一种基于SVR和VAR的地面风矢量临近预报方法转让专利
申请号 : CN202110525246.0
文献号 : CN112987133B
文献日 : 2021-08-13
发明人 : 郭洪涛
申请人 : 郭洪涛
摘要 :
基于SVR和VAR的地面风矢量临近预报方法，具体步骤和特征如下：步骤1：地面多种气象要素的收集；步骤2：地面风矢量的分解和质量控制；步骤3：基于单个气象要素SVR的显著自变量提取；步骤4：基于所有显著自变量SVR和VAR的非线性模型估计；步骤5：非线性模型的递推预报。本发明提出一种基于SVR和VAR的地面风矢量临近预报方法，本发明针对气象要素的特征将SVR技术进行优化，并引入和改进VAR模型，实现对地面风矢量的预报。
权利要求 :
1.一种基于SVR和VAR的地面风矢量临近预报方法，其特征在于：包括以下步骤：步骤1：地面多种气象要素的收集；
步骤2：地面风矢量的分解和质量控制；
所述步骤2中的质量控制公式为： （1）其中 为质量控制后 时刻的地面纬向风速或经向风速， 为质量控制前相应的风速， 为风速观测的时间间隔，通过质量控制，过滤掉高频的风速变化信息，屏蔽掉由观测不确定性可能引起的虚假的风速扰动；
步骤3：基于单个气象要素SVR模型的显著自变量提取；
所述步骤3中SVR模型估计的关系式为： （2）其中 为距 时刻 后所对应的地面纬向风速或经向风速的观测值，为单一气象要素的 时刻及其以前的观测值，仅考虑到距 最近的4个时次， 为 和 间的非线性关系，通过将高斯径向基函数作为核函数的SVR模型估计得到，步骤3中提取SVR估计相对误差小于10%的气象要素作为显著自变量，相对误差E定义式为： （3）其中 为地面纬向风速或经向风速的观测值， 为基于SVR模型通过公式（2）的估计值；
步骤4：基于所有显著自变量SVR和VAR的非线性模型估计；
所述步骤4中基于SVR技术的VAR模型估计的关系式为： （4）其中 为通过步骤3所提取的 个显著自变量， 为地面纬向风速或经向风速的观测值， 为单个因变量 和多个自变量 的非线性关系，为单个因变量和多个自变量 的非线性关系，都通过将高斯径向基函数作为核函数的SVR模型估计得到；
步骤5：非线性模型的递推预报。
2.根据权利要求1所述的一种基于SVR和VAR的地面风矢量临近预报方法，其特征在于：所述步骤5中递推预报公式为：（5）
（6）
其中 为未来时刻的地面纬向风速或经向风速的预报值， 为未来时刻通过步骤3所提取的 个显著自变量的预报值， 为步骤4所估计得到的非线性关系式。
说明书 :
一种基于SVR和VAR的地面风矢量临近预报方法
技术领域
[0001] 本发明涉及机器学习领域，尤其涉及一种基于SVR和VAR的地面风矢量临近预报方法。
背景技术
[0002] 风矢量（包括风速和风向）是地面气象站的重要观测要素，地面风矢量的变化能够显著影响社会生产和人民生活。例如在交通运输、尤其是航空领域，地面风的增强或骤变不
仅影响飞机起降的频率，而且严重威胁生命财产安全。又如在能源领域，电力部门需要依据
地面风的大小来调整风力发电计划，降低风机发电功率异常变化给输电网带来的潜在风
险。因此，迫切需要准确率高、时间分辨率高的地面风矢量预报，为政府和民众采取防灾避
灾措施提供重要支撑。
仅影响飞机起降的频率，而且严重威胁生命财产安全。又如在能源领域，电力部门需要依据
地面风的大小来调整风力发电计划，降低风机发电功率异常变化给输电网带来的潜在风
险。因此，迫切需要准确率高、时间分辨率高的地面风矢量预报，为政府和民众采取防灾避
灾措施提供重要支撑。
[0003] 风矢量预报按照预报时效的长短，主要依靠数值模式或统计技术来实现。在短期（未来1 3天）预报方面，风矢量预报首要由数值模式的地面风预报场提供。而在临近预报方
~
面，由于数值模式的局限性，比如计算耗时多、运行初始阶段模式因处于调整过程而预报误
差较大等问题，基本通过统计技术来制作风矢量的预报。一方面，当前对地面风速的临近预
报大多采用传统统计技术中的时间序列分析方法，例如自回归（AR）模型、滑动平均（MA）模
型、自回归滑动平均（ARMA）模型等，主要考虑风在时间上的自相关性，即当前和过去一段时
间内风速特征与未来一段时间内风速变化的关联性。在数学上，既由于风速的取值不能为
负，又由于风速不满足高斯分布，不满足以上传统统计模型的基本假设，会给风速预报带来
较大的误差；在物理上，以上常用方法中仅考虑了前期风速特征对后期风速变化的影响，而
忽略了前期其他气象变量（如气压、温度等）与后期风速变化的联系，降低了风速预报的精
度。另一方面，与地面风速预报相比，目前尚缺乏对地面风向的客观预报方法。为了解决以
上问题，首先需要将风速预报扩展为风速和风向的预报，即将预报的地面风由标量还原为
矢量，其次需要考虑地面其他气象要素对风矢量的作用。
~
面，由于数值模式的局限性，比如计算耗时多、运行初始阶段模式因处于调整过程而预报误
差较大等问题，基本通过统计技术来制作风矢量的预报。一方面，当前对地面风速的临近预
报大多采用传统统计技术中的时间序列分析方法，例如自回归（AR）模型、滑动平均（MA）模
型、自回归滑动平均（ARMA）模型等，主要考虑风在时间上的自相关性，即当前和过去一段时
间内风速特征与未来一段时间内风速变化的关联性。在数学上，既由于风速的取值不能为
负，又由于风速不满足高斯分布，不满足以上传统统计模型的基本假设，会给风速预报带来
较大的误差；在物理上，以上常用方法中仅考虑了前期风速特征对后期风速变化的影响，而
忽略了前期其他气象变量（如气压、温度等）与后期风速变化的联系，降低了风速预报的精
度。另一方面，与地面风速预报相比，目前尚缺乏对地面风向的客观预报方法。为了解决以
上问题，首先需要将风速预报扩展为风速和风向的预报，即将预报的地面风由标量还原为
矢量，其次需要考虑地面其他气象要素对风矢量的作用。
[0004] 在计量经济学领域广泛采用一种向量自回归（Vector Autoregressive model，简称VAR）模型，能够实现前期所有变量对后期所有变量的滞后回归。在VAR模型中，前、后期变
量之间的关系是完全线性的，即前期不同变量对后期某一变量的影响是独立的、线性可叠
加的。相比AR模型，可以将VAR模型引入地面风矢量的预报方法中，考虑地面多种气象要素
对风矢量变化的调控作用。然而，地面气象要素间的关系以为非线性相关为主，传统的VAR
模型无法捕捉。针对这一缺陷，需要将VAR模型中显式的线性方案改进为隐式的非线性方
案，在模型估计前不预先设定变量间的关系方程，而是通过计算由模型自身给出。近年来，
随着机器学习领域研究的不断深入和应用的不断扩展，机器学习内的相关技术已经能够考
虑和描述变量间的非线性关系，例如SVR技术。SVR是将支持向量机应用在回归问题上，通过
将原始变量映射到高维空间，实现将原始空间内的非线性关系用映射空间内的线性关系来
表达，从而能够定量描述原始变量间的非线性相关性。此外，SVR因为不预先假设变量的统
计分布，所以适用于非高斯分布的气象要素变量。
量之间的关系是完全线性的，即前期不同变量对后期某一变量的影响是独立的、线性可叠
加的。相比AR模型，可以将VAR模型引入地面风矢量的预报方法中，考虑地面多种气象要素
对风矢量变化的调控作用。然而，地面气象要素间的关系以为非线性相关为主，传统的VAR
模型无法捕捉。针对这一缺陷，需要将VAR模型中显式的线性方案改进为隐式的非线性方
案，在模型估计前不预先设定变量间的关系方程，而是通过计算由模型自身给出。近年来，
随着机器学习领域研究的不断深入和应用的不断扩展，机器学习内的相关技术已经能够考
虑和描述变量间的非线性关系，例如SVR技术。SVR是将支持向量机应用在回归问题上，通过
将原始变量映射到高维空间，实现将原始空间内的非线性关系用映射空间内的线性关系来
表达，从而能够定量描述原始变量间的非线性相关性。此外，SVR因为不预先假设变量的统
计分布，所以适用于非高斯分布的气象要素变量。
发明内容
[0005] 为解决上述问题,本发明提出一种基于SVR和VAR的地面风矢量临近预报方法，本发明针对气象要素的特征将SVR技术进行优化，并引入和改进VAR模型，实现对地面风矢量
的预报。
的预报。
[0006] 技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于SVR和VAR的地面风矢量临近预报方法，其特征在于：包括以下步骤：
[0007] 步骤1：地面多种气象要素的收集；
[0008] 步骤2：地面风矢量的分解和质量控制；
[0009] 所述步骤2中的质量控制公式为：
[0010] （1）
[0011] 其中 为质量控制后 时刻的地面纬向风速或经向风速， 为质量控制前相应的风速， 为风速观测的时间间隔，通过质量控制，过滤掉高频的风速变化信息，屏蔽掉
由观测不确定性可能引起的虚假的风速扰动；
由观测不确定性可能引起的虚假的风速扰动；
[0012] 步骤3：基于单个气象要素SVR模型的显著自变量提取；
[0013] 所述步骤3中SVR模型估计的关系式为：
[0014] （2）
[0015] 其中 为距 时刻后所对应的地面纬向风速或经向风速的观测值，为单一气象要素的 时刻及其以前的观测值，仅考虑到距 最近的4个时次， 为 和 间的
非线性关系，通过将高斯径向基函数作为核函数的SVR模型估计得到，步骤3中提取SVR估计
相对误差小于10%的气象要素作为显著自变量，相对误差E定义式为：
非线性关系，通过将高斯径向基函数作为核函数的SVR模型估计得到，步骤3中提取SVR估计
相对误差小于10%的气象要素作为显著自变量，相对误差E定义式为：
[0016] （3）
[0017] 其中 为地面纬向风速或经向风速的观测值， 为基于SVR模型通过公式（2）的估计值；
[0018] 步骤4：基于所有显著自变量SVR和VAR的非线性模型估计；
[0019] 所述步骤4中基于SVR技术的VAR模型估计的关系式为：
[0020] （4）
[0021] 其中 为通过步骤3所提取的 个显著自变量， 为地面纬向风速或经向风速的观测值， 为单个因变量 和多个自变量 的非线性关系，
为单个因变量和多个自变量 的非线性关系，都通过将高
斯径向基函数作为核函数的SVR模型估计得到；
为单个因变量和多个自变量 的非线性关系，都通过将高
斯径向基函数作为核函数的SVR模型估计得到；
[0022] 步骤5：非线性模型的递推预报。
[0023] 作为本发明进一步改进，所述步骤5中递推预报公式为：
[0024] （5）
[0025] （6）
[0026] 其中 为未来时刻的地面纬向风速或经向风速的预报值， 为未来时刻通过步骤3所提取的 个显著自变量的预报值， 为步骤4所估计得到的非
线性关系式。本发明的有益效果是：
线性关系式。本发明的有益效果是：
[0027] 基于SVR和VAR的地面风矢量临近预报方法，具体步骤和特征如下：步骤1：地面多种气象要素的收集；步骤2：地面风矢量的分解和质量控制；步骤3：基于单个气象要素SVR的
显著自变量提取；步骤4：基于所有显著自变量SVR和VAR的非线性模型估计；步骤5：非线性
模型的递推预报。本发明提出一种基于SVR和VAR的地面风矢量临近预报方法，本发明针对
气象要素的特征将SVR技术进行优化，并引入和改进VAR模型，实现对地面风矢量的预报。
显著自变量提取；步骤4：基于所有显著自变量SVR和VAR的非线性模型估计；步骤5：非线性
模型的递推预报。本发明提出一种基于SVR和VAR的地面风矢量临近预报方法，本发明针对
气象要素的特征将SVR技术进行优化，并引入和改进VAR模型，实现对地面风矢量的预报。
附图说明
[0028] 图1是方法架构和执行流程图。
具体实施方式
[0029] 下面结合附图和实施例对本发明的技术方案作进一步的说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
[0030] 本发明提出一种基于SVR和VAR的地面风矢量临近预报方法，本发明针对气象要素的特征将SVR技术进行优化，并引入和改进VAR模型，实现对地面风矢量的预报。
[0031] 下面结合附图与具体实施方式对本发明做进一步详细描述。本发明工作流程图如图1所示，具体为：
[0032] 首先，收集站点的历史观测数据，至少包括过去一个季度（90天）的地面多种气象要素观测值，观测间隔为10 15分钟。由于地面风的常规观测仅提供风速 和风向
~
两个量，取值范围分别为 和 ，均为有界。因此需要利用下列公式分解成取值范
围均为 的水平纬向风 和水平经向风 两个量：
~
两个量，取值范围分别为 和 ，均为有界。因此需要利用下列公式分解成取值范
围均为 的水平纬向风 和水平经向风 两个量：
[0033] （7）
[0034] 分解后利用公式（1）对 分别进行质量控制，去除仪器测量不稳定性所造成的潜在高频噪声。
[0035] 接着，通过收集到的过去时段内的所有样本，针对每一种地面气象要素，分别利用公式（2）建立其与滞后的 的非线性关系，并计算公式（3）所得到的相对误差大小。选取
相对误差小于10%的非线性模型所对应的气象要素作为显著自变量（共 个）进行后续运
算。通过SVR估计的非线性关系式在计算相对误差结束后不再保留。
相对误差小于10%的非线性模型所对应的气象要素作为显著自变量（共 个）进行后续运
算。通过SVR估计的非线性关系式在计算相对误差结束后不再保留。
[0036] 然后，利用公式（4）分别建立滞后的 、所有 个显著自变量与前期气象要素之间的非线性关系，利用SVR和VAR可以得到 个关系式，存储模型参数供后续使用。
[0037] 最后，利用公式（5）和公式（6）进行预报递推，其中的非线性模型参数由上一步估计得到。按照时间顺序进行递推，即先预报公式等号左边 时刻的 和所有 个
显著自变量，再将其放如公式等号后边，预报公式等号左边 时刻的对应量，以此类
推。每一时刻计算完成后，利用下列公式将 转化为与观测一致的 ：
显著自变量，再将其放如公式等号后边，预报公式等号左边 时刻的对应量，以此类
推。每一时刻计算完成后，利用下列公式将 转化为与观测一致的 ：
[0038] （8）
[0039] 以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范
围。
围。