本發(fā)明屬于測控技術(shù)領(lǐng)域，具體是一種基于支持向量機的錢塘江潮時預(yù)報方法。
背景技術(shù)：
當(dāng)東海潮進入杭州灣后，由于河口突然由寬變窄，促進水位的驟然升高，形成明顯的潮頭，隨著后面潮水的繼續(xù)涌入，最終形成了驚濤駭浪，萬馬奔騰的壯觀涌潮奇景，即為聞名中外的錢塘江涌潮。隨著錢塘江流域經(jīng)濟迅速發(fā)展，外來游客和居住人口逐年增加，為保障沿江居民安全、船舶航行安全以及沿岸工程設(shè)施，精確的涌潮預(yù)報越發(fā)受到各方關(guān)注。
實際應(yīng)用中，錢塘江涌潮預(yù)報主要采用依據(jù)經(jīng)驗?zāi)Ｐ偷母羧諟蠓?，即通過前一天涌潮到達各個站點的時間預(yù)報該天涌潮到達各個站點的時間。這類方法主要缺點是受預(yù)報日當(dāng)天江道地形、涌潮的流速、風(fēng)向及大小和上游洪水等自然因素的影響，使得預(yù)報精度不夠理想。
支持向量機(Support Vector Machine-SVM)，是近年發(fā)展起來的一種適用于小樣本的統(tǒng)計學(xué)習(xí)理論。與人工神經(jīng)網(wǎng)絡(luò)相比，具有結(jié)構(gòu)簡單、計算效率高、所需訓(xùn)練樣本少以及泛化能力強等優(yōu)點。這些特點使其更適用于錢塘江涌潮預(yù)報。
技術(shù)實現(xiàn)要素：
本發(fā)明針對現(xiàn)有技術(shù)的不足，提供一種基于支持向量機的錢塘江潮時預(yù)報方法，目的在于對錢塘江潮時進行準(zhǔn)確預(yù)報。
該方法的具體步驟是：
步驟1：讀取歷史涌潮到達時間td(n)、對應(yīng)站點和聞家堰的前一次高潮位g(n-1)、gw(n-1)，根據(jù)連續(xù)兩日涌潮到達時間計算隔日時間差數(shù)據(jù)dt(n)，以分鐘作為單位，
dt(n)＝td(n+1)-td(n) n＝1,2,3,... (1)
步驟2：歷史高潮位數(shù)據(jù)和連續(xù)兩日隔日時間差數(shù)據(jù)進行歸一化處理
根據(jù)式(2)對歷史高潮位數(shù)據(jù)進行歸一化，
其中xmax為歷史高潮位數(shù)據(jù)中的最大值，xmin為歷史高潮位數(shù)據(jù)中的最小值。x為待處理的歷史高潮位數(shù)據(jù)，為歷史高潮位數(shù)據(jù)歸一化處理后的值。
連續(xù)兩日隔日時間差數(shù)據(jù)歸一化處理方法為：
步驟3：根據(jù)預(yù)報日從歷史數(shù)據(jù)中挑選同條件下的數(shù)據(jù)構(gòu)造訓(xùn)練樣本。
農(nóng)歷上，不同年相似月的數(shù)據(jù)可近似認(rèn)為同條件下的數(shù)據(jù)，而其他不同月的數(shù)據(jù)為不同條件下的數(shù)據(jù)。這里根據(jù)預(yù)測日期的不同而分別建立訓(xùn)練模型，選擇的訓(xùn)練樣本同預(yù)測日期為同條件下的數(shù)據(jù)，即選擇訓(xùn)練樣本與預(yù)測日期不同年相似月的數(shù)據(jù)。另一方面，隨著時間延遲增大，不同年相似月數(shù)據(jù)相關(guān)性亦逐漸減小，為保證訓(xùn)練樣本與預(yù)測日的相關(guān)性足夠大，選擇預(yù)測日期近5年內(nèi)相似月份的隔日時間差數(shù)據(jù)作為訓(xùn)練樣本。
利用歸一化后的歷史數(shù)據(jù)構(gòu)造訓(xùn)練樣本，將預(yù)報日前4個連續(xù)兩日隔日時間差4日中最后一次涌潮高潮水位以及相應(yīng)的聞家堰高潮水位作為5個輸入，第i日的隔日時間差作為輸出值。以此類推可以構(gòu)建輸入矩陣P和目標(biāo)矩陣T。因此輸入矩陣P每行為6個數(shù)據(jù)，目標(biāo)矩陣每行為1個數(shù)據(jù)。同樣，該兩矩陣均為N-3行，N為歷史數(shù)據(jù)長度。
其中，i表示預(yù)測目標(biāo)日的農(nóng)歷日序號；k表示預(yù)測目標(biāo)年份序號，例如k＝0表示預(yù)測年，k＝1表示預(yù)測年前一年，以此類推。
步驟4：利用訓(xùn)練樣本訓(xùn)練支持向量機模型。
調(diào)用Matlab7.10.0函數(shù)庫中的svmtrain函數(shù)進行支持向量機模型訓(xùn)練，主要參數(shù)包括核函數(shù)選取、損失函數(shù)ε和懲罰因子參數(shù)C的確定。支持向量機常用核函數(shù)包括多項式核函數(shù)、徑向基函數(shù)(RBF)核函數(shù)、Sigmoid核函數(shù)，通常選用RBF函數(shù)；損失函數(shù)ε決定了回歸誤差期望，其取值大小將會影響相應(yīng)模型的支持向量數(shù)量以及泛化能力，ε取值越大，相應(yīng)模型支持向量減小，預(yù)測精度越低，反之亦然，ε一般取為(0.0001～0.01)；懲罰因子參數(shù)C主要用于平衡逼近誤差以及模型復(fù)雜度，C的值越大，相應(yīng)模型擬合誤差則越小，對數(shù)據(jù)的擬合程度越高，但模型復(fù)雜程度亦越大，C一般取為(1～1000)；
步驟5：利用步驟4得到的支持向量機模型結(jié)合輸入?yún)?shù)得到預(yù)測數(shù)據(jù)。
為了預(yù)測第j天的隔日時間差，將第j日的前4個連續(xù)兩日隔日時間差4日中最后一次涌潮高潮水位以及相應(yīng)的聞家堰高潮水位作為5個輸入，調(diào)用Matlab7.10.0函數(shù)庫中的svmpredict函數(shù)預(yù)測第j日的隔日時間差
步驟6：反歸一化處理隔日時間差，計算預(yù)測潮時。
利用公式(5)對預(yù)測隔日時間差dt(j)predict進行反歸一化處理，通過式(6)得到預(yù)測隔日時間差絕對值
td,predict(j)＝t(j-1)+dt(j) (6)
t(j-1)表示第j-1日的涌潮到達時間。
本發(fā)明的有益效果是：
1.本方法根據(jù)預(yù)報日不同而分別建立訓(xùn)練模型，從歷史數(shù)據(jù)中挑選同條件下的數(shù)據(jù)構(gòu)造訓(xùn)練樣本，使得預(yù)報模型更加準(zhǔn)確，預(yù)測結(jié)果更加可靠。
2.支持向量機是一種適用于小樣本、泛化能力強的預(yù)測模型，使得本方法具有更高泛化能力，同時分析時間較短滿足在線分析需求。
3.整個分析過程快速方便，容易被使用者掌握，同時易于編程實現(xiàn)。
附圖說明
圖1為基于支持向量機的錢塘江潮時預(yù)報方法流程圖。
具體實施方式
以下結(jié)合附圖對本發(fā)明的方法作進一步描述。
如圖1所示，為基于支持向量機的錢塘江潮時預(yù)報方法流程圖，具體實施步驟如下：
步驟1：讀取歷史涌潮到達時間td(n)、對應(yīng)站點和聞家堰的前一次高潮位g(n-1)、gw(n-1)，根據(jù)連續(xù)兩日涌潮到達時間計算隔日時間差數(shù)據(jù)dt(n)，以分鐘作為單位，
dt(n)＝td(n+1)-td(n) n＝1,2,3,... (1)
步驟2：歷史高潮位數(shù)據(jù)和連續(xù)兩日隔日時間差數(shù)據(jù)進行歸一化處理
根據(jù)式(2)對歷史高潮位數(shù)據(jù)進行歸一化，
其中xmax為歷史高潮位數(shù)據(jù)中的最大值，xmin為歷史高潮位數(shù)據(jù)中的最小值。x為待處理的歷史高潮位數(shù)據(jù)，為歷史高潮位數(shù)據(jù)歸一化處理后的值。
連續(xù)兩日隔日時間差數(shù)據(jù)歸一化處理方法為：
步驟3：根據(jù)預(yù)報日從歷史數(shù)據(jù)中挑選同條件下的數(shù)據(jù)構(gòu)造訓(xùn)練樣本。
農(nóng)歷上，不同年相似月的數(shù)據(jù)可近似認(rèn)為同條件下的數(shù)據(jù)，而其他不同月的數(shù)據(jù)為不同條件下的數(shù)據(jù)。這里根據(jù)預(yù)測日期的不同而分別建立訓(xùn)練模型，選擇的訓(xùn)練樣本同預(yù)測日期為同條件下的數(shù)據(jù)，即選擇訓(xùn)練樣本與預(yù)測日期不同年相似月的數(shù)據(jù)。另一方面，隨著時間延遲增大，不同年相似月數(shù)據(jù)相關(guān)性亦逐漸減小，為保證訓(xùn)練樣本與預(yù)測日的相關(guān)性足夠大，選擇預(yù)測日期近5年內(nèi)相似月份的隔日時間差數(shù)據(jù)作為訓(xùn)練樣本。
利用歸一化后的歷史數(shù)據(jù)構(gòu)造訓(xùn)練樣本，將預(yù)報日前4個連續(xù)兩日隔日時間差4日中最后一次涌潮高潮水位以及相應(yīng)的聞家堰高潮水位作為5個輸入，第i日的隔日時間差作為輸出值。以此類推可以構(gòu)建輸入矩陣P和目標(biāo)矩陣T。因此輸入矩陣P每行為6個數(shù)據(jù)，目標(biāo)矩陣每行為1個數(shù)據(jù)。同樣，該兩矩陣均為N-3行，N為歷史數(shù)據(jù)長度。
其中，i表示預(yù)測目標(biāo)日的農(nóng)歷日序號；k表示預(yù)測目標(biāo)年份序號，例如k＝0表示預(yù)測年，k＝1表示預(yù)測年前一年，以此類推。
步驟4：利用訓(xùn)練樣本訓(xùn)練支持向量機模型。
調(diào)用Matlab7.10.0函數(shù)庫中的svmtrain函數(shù)進行支持向量機模型訓(xùn)練，主要參數(shù)包括核函數(shù)選取、損失函數(shù)ε和懲罰因子參數(shù)C的確定。支持向量機常用核函數(shù)包括多項式核函數(shù)、徑向基函數(shù)(RBF)核函數(shù)、Sigmoid核函數(shù)，通常選用RBF函數(shù)；損失函數(shù)ε決定了回歸誤差期望，其取值大小將會影響相應(yīng)模型的支持向量數(shù)量以及泛化能力，ε取值越大，相應(yīng)模型支持向量減小，預(yù)測精度越低，反之亦然，ε一般取為(0.0001～0.01)；懲罰因子參數(shù)C主要用于平衡逼近誤差以及模型復(fù)雜度，C的值越大，相應(yīng)模型擬合誤差則越小，對數(shù)據(jù)的擬合程度越高，但模型復(fù)雜程度亦越大，C一般取為(1～1000)；
步驟5：利用步驟4得到的支持向量機模型結(jié)合輸入?yún)?shù)得到預(yù)測數(shù)據(jù)。
為了預(yù)測第j天的隔日時間差，將第j日的前4個連續(xù)兩日隔日時間差4日中最后一次涌潮高潮水位以及相應(yīng)的聞家堰高潮水位作為5個輸入，調(diào)用Matlab7.10.0函數(shù)庫中的svmpredict函數(shù)預(yù)測第j日的隔日時間差
步驟6：反歸一化處理隔日時間差，計算預(yù)測潮時。
利用公式(5)對預(yù)測隔日時間差dt(j)predict進行反歸一化處理，通過式(6)得到預(yù)測隔日時間差絕對值
td,predict(j)＝t(j-1)+dt(j) (6)
t(j-1)表示第j-1日的涌潮到達時間。