热点问题之一，如韩焱红等[8]利用贝叶斯理论进行集合降水概率预报；……