本發(fā)明涉及氣象預(yù)報(bào)領(lǐng)域。更具體地說，本發(fā)明涉及一種基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法。

背景技術(shù)：

旅游業(yè)是嚴(yán)重依賴自然環(huán)境和氣象條件的產(chǎn)業(yè)，氣象條件是影響旅游安全和旅游質(zhì)量的重要因素。旅游氣象災(zāi)害已經(jīng)成為氣象部門和旅游管理部門越來越關(guān)注的問題，如何正確地預(yù)報(bào)預(yù)測(cè)景區(qū)及周邊的惡劣天氣，如何準(zhǔn)確有效地做好旅游災(zāi)害預(yù)警服務(wù)、如何及時(shí)有效地幫助游客規(guī)避旅游災(zāi)害風(fēng)險(xiǎn)和做到安全健康出行，最大限度地保障人民生命財(cái)產(chǎn)安全，已經(jīng)成為刻不容緩的研究課題。

由于氣象災(zāi)害種類繁多，同時(shí)氣象要素對(duì)氣象災(zāi)害的成因影響關(guān)系復(fù)雜，因此如何建立氣象要素與氣象災(zāi)害之間的映射聯(lián)系，一直是氣象學(xué)中的重點(diǎn)和難點(diǎn)問題之一。經(jīng)過長期研究，目前氣象學(xué)中通常采用以下三種方法建立氣象要素與氣象災(zāi)害之間的映射聯(lián)系：一是利用灰色預(yù)測(cè)模型中的拓?fù)淠Ｐ?，利用繪制曲線來建立氣象要素與氣象災(zāi)害關(guān)系，從而得到與預(yù)測(cè)未來數(shù)值的模型，但是該模型的建立對(duì)樣本數(shù)據(jù)要求較高，一旦原始數(shù)據(jù)有波動(dòng)就極易產(chǎn)生預(yù)測(cè)壞點(diǎn)；二是采取平穩(wěn)時(shí)間序列分析法，根據(jù)統(tǒng)計(jì)學(xué)統(tǒng)計(jì)出的因果關(guān)系建立方程，求得相關(guān)系數(shù)，該方法的缺陷是模型一旦建立，系數(shù)就確定不變，無法適應(yīng)多變的天氣現(xiàn)象演變規(guī)律；三是用周期疊加、神經(jīng)網(wǎng)絡(luò)等非線性預(yù)測(cè)模型建立曲線方程，通過海溫格點(diǎn)對(duì)未來趨勢(shì)進(jìn)行預(yù)測(cè)，該方法預(yù)測(cè)精度較高，但是計(jì)算復(fù)雜且需要對(duì)結(jié)果進(jìn)行多次調(diào)試，在實(shí)際中難以得到較好應(yīng)用。而氣象要素?cái)?shù)值的獲取一般是通過常規(guī)氣象觀測(cè)設(shè)施探測(cè)或現(xiàn)代天氣數(shù)值預(yù)報(bào)模式推演輸出獲得，其中現(xiàn)代天氣數(shù)值預(yù)報(bào)模式對(duì)中大區(qū)域范圍的氣象要素預(yù)報(bào)準(zhǔn)確度非常高，是當(dāng)前天氣預(yù)報(bào)業(yè)務(wù)中最常用的方式。

近年來，國家在旅游防災(zāi)減災(zāi)方面做了大量的工作，各地氣象部門在氣候景觀、旅游舒適度等旅游氣象指數(shù)等方面也做了大量的理論研究與應(yīng)用服務(wù)，特別是復(fù)雜地貌的景區(qū)更是缺乏，不能形成有效服務(wù)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法，利用偏相關(guān)分析法確定目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠?，得到目?biāo)景區(qū)的主要?dú)庀笠氐臍v史數(shù)據(jù)與數(shù)值預(yù)報(bào)模式輸出數(shù)據(jù)的差異集，并分別利用基因表達(dá)式編程算法計(jì)算得到氣象災(zāi)害與主要?dú)庀笠刂g的映射關(guān)系函數(shù)集和氣象災(zāi)害與主要?dú)庀笠刂g的差異映射關(guān)系函數(shù)集，然后對(duì)預(yù)測(cè)函數(shù)集進(jìn)行差異疊加修正得到目標(biāo)景區(qū)氣象災(zāi)害的預(yù)測(cè)模型，最后代入數(shù)值預(yù)報(bào)模式輸出的各氣象要素值，即可預(yù)測(cè)出各種氣象災(zāi)害的可能發(fā)生情況，克服了現(xiàn)有技術(shù)中所存在的樣本數(shù)據(jù)要求高、適應(yīng)能力差、計(jì)算過程復(fù)雜等不足等問題，能為景區(qū)災(zāi)害防控和管理提供很好的決策支持。

為了實(shí)現(xiàn)根據(jù)本發(fā)明的這些目的和其它優(yōu)點(diǎn)，提供了一種基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法，包括以下步驟：

步驟一、收集目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的歷史數(shù)據(jù)，其包括目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的時(shí)間和發(fā)生該氣象災(zāi)害的氣象要素?cái)?shù)據(jù)，建立目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的歷史氣象要素?cái)?shù)據(jù)庫HDB；收集目標(biāo)景區(qū)發(fā)生氣象災(zāi)害時(shí)目標(biāo)景區(qū)所屬地區(qū)的氣象要素?cái)?shù)據(jù)，建立目標(biāo)景區(qū)所屬地區(qū)的歷史氣象要素?cái)?shù)據(jù)庫RDB；

步驟二、根據(jù)目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的類型，將HDB中的氣象要素?cái)?shù)據(jù)進(jìn)行分類，并對(duì)同類型的氣象要素?cái)?shù)據(jù)進(jìn)行偏相關(guān)分析，確定目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠兀⒛繕?biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠丶疐s；在RDB中選取與Fs內(nèi)的氣象要素類型相同的氣象要素，建立目標(biāo)景區(qū)所屬地區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠丶疪Fs；

步驟三、從HDB中提取Fs對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)，建立目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠財(cái)?shù)據(jù)集合X_Fs；從RDB中提取RFs對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)，建立目標(biāo)景區(qū)所屬地區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠財(cái)?shù)據(jù)集合X_RFs；分別計(jì)算X_Fs中的每一個(gè)氣象要素?cái)?shù)據(jù)和X_RFs中與X_Fs中的氣象要素?cái)?shù)據(jù)相對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)的差值，得到差異集X_DFs；

步驟四、以X_RFs中的數(shù)據(jù)作為數(shù)據(jù)樣本，使用基因表達(dá)式編程算法分別計(jì)算目標(biāo)景區(qū)的每一種氣象災(zāi)害與主要?dú)庀笠刂g的映射關(guān)系函數(shù)，進(jìn)而得到氣象災(zāi)害與主要?dú)庀笠刂g的映射關(guān)系函數(shù)集G₁；

步驟五、以X_DFs中的數(shù)據(jù)作為數(shù)據(jù)樣本，使用基因表達(dá)式編程算法分別計(jì)算目標(biāo)景區(qū)的每一種氣象災(zāi)害與主要?dú)庀笠刂g的差異映射關(guān)系函數(shù)，進(jìn)而得到氣象災(zāi)害與主要?dú)庀笠刂g的差異映射關(guān)系函數(shù)集G₂；

步驟六、將G₁中的每一個(gè)數(shù)據(jù)和G₂中與該數(shù)據(jù)對(duì)應(yīng)的數(shù)據(jù)相加，得到預(yù)測(cè)函數(shù)集G₃；

步驟七、對(duì)G₃中的預(yù)測(cè)函數(shù)進(jìn)行F檢驗(yàn)，如果顯著水平P不能滿足P＜設(shè)定閾值，則該預(yù)測(cè)函數(shù)不符合要求，從G₃中剔除該預(yù)測(cè)函數(shù)，否則保留該預(yù)測(cè)函數(shù)，完成剔除后得到的函數(shù)集，即為目標(biāo)景區(qū)氣象災(zāi)害的預(yù)測(cè)模型G；

步驟八、根據(jù)氣象部門發(fā)布的數(shù)值預(yù)報(bào)模式的實(shí)時(shí)數(shù)據(jù)，并從中選出RFs中相對(duì)應(yīng)的氣象要素值，輸入到G中，即可計(jì)算得到目標(biāo)景區(qū)氣象災(zāi)害的預(yù)測(cè)結(jié)果。

優(yōu)選的是，所述的基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法中，所述步驟二中確定目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠氐木唧w方法為：

對(duì)同類型的氣象要素?cái)?shù)據(jù)進(jìn)行偏相關(guān)分析后，進(jìn)行偏相關(guān)系數(shù)檢驗(yàn)，通過給定信度檢驗(yàn)的偏相關(guān)性較好的氣象要素即為目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠亍?/p>

優(yōu)選的是，所述的基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法中，所述步驟四中使用基因表達(dá)式編程算法分別計(jì)算目標(biāo)景區(qū)的各氣象災(zāi)害與主要?dú)庀笠刂g的映射關(guān)系函數(shù)的方法包括以下步驟：

步驟a、基因表達(dá)式編程算法程序讀入數(shù)據(jù)樣本，輸入種群大小、基因頭長度、基因尾長度、函數(shù)最大操目數(shù)、基因數(shù)、最大迭代數(shù)、最大適應(yīng)度值、變異率、插串率和重組率，基因表達(dá)式編程算法程序根據(jù)基因表達(dá)式編程染色體和基因的定義自動(dòng)生成初始種群；

步驟b、基因表達(dá)式編程算法程序進(jìn)行適應(yīng)度計(jì)算，以染色體為個(gè)體，并分別計(jì)算各個(gè)個(gè)體的適應(yīng)度，適應(yīng)度的計(jì)算公式如下：

其中，

R_i為第i個(gè)體的適應(yīng)度，0≤R_i≤1；

SSE為殘差平方和；

m為目標(biāo)發(fā)生的氣象災(zāi)害的總記錄次數(shù)；

y_j為以X_RFs中的數(shù)據(jù)作為數(shù)據(jù)樣本，其中存儲(chǔ)的第j次氣象災(zāi)害；

為變量y_j關(guān)于函數(shù)y的估計(jì)值；

SST為總離差平方和；

為變量y_j的平均值；

步驟c、若步驟b中計(jì)算得到的個(gè)體的適應(yīng)度達(dá)到步驟a中輸入的最大適應(yīng)度值，則將種群中的最優(yōu)個(gè)體的表現(xiàn)型按樹的中序遍歷方法解析表達(dá)式樹為數(shù)學(xué)表達(dá)式，其中，在所有個(gè)體中適應(yīng)度最大的個(gè)體為最優(yōu)個(gè)體，所得數(shù)學(xué)表達(dá)式即為目標(biāo)景區(qū)的一種氣象災(zāi)害與主要?dú)庀笠刂g的映射關(guān)系函數(shù)；若步驟b中計(jì)算得到的個(gè)體的適應(yīng)度未達(dá)到步驟a中輸入的最大適應(yīng)度值，則繼續(xù)

步驟d、以最優(yōu)個(gè)體作為最優(yōu)染色體，保留最優(yōu)染色體進(jìn)行遺傳操作，并根據(jù)達(dá)爾文的適者生存原則選擇產(chǎn)生下一代染色體，將得到的下一代染色體作為個(gè)體重復(fù)步驟b到步驟c。

優(yōu)選的是，所述的基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法中，所述步驟a中基因表達(dá)式編程算法的基因用長度固定的符串來表示，由頭部和尾部兩部分組成，頭部包含函數(shù)符號(hào)和終結(jié)符號(hào)，尾部包含終結(jié)符號(hào)，尾部長度t和頭部長度h之間滿足方程：t＝h*(n-1)+1。

優(yōu)選的是，所述的基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法中，所述步驟a中的基因表達(dá)式編程算法程序采用多基因染色體的方式構(gòu)成染色體，每個(gè)主要?dú)庀笠赜靡粋€(gè)基因表示。

優(yōu)選的是，所述的基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法中，所述步驟d中根據(jù)達(dá)爾文的適者生存原則產(chǎn)生下一代染色體的步驟為：

步驟1)、保留最優(yōu)染色體；

步驟2)、選擇染色體進(jìn)行復(fù)制，可選用輪盤賭選擇法或錦標(biāo)賽選擇法對(duì)染色體進(jìn)行選擇；

步驟3)、對(duì)步驟2)中得到的染色體依概率進(jìn)行交叉重組、變異、插串和倒串等遺傳操作，得到下一代染色體。

優(yōu)選的是，所述的基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法中，所述步驟七中的設(shè)定閾值為0.01。

本發(fā)明至少包括以下有益效果：

本發(fā)明利用偏相關(guān)分析法確定目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠?，針?duì)不同的氣象災(zāi)害，確定對(duì)其造成影響的主要?dú)庀笠?，增加了預(yù)測(cè)的準(zhǔn)確性，并減少了數(shù)據(jù)處理的工作量。

本發(fā)明利用基因表達(dá)式編程算法計(jì)算得到氣象災(zāi)害與主要?dú)庀笠刂g的映射關(guān)系函數(shù)集和氣象災(zāi)害與主要?dú)庀笠刂g的差異映射關(guān)系函數(shù)集，克服了傳統(tǒng)統(tǒng)計(jì)方法建立的統(tǒng)計(jì)預(yù)報(bào)模型參數(shù)選取困難，難以精確描述要素間的非線性關(guān)，也避免用神經(jīng)網(wǎng)絡(luò)存在過擬合、收斂速度慢、容易陷入局部極值，支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)都存核(結(jié)構(gòu))和參數(shù)難選定且對(duì)性能影響較大、其訓(xùn)練計(jì)算量過大而不便應(yīng)用在樣本容量較大的學(xué)習(xí)任務(wù)等問題，可有效提高降水預(yù)報(bào)質(zhì)量。

本發(fā)明對(duì)樣本數(shù)據(jù)要求不高、適應(yīng)能力強(qiáng)，并且計(jì)算過程簡單，能夠準(zhǔn)確的預(yù)測(cè)目標(biāo)景區(qū)的氣象災(zāi)害的可能發(fā)生情況。

本發(fā)明的其它優(yōu)點(diǎn)、目標(biāo)和特征將部分通過下面的說明體現(xiàn)，部分還將通過對(duì)本發(fā)明的研究和實(shí)踐而為本領(lǐng)域的技術(shù)人員所理解。

附圖說明

圖1為本發(fā)明所述的基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法的流程圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步的詳細(xì)說明，以令本領(lǐng)域技術(shù)人員參照說明書文字能夠據(jù)以實(shí)施。

<實(shí)施例1>

如圖1所示，本發(fā)明提供一種基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法，包括以下步驟：

步驟一、收集目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的歷史數(shù)據(jù)，其包括目標(biāo)景區(qū)(例如青秀山風(fēng)景區(qū))發(fā)生的氣象災(zāi)害的時(shí)間和發(fā)生該氣象災(zāi)害的氣象要素?cái)?shù)據(jù)，建立目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的歷史氣象要素?cái)?shù)據(jù)庫HDB；收集目標(biāo)景區(qū)發(fā)生氣象災(zāi)害時(shí)目標(biāo)景區(qū)所屬地區(qū)(南寧市區(qū))的氣象要素?cái)?shù)據(jù)，例如，目標(biāo)景區(qū)為青秀山風(fēng)景區(qū)，其位于南寧市區(qū)內(nèi)的東南部，則收集數(shù)值預(yù)報(bào)模式同期生成的南寧市區(qū)對(duì)應(yīng)的各種氣象要素?cái)?shù)據(jù)作為目標(biāo)景區(qū)所屬地區(qū)的氣象要素?cái)?shù)據(jù)，建立目標(biāo)景區(qū)所屬地區(qū)的歷史氣象要素?cái)?shù)據(jù)庫RDB；

氣象災(zāi)害是自然災(zāi)害之一，主要包括亞洲熱帶風(fēng)暴，中國沿海城市區(qū)域出現(xiàn)的臺(tái)風(fēng)、南方地區(qū)的干旱、高溫、山洪、雷暴、中國北方的沙塵暴等，氣象災(zāi)害一般包括天氣、氣候?yàn)?zāi)害和氣象次生、衍生災(zāi)害。天氣、氣候?yàn)?zāi)害是指因臺(tái)風(fēng)(熱帶風(fēng)暴、強(qiáng)熱帶風(fēng)暴)、暴雨(雪)、雷暴、冰雹、大風(fēng)、沙塵、龍卷、大(濃)霧、高溫、低溫、連陰雨、凍雨、霜凍、結(jié)(積)冰、寒潮、干旱、干熱風(fēng)、熱浪、洪澇、積澇等因素直接造成的災(zāi)害；氣象次生、衍生災(zāi)害是指因氣象因素引起的山體滑坡、泥石流、風(fēng)暴潮、森林火災(zāi)、酸雨、空氣污染等災(zāi)害。HDB和RDB內(nèi)的氣象要素?cái)?shù)據(jù)主要包括大氣溫度、相對(duì)濕度、風(fēng)向、風(fēng)速、雨量、氣壓、土壤溫度、土壤濕度、能見度、紫外線、特零地溫、云量、蒸發(fā)量、云高、雪深、日照輻射、霧以及霆等相關(guān)要素；其中統(tǒng)計(jì)目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的歷史數(shù)據(jù)的時(shí)間應(yīng)盡可能地長，一般在20年以上，統(tǒng)計(jì)的時(shí)間越長，預(yù)測(cè)的效果越準(zhǔn)確。

步驟二、根據(jù)目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的類型(例如洪澇災(zāi)害、凍雨、霜凍、寒潮和干旱等)，將HDB中的氣象要素?cái)?shù)據(jù)進(jìn)行分類(例如將目標(biāo)景區(qū)發(fā)生洪澇災(zāi)害時(shí)相關(guān)的數(shù)據(jù)統(tǒng)計(jì)為一類，發(fā)生凍雨時(shí)相關(guān)的數(shù)據(jù)統(tǒng)計(jì)為一類，發(fā)生霜凍時(shí)相關(guān)的數(shù)據(jù)統(tǒng)計(jì)為一類，發(fā)生寒潮時(shí)相關(guān)的數(shù)據(jù)統(tǒng)計(jì)為一類，發(fā)生干旱時(shí)相關(guān)的數(shù)據(jù)統(tǒng)計(jì)為一類，其他同理)，并一類一類地對(duì)同類型的氣象要素?cái)?shù)據(jù)分別進(jìn)行偏相關(guān)分析，確定目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠?，建立目?biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠丶疐s，例如將目標(biāo)景區(qū)發(fā)生洪澇災(zāi)害的數(shù)據(jù)統(tǒng)計(jì)為一類，并對(duì)其進(jìn)行偏相關(guān)分析，確定目標(biāo)景區(qū)發(fā)生洪澇災(zāi)害的主要?dú)庀笠兀瑫r(shí)統(tǒng)計(jì)目標(biāo)景區(qū)發(fā)生過的其他類型的氣象災(zāi)害，便得到目標(biāo)景區(qū)發(fā)生的各種氣象災(zāi)害對(duì)應(yīng)的主要?dú)庀笠兀M成目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠丶疐s；在RDB中選取與Fs內(nèi)的氣象要素類型相同的氣象要素，建立目標(biāo)景區(qū)所屬地區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠丶疪Fs；例如Fs內(nèi)的氣象要素類型有洪澇災(zāi)害，則在RDB中選取洪澇災(zāi)害，F(xiàn)s內(nèi)的氣象要素類型有凍雨，則在RDB中選取凍雨，F(xiàn)s內(nèi)的氣象要素類型有霜凍，則在RDB中選取霜凍，其他同理，然后把從RDB中選出的洪澇災(zāi)害、凍雨和霜凍等組成RFs。

在氣象災(zāi)害與氣象要素的映射關(guān)系函數(shù)中，氣象要素為自變量，氣象災(zāi)害為因變量。下面以目標(biāo)景區(qū)發(fā)生的洪澇災(zāi)害為例，提取其主要?dú)庀笠氐倪^程是：

1)假設(shè)HDB中關(guān)于洪澇災(zāi)害因變量Y的自變量集合為：

X＝{x₁，x₂，…，x_i，…，x_n}

則其對(duì)應(yīng)歷史數(shù)據(jù)集可表示為：

其中，m為HDB中洪澇災(zāi)害發(fā)生記錄數(shù)；

n為與目標(biāo)景區(qū)洪澇災(zāi)害可能相關(guān)的氣象要素?cái)?shù)；

x_mn為目標(biāo)景區(qū)第m次洪澇災(zāi)害發(fā)生時(shí)第n種氣象要素的值；

2)計(jì)算上述各與目標(biāo)景區(qū)洪澇災(zāi)害可能相關(guān)的氣象要素與目標(biāo)景區(qū)的洪澇災(zāi)害因變量Y之間的相關(guān)系數(shù)，其公式為：

3)對(duì)上述計(jì)算所得的各變量相關(guān)系統(tǒng)進(jìn)行相關(guān)系數(shù)檢驗(yàn)，從中選取通過給定信度檢驗(yàn)的相關(guān)性較好的氣象要素作為該景區(qū)洪澇災(zāi)害預(yù)測(cè)的主要?dú)庀笠亍?/p>

4)整理上述步驟3)選取出來的各類氣象災(zāi)害因變量和相應(yīng)的主要?dú)庀笠兀s；

步驟三、從HDB中提取Fs對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)(例如Fs內(nèi)的氣象要素類型有洪澇災(zāi)害，則在HDB中提取洪澇災(zāi)害對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)，F(xiàn)s內(nèi)的氣象要素類型有凍雨，則在HDB中提取凍雨對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)，其他的同理，并全部提取出來)，建立目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠財(cái)?shù)據(jù)集合X_Fs，即將從HDB中選出的所有對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)組成集合X_Fs；從RDB中提取RFs對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)(例如RFs內(nèi)的氣象要素類型有洪澇災(zāi)害，則在RDB中提取洪澇災(zāi)害對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)，RFs內(nèi)的氣象要素類型有凍雨，則在RDB中提取凍雨對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)，其他的同理，并全部提取出來)，建立目標(biāo)景區(qū)所屬地區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠財(cái)?shù)據(jù)集合X_RFs，即將從RDB中選出的所有對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)組成集合X_RFs；分別計(jì)算X_Fs中的每一個(gè)氣象要素?cái)?shù)據(jù)(例如洪澇災(zāi)害對(duì)應(yīng)的大氣溫度)和X_RFs中與X_Fs中的氣象要素?cái)?shù)據(jù)相對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)(也是洪澇災(zāi)害對(duì)應(yīng)的大氣溫度)的差值(即X_Fs中的一類主要?dú)庀笠貙?duì)應(yīng)的氣象要素?cái)?shù)據(jù)與X_RFs中與該氣象要素?cái)?shù)據(jù)對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)的差值，例如X_Fs中洪澇災(zāi)害對(duì)應(yīng)的大氣溫度減X_RFs中洪澇災(zāi)害對(duì)應(yīng)的大氣溫度，X_Fs中洪澇災(zāi)害對(duì)應(yīng)的氣壓減X_RFs中洪澇災(zāi)害對(duì)應(yīng)的氣壓，X_Fs中霜凍對(duì)應(yīng)的大氣溫度減X_RFs中霜凍對(duì)應(yīng)的大氣溫度，X_Fs中霜凍對(duì)應(yīng)的氣壓減X_RFs中霜凍對(duì)應(yīng)的氣壓，其他的同理，相減時(shí)針對(duì)的氣象要素和氣象要素?cái)?shù)據(jù)均相同)，得到差異集X_DFs；

以目標(biāo)景區(qū)洪澇災(zāi)害為例，假設(shè)目標(biāo)景區(qū)的洪澇災(zāi)害因變量Y在Fs和RFs中的自變量集合分別為：

X_Fs＝{x_Fs1，x_Fs2，…，x_Fsi，…，x_Fsn}

X_RFs＝{x_RFs1，x_RFs2，…，x_RFsi，…，x_RFsn}

其中，n為該景區(qū)洪澇災(zāi)害的預(yù)測(cè)模型的主要自變量數(shù)目；

x_Fsn為目標(biāo)景區(qū)發(fā)生的洪澇災(zāi)害在X_Fs中對(duì)應(yīng)的第n個(gè)相關(guān)氣象要素?cái)?shù)據(jù)；

x_RFsn為目標(biāo)景區(qū)所屬地區(qū)發(fā)生的洪澇災(zāi)害在X_RFs中對(duì)應(yīng)的第n個(gè)相關(guān)個(gè)氣象要素?cái)?shù)據(jù)；

則差異集DFs中自變量集合X_DFs為：

X_DFs＝{x_Fs1-x_RFs1，x_Fs2-x_RFs2，…，x_Fsi-x_RFsi，…，x_Fsn-x_RFsn}。

步驟四、以X_RFs中的數(shù)據(jù)作為數(shù)據(jù)樣本，使用基因表達(dá)式編程算法分別計(jì)算目標(biāo)景區(qū)的每一種氣象災(zāi)害與主要?dú)庀笠刂g的映射關(guān)系函數(shù)，將所有的映射關(guān)系函數(shù)組成函數(shù)集，進(jìn)而得到包括各種氣象災(zāi)害和與其相對(duì)應(yīng)的主要?dú)庀笠刂g的映射關(guān)系函數(shù)集G₁；

基因表達(dá)式編程算法是一種基于生物基因結(jié)構(gòu)和功能發(fā)明的一種新型自適應(yīng)演化算法，基因表達(dá)式編程和遺傳編程一樣，是在遺傳算法的基礎(chǔ)上發(fā)展起來的。它和遺傳編程一樣，采用了一種全新的不同于遺傳算法的個(gè)體描述方法，其實(shí)質(zhì)是用廣義的層次化計(jì)算機(jī)程序描繪問題。個(gè)體構(gòu)成需要兩類符號(hào)，即終結(jié)符和函數(shù)符。它們是構(gòu)造基因表達(dá)式編程中的一個(gè)程序的元語。

步驟五、以X_DFs中的數(shù)據(jù)作為數(shù)據(jù)樣本，使用基因表達(dá)式編程算法分別計(jì)算目標(biāo)景區(qū)的每一種氣象災(zāi)害與主要?dú)庀笠刂g的差異映射關(guān)系函數(shù)，將所有的差異映射關(guān)系函數(shù)組成函數(shù)集，進(jìn)而得到包括各種氣象災(zāi)害和與其相對(duì)應(yīng)的主要?dú)庀笠刂g的差異映射關(guān)系函數(shù)集G₂；

步驟六、將G₁中的每一個(gè)數(shù)據(jù)(例如洪澇災(zāi)害與主要?dú)庀笠刂g的映射關(guān)系函數(shù))和G₂中與該數(shù)據(jù)對(duì)應(yīng)的數(shù)據(jù)(洪澇災(zāi)害與主要?dú)庀笠刂g的差異映射關(guān)系函數(shù))相加，其他的同理，最后得到預(yù)測(cè)函數(shù)集G₃；

例如G₁和G₂分別為：

G₁＝{g₁₁，g₁₂，…，g_1k}

G₂＝{g₂₁，g₂₂，…，g_2k}

其中，k為目標(biāo)景區(qū)歷史氣象災(zāi)害的種類數(shù)；

g_1k為第k種氣象災(zāi)害與其相對(duì)應(yīng)的影響氣象要素之間的映射關(guān)系函數(shù)

g_2k為第k種氣象災(zāi)害與其相對(duì)應(yīng)的影響氣象要素之間的差異映射關(guān)系函數(shù)

則預(yù)測(cè)函數(shù)集G₃為：

G₃＝{g₁₁+g₂₁，g₁₂+g₂₂，…，g_1k+g_2k}

步驟七、對(duì)G₃中的每個(gè)預(yù)測(cè)函數(shù)進(jìn)行F檢驗(yàn)，如果顯著水平P不能滿足P＜設(shè)定閾值，則該預(yù)測(cè)函數(shù)不符合要求，從G₃中剔除該預(yù)測(cè)函數(shù)，否則保留該預(yù)測(cè)函數(shù)，完成剔除后得到的函數(shù)集，即為目標(biāo)景區(qū)氣象災(zāi)害的預(yù)測(cè)模型G；

步驟八、根據(jù)氣象部門發(fā)布的數(shù)值預(yù)報(bào)模式的實(shí)時(shí)數(shù)據(jù)，并從中選出與RFs中的氣象要素相對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)，輸入到G中，即可計(jì)算得到目標(biāo)景區(qū)氣象災(zāi)害的預(yù)測(cè)結(jié)果；以預(yù)報(bào)洪澇災(zāi)害為例，目標(biāo)景區(qū)發(fā)生洪澇災(zāi)害在RFs中所對(duì)應(yīng)的氣象要素為A、B、C、D四種氣象要素，則將氣象部門發(fā)布的數(shù)值預(yù)報(bào)模式的實(shí)時(shí)數(shù)據(jù)中的A、B、C、D四種氣象要素對(duì)應(yīng)的數(shù)據(jù)輸入G中，即可得計(jì)算到目標(biāo)景區(qū)洪澇災(zāi)害的預(yù)測(cè)結(jié)果。

所述的基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法中，所述步驟二中確定目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠氐木唧w方法為：

對(duì)同類型的氣象要素?cái)?shù)據(jù)進(jìn)行偏相關(guān)分析后，進(jìn)行偏相關(guān)系數(shù)檢驗(yàn)，通過給定信度檢驗(yàn)的偏相關(guān)性較好的氣象要素即為目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠亍Ｔ诙嘁厮鶚?gòu)成的系統(tǒng)中，當(dāng)研究某一個(gè)要素對(duì)另一個(gè)要素的影響或相關(guān)程度時(shí)，把其他要素的影響視作常數(shù)(保持不變)，即暫時(shí)不考慮其他要素影響，單獨(dú)研究兩個(gè)要素之間的相互關(guān)系的密切程度，所得數(shù)值結(jié)果為相關(guān)性系數(shù)。

所述的基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法中，所述步驟四中使用基因表達(dá)式編程算法分別計(jì)算目標(biāo)景區(qū)的各氣象災(zāi)害與主要?dú)庀笠刂g的映射關(guān)系函數(shù)的方法包括以下步驟：

步驟a、基因表達(dá)式編程算法程序讀入數(shù)據(jù)樣本，輸入種群大小、基因頭長度、基因尾長度、函數(shù)最大操目數(shù)、基因數(shù)、最大迭代數(shù)、最大適應(yīng)度值、變異率、插串率和重組率，基因表達(dá)式編程算法程序根據(jù)基因表達(dá)式編程染色體和基因的定義自動(dòng)生成初始種群；染色體由一個(gè)基因(Gene)或多個(gè)基因通過連接函數(shù)連接構(gòu)成?；蛴深^部和尾部構(gòu)成?；虻念^部(Head)由終結(jié)符集和函數(shù)符集共同構(gòu)成?；虻奈膊?Tail)僅由終結(jié)符集構(gòu)成。

步驟b、基因表達(dá)式編程算法程序進(jìn)行適應(yīng)度計(jì)算，以染色體為個(gè)體，并分別計(jì)算各個(gè)個(gè)體的適應(yīng)度，適應(yīng)度的計(jì)算公式如下：

其中，

R_i為第i個(gè)體的適應(yīng)度，0≤R_i≤1；

SSE為殘差平方和；

m為目標(biāo)發(fā)生的氣象災(zāi)害的總記錄次數(shù)；

y_j為以X_RFs中的數(shù)據(jù)作為數(shù)據(jù)樣本，其中存儲(chǔ)的第j次氣象災(zāi)害；

為變量y_j關(guān)于函數(shù)y的估計(jì)值；

SST為總離差平方和；

為變量y_j的平均值；

步驟c、若步驟b中計(jì)算得到的個(gè)體的適應(yīng)度達(dá)到步驟a中輸入的最大適應(yīng)度值，則將種群中的最優(yōu)個(gè)體的表現(xiàn)型按樹的中序遍歷將表達(dá)樹解析為數(shù)學(xué)表達(dá)式，其中，在所有個(gè)體中適應(yīng)度最大的個(gè)體為最優(yōu)個(gè)體，所得數(shù)學(xué)表達(dá)式即為目標(biāo)景區(qū)的一種氣象災(zāi)害與主要?dú)庀笠刂g的映射關(guān)系函數(shù)；若步驟b中計(jì)算得到的個(gè)體的適應(yīng)度未達(dá)到步驟a中輸入的最大適應(yīng)度值，則繼續(xù)

步驟d、以最優(yōu)個(gè)體作為最優(yōu)染色體，保留最優(yōu)染色體進(jìn)行遺傳操作，并根據(jù)達(dá)爾文的適者生存原則選擇產(chǎn)生下一代染色體，將得到的下一代染色體作為個(gè)體重復(fù)步驟b到步驟c。

所述的基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法中，所述步驟a中基因表達(dá)式編程算法的基因用長度固定的符串來表示，由頭部和尾部兩部分組成，頭部包含函數(shù)符號(hào)和終結(jié)符號(hào)，尾部包含終結(jié)符號(hào)，尾部長度t和頭部長度h之間滿足方程：t＝h*(n-1)+1。

所述的基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法中，所述步驟a中的基因表達(dá)式編程算法程序采用多基因染色體的方式構(gòu)成染色體，每個(gè)主要?dú)庀笠赜靡粋€(gè)基因表示。

所述的基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法中，所述步驟d中根據(jù)達(dá)爾文的適者生存原則產(chǎn)生下一代染色體的步驟為：

步驟1)、保留最優(yōu)染色體；

步驟2)、選擇染色體進(jìn)行復(fù)制，可選用輪盤賭選擇法或錦標(biāo)賽選擇法對(duì)染色體進(jìn)行選擇；

步驟3)、對(duì)步驟2)中得到的染色體依概率進(jìn)行交叉重組、變異、插串和倒串等遺傳操作，得到下一代染色體。

所述的基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法中，所述步驟七中的設(shè)定閾值為0.01。

<實(shí)施例2>

(1)收集待預(yù)測(cè)目標(biāo)景區(qū)的地理區(qū)域內(nèi)發(fā)生各種氣象災(zāi)害的歷史數(shù)據(jù)，一般收集多于20年的目標(biāo)景區(qū)地理區(qū)域內(nèi)發(fā)生各種氣象災(zāi)害的歷史數(shù)據(jù)。歷史數(shù)據(jù)包括發(fā)生各種氣象災(zāi)害的具體時(shí)間，以及每次發(fā)生該氣象災(zāi)害時(shí)對(duì)應(yīng)的各層次氣象要素的數(shù)據(jù)，并將以上氣象要素?cái)?shù)據(jù)構(gòu)建目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的歷史氣象要素?cái)?shù)據(jù)庫HDB。

(2)收集目標(biāo)景區(qū)發(fā)生各種氣象災(zāi)害時(shí)數(shù)值預(yù)報(bào)模式同期生成的景區(qū)所屬市(縣)地區(qū)的對(duì)應(yīng)各層次氣象要素?cái)?shù)據(jù)。例如，待預(yù)測(cè)的青秀山風(fēng)景區(qū)位于南寧市區(qū)內(nèi)的東南部則收集數(shù)值預(yù)報(bào)模式同期生成的南寧市區(qū)的對(duì)應(yīng)各層次氣象要素?cái)?shù)據(jù)。并將以上氣象要素?cái)?shù)據(jù)構(gòu)建目標(biāo)景區(qū)所屬地區(qū)的歷史氣象要素?cái)?shù)據(jù)庫RDB。

(3)對(duì)HDB的歷史數(shù)據(jù)按氣象災(zāi)害類型分類地進(jìn)行相關(guān)分析，提取主要?dú)庀笠兀瑯?gòu)建目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠丶疐s。

在氣象災(zāi)害與氣象要素的映射關(guān)系函數(shù)中，氣象要素為自變量，氣象災(zāi)害為因變量。下面以目標(biāo)景區(qū)洪澇災(zāi)害為例，提取其主要自變量的過程是:

①假設(shè)目標(biāo)景區(qū)氣象災(zāi)害歷史數(shù)據(jù)庫中關(guān)于洪澇災(zāi)害因變量Y的自變量集合為X＝{x₁,x₂,...,x_n}，則其對(duì)應(yīng)歷史數(shù)據(jù)集可表示為：

其中m為目標(biāo)景區(qū)氣象災(zāi)害歷史數(shù)據(jù)庫中洪澇災(zāi)害發(fā)生記錄數(shù)，n為與目標(biāo)景區(qū)洪澇災(zāi)害可能相關(guān)的氣象要素?cái)?shù)。

②計(jì)算上述各與景區(qū)洪澇災(zāi)害可能相關(guān)的氣象要素與目標(biāo)景區(qū)的洪澇災(zāi)害實(shí)況因變量Y之間的相關(guān)系數(shù)，其公式為：

③對(duì)上述計(jì)算所得的各變量相關(guān)系統(tǒng)進(jìn)行相關(guān)系數(shù)檢驗(yàn)，從中選取通過給定信度檢驗(yàn)的相關(guān)性較好的氣象要素作為目標(biāo)景區(qū)洪澇災(zāi)害預(yù)測(cè)的主要自變量。

④整理上述步驟選取出來的各類氣象災(zāi)害因變量和相應(yīng)的主要自變量，構(gòu)建目標(biāo)景區(qū)氣象災(zāi)害影響要素集Fs

(4)從(2)所得目標(biāo)景區(qū)相關(guān)區(qū)域相關(guān)氣象要素?cái)?shù)據(jù)庫中按氣象災(zāi)害類型分類地找出各主要?dú)庀鬄?zāi)害相關(guān)氣象要素和其它要素中找到與Fs成員相應(yīng)的氣象要素，構(gòu)建目標(biāo)景區(qū)所屬地區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠丶疪Fs。

(5)從HDB和RDB數(shù)據(jù)庫中計(jì)算Fs與RFs的景區(qū)差異集DFs。

以目標(biāo)景區(qū)洪澇災(zāi)害為例，假設(shè)洪澇災(zāi)害因變量Y在Fs和RFs中的自變量集合分別為X_Fs＝{x_Fs1,x_Fs2,...,x_Fsi,...,x_Fsn}和X_RFs＝{x_RFs1,x_RFs2,...,x_RFsi,...,x_RFsn}

則景區(qū)差異集DFs中相應(yīng)自變量集X_DFs＝{x_Fsi-x_RFsi}，其中n為目標(biāo)景區(qū)洪澇災(zāi)害的預(yù)測(cè)模型的主要自變量數(shù)目，i＝1,2,…,n。

(6)采用基因表達(dá)式編程算法，對(duì)RDB中RFs對(duì)應(yīng)的數(shù)據(jù)樣本進(jìn)行函數(shù)挖掘，分別建立各氣象災(zāi)害與主要?dú)庀笠氐挠成潢P(guān)系函數(shù)集G₁，作為數(shù)值預(yù)報(bào)模式輸出的智能釋用模型集。

將RDB中RFs對(duì)應(yīng)的數(shù)據(jù)樣本集數(shù)據(jù)輸入，開始用基因表達(dá)式編程算法分別挖掘目標(biāo)景區(qū)的每一種氣象災(zāi)害與其主要?dú)庀笠氐挠成潢P(guān)系函數(shù)(即災(zāi)害預(yù)測(cè)模型)，獲得各氣象災(zāi)害與主要?dú)庀笠氐挠成潢P(guān)系函數(shù)集G₁＝{g₁₁,g₁₂,...,g_1k}，其中k為該景區(qū)歷史氣象災(zāi)害的種類數(shù)，作為數(shù)值預(yù)報(bào)模式輸出的智能釋用模型集。主要過程具體包括：

第一步：讀入樣本數(shù)據(jù)，輸入種群大小、基因頭長度、基因尾長度、函數(shù)最大操目數(shù)、基因數(shù)、最大迭代數(shù)、最大適應(yīng)度值、變異率、插串率、重組率，系統(tǒng)根據(jù)基因表達(dá)式編程染色體和基因的定義自動(dòng)生成初始種群；

其中，①基因表達(dá)式編程的基因用長度固定的符串來表示，由頭和尾兩部分組成，頭部既可以包含函數(shù)符號(hào)也可以包含終結(jié)符號(hào)，而尾部則只能包含終結(jié)符號(hào)，且尾部長度t和頭部長度h之間應(yīng)該滿足方程:t＝h*(n-1)+1；②本發(fā)明預(yù)報(bào)降水的數(shù)據(jù)對(duì)象是多元時(shí)間序列數(shù)據(jù)，在染色體構(gòu)成采用多基因染色體的方式，每個(gè)主要?dú)庀笠赜靡粋€(gè)基因表示。

第二步：適應(yīng)度計(jì)算指定各個(gè)個(gè)體(即染色體)的適應(yīng)度；

本發(fā)明的適應(yīng)度函數(shù)選用復(fù)相關(guān)系數(shù)，定義如下：

其中，

R_i為第i個(gè)體的適應(yīng)度，0≤R_i≤1；

SSE為殘差平方和；

m為目標(biāo)發(fā)生的氣象災(zāi)害的總記錄次數(shù)；

y_j為以X_RFs中的數(shù)據(jù)作為數(shù)據(jù)樣本，其中存儲(chǔ)的第j次氣象災(zāi)害；

為變量y_j關(guān)于函數(shù)y的估計(jì)值；SST為總離差平方和；

為變量y_j的平均值；

第三步：若不符合結(jié)束條件，繼續(xù)下一步，否則跳到第五步；

其中，本發(fā)明的結(jié)束條件為最大適應(yīng)度值達(dá)到要求。

第四步：保留最優(yōu)染色體，進(jìn)行遺傳操作，并根據(jù)達(dá)爾文的“適者生存”原則選擇產(chǎn)生下一代，具體過程如下：

①保留最優(yōu)染色體；

②選擇染色體進(jìn)行復(fù)制，可選用輪盤賭選擇法或錦標(biāo)賽選擇法對(duì)染色體進(jìn)行選擇；

③對(duì)②選擇和復(fù)制染色體的結(jié)果依概率進(jìn)行交叉重組、變異、插串、倒串等遺傳操作。

轉(zhuǎn)到第二步。

第五步：將種群中的最優(yōu)染色體的表現(xiàn)型按樹的中序遍歷方法解析表達(dá)式樹為數(shù)學(xué)表達(dá)式，所得數(shù)學(xué)表達(dá)式即為所求解的氣象災(zāi)害與主要?dú)庀笠氐挠成潢P(guān)系函數(shù)模型。

(7)參照步驟(6)的方法，采用基因表達(dá)式編程算法對(duì)步驟(5)中確定的Fs、RFs和DFs的數(shù)據(jù)樣本進(jìn)行函數(shù)挖掘，分別建立氣象災(zāi)害與氣象要素的差異映射關(guān)系函數(shù)集G₂＝{g₂₁,g₂₂,...,g_2k}。

(8)利用函數(shù)集G₂對(duì)函數(shù)集G₁進(jìn)行相應(yīng)成員的景區(qū)差異疊加修正，得到預(yù)測(cè)函數(shù)模型集G₃＝{g₁₁+g₂₁,g₁₂+g₂₂,...,g_1k+g_2k}。

(9)對(duì)步驟(8)所得預(yù)測(cè)函數(shù)集G₃中的各個(gè)氣象災(zāi)害因變量與氣象要素的映射關(guān)系函數(shù)進(jìn)行統(tǒng)計(jì)上的F檢驗(yàn)，如果顯著水平P不能滿足P<0.0l的要求，則該主要因變量建立的映射關(guān)系函數(shù)不符合統(tǒng)計(jì)理論要求，從預(yù)測(cè)函數(shù)集G₃中剔除該主要因變量對(duì)應(yīng)的映射關(guān)系函數(shù)，否則保留該主要因變量建立的氣象災(zāi)害與氣象要素的映射關(guān)系函數(shù)。最終從預(yù)測(cè)函數(shù)集G₃中剔除部分不符合統(tǒng)計(jì)理論要求的函數(shù)后得到統(tǒng)計(jì)有效的預(yù)測(cè)函數(shù)集G，即為目標(biāo)景區(qū)各氣象災(zāi)害的預(yù)測(cè)模型。

盡管本發(fā)明的實(shí)施方案已公開如上，但其并不僅僅限于說明書和實(shí)施方式中所列運(yùn)用，它完全可以被適用于各種適合本發(fā)明的領(lǐng)域，對(duì)于熟悉本領(lǐng)域的人員而言，可容易地實(shí)現(xiàn)另外的修改，因此在不背離權(quán)利要求及等同范圍所限定的一般概念下，本發(fā)明并不限于特定的細(xì)節(jié)和這里示出與描述的實(shí)施例。