基于非线性粒子群算法与神经网络的天气预测

现代农业科技

2 0 1 3年第 1 1期

资源与环境科学

基于非线性粒子群算法与神经网络的天气预测 吕祥铭闰跃吕淞霖张淑颖 ( -江苏省丰县气象局，泣苏丰县 2 2 1 7 0 0;睢宁县气象局) 摘要采用非线性 P S O— B P神经网络对天气预测，可以有效地预测出多云、晴天和下雨 3种不同天气。非线性 P S O— B P算法提高了天气预测的准确度和精度，加快了网络收敛速度，为智能化天气预报提供了基础。

关键词非线性；粒子群算法； B P神经网络；天气预测中图分类号 P 4 5 6 文献标识码 A 文章编号 1 0 0 7— 5 7 3 9 ( 2 0 1 3 ) 1 1 - 0 2 6 5— 0 2 We a t h e r Fo r e c a s t Ba s e d o n N0 nl i n e a r PS 0一 BP

LV Xi a n g -mi n g

YAN Yu e

LV S o n g - l i n ZHANG S h u - y i n g

(’ F e n g x i a nMe t e o r o l o g i c a l B u r e a ui n J i a n g s uP r o v i n c e, F e n g x i a n J i a n g s u 2 2 1 7 0 0; S u i n i n gMe t e o r o l o g i c a l B u r e a u) Abs t r a c t Th r e e k i n d o f d i f f e r e n t we a t he r s, i n c l u di n g c l e a r d a y, c l o u d y d a y a n d r a i n y d a y c a n be p r e di c t e d b y us i n g a n e ur a l n e t wo r k t r a i ne d b y

t h e h y b i r d a l g o r i t h m c o mb i n i n g n o n l i n e a r p a r t i c l e s w a r m o p t i mi z a t i o n( P S O)a lg o i r t h m w i t h b a c k p r o p a g a t i o n ( B P) . No n l i n e a r P S O— B P me t h o d i mp r o v e d t h e p r e di c t i o n r a t e a n d c o mpu t i n g a c c u r a c y, p r o mo t e d

t h e n e t c o n v e r g e n c e s p e e d, a n d p r o v i d e d a n e f f e c t i v e a n d f e a s i b l e me t h o d f o r i n t e l l i g e n t we a t h e r f o r e c a s t .

Ke ywo r ds n o n l i n e a r; p a r t i c l e s wa r l n o p t i mi z a t i o n a l g o r i t h m; BP ne u t r l a n e t wo r k; we a t h e rf o r e c a s t

天气预报的主要内容是预测局部地区未来一段时期内的阴晴雨雪、最高与最低气温、风力和风向及特殊的灾害性天气。气象台准确预报寒潮、台风、暴雨等自然灾害出现的位置和强度，就可以直接为工农业生产和群众生活服务，有效避免自然灾害，减少自然灾害带来的巨大经济损失和人 员伤亡。

惯性权重是粒子群算法中重要的变量，其作用是控制

粒子群的搜索能力和对当前速度的记忆能力。合适的惯性权重可以使算法以最快的收敛速度搜索到最优解，相反，如 果初始惯性权重选择不合理，很有可能使算法进入死循环。

惯性权重设置较大，粒子在迭代过程中移动速度快，其全局搜索能力就强；反之，较小的惯性权重，粒子在迭代过程中的移动速度就慢，其局部搜索能力就强。因此，近些年来大批学者对于惯性权值进行了改进。 在非线性粒子群算法中，惯性权值勘从最大值 0 . 9开始，按照幂数形式非线性减小，并且在迭代步长最大值时达 到最小值 0 . 4。学习因子 C 从最大值 2 . 7非线性减小至最小值 1 . 7。同时，学习因子 c:从最大值 2 . 1非线性减小至最小值 1 . 1。数学表达式如式 ( 1 )~ ( 5 )所示： V i d ( + 1 )= WV i d (￡ )+ c l n(尸 i d— )+ c 2 r 2 (一 i d ) X试 ( + 1 ): (￡ )+ . d ( t+ 1 ) =

随着信息技术的迅猛发展，世界各国正在全力探索新 的预报业务流程和应用系统。美国国家天气服务中心 ( N WS )开发的 A

WI P S主要用于业务天气分析，它能够在信

息处理、显示、天气分析、通讯等方面体现强大功能，可以分析多种气象资料与地理信息叠加信息，是美国目前主要的天气分析处理系统口 1。中国气象局于 2 0世纪 9 0年代末开发完成的气象信息综合分析处理系统历经 1 0多年的发展，已成为气象部门广为应用的业务系统，在预报预测业务和科 研工作中发挥着越来越重要的作用[ 2 1。笔者总结出几十年气

( 1 ) ( 2 )

象工作的经验，观察丰县地区多年采集的环境数据，建立了 一

套非线性粒子群算法与神经网络相结合模型，利用当地

0 . 9 _ 0 . 5 ( ) /,一 \ 3 1

( 3 ) ( 4 )

地区的温度、湿度和气压作为神经网络的输入，可以提高天

气预测的准确程度。 1非线性粒子群算法与神经网络模型 1 . 1 P S O算法及其改进

c ( f )= 2 . 7一{ h

} t\

C 2 ( )= 2 . 1一【

I

( 5 )

粒子群算法 ( P S O)初始化一组随机粒子，然后通过跟踪 当前最优的粒子来搜索最优解。假设 d维搜索空间中，有 m

试 ( 1 )~ ( 5 )中： t表示当前迭代步数；￡一表示最大迭代步数； O r,,∈f 0 . 5, 1 . 0, 1 . 5, 2 . O, 2 . 5 )。 为了选取最优的，/ 3、组合，所有的组合都要被测试。

个粒子组成一个群体，第i个粒子的位置和速度分别为 X i= ( | l,,…, m )和 V i= ( I l’ 3/ ,…, V i d ),在每一次迭代中，粒子

因此，共有 5 3种可能的组合，为了简化样本，采用正交试验法I 6 - 7 1。采用 L 2 5 ( 5 )安排试验，用2 5种试验组合来代替 5 3种可能的组合，试验证明取 2 . 0、取 2 . 0、’,取 1 . 5时效果 最佳。

通过跟踪 2个最优解来自我更新。~是粒子本身所找到 的最优解，及个体极值 p妇， P i= ( p i l, P ,…, P d )为粒子 i搜索

到的最优位置；二是整个种群目前找到的最优解，即全局最优解 g, g= (萄，,,…,

)为整个粒子群搜索到的最优 位置。 作者简介吕祥铭 ( 1 9 6 2一),男，江苏睢宁人，气象工程师。研究方向：天气预测与防雷减灾。 通讯作者收稿日期 2 0 1 3— 0 4— 2 3

开始时先选取较大的惯性权重，初始粒子群具有较强

的搜索能力，在粒子远离最优值时，惯性权值加速其搜索速 度，使其迅速靠近最优解；当粒子逐渐靠近最优解时，惯性

权值减小，因此搜索速度减小时。从式( 3 )可以看出，当惯性 权重较大时，粒子受自身最优和全局最优影响较小，粒子间 2 6 5

第1页