【組合預(yù)測(cè)法在H市降雨量預(yù)測(cè)中的應(yīng)用探究（論文）8800字】

組合預(yù)測(cè)法在H市降雨量預(yù)測(cè)中的應(yīng)用研究摘要時(shí)間分析是數(shù)理統(tǒng)計(jì)的一個(gè)重要分支，被廣泛用于研究和處理動(dòng)態(tài)數(shù)據(jù)的隨機(jī)分析。隨著科學(xué)、技術(shù)和計(jì)算機(jī)的進(jìn)一步發(fā)展，時(shí)間分析已經(jīng)成為一個(gè)越來(lái)越重要的發(fā)展層面，并成為自然科學(xué)和社會(huì)科學(xué)中不可或缺的數(shù)據(jù)處理工具。降水是衡量一個(gè)地區(qū)氣候的重要指標(biāo)，氣候變化可以直接反映一個(gè)地區(qū)的降水情況，也會(huì)影響社會(huì)生產(chǎn)和生態(tài)用水需求。近年來(lái)，由于氣候變化和降水變異性的增加，極端降水事件經(jīng)常發(fā)生在城市地區(qū)，導(dǎo)致區(qū)域性洪水。因此，準(zhǔn)確重建未來(lái)的降雨事件是非常有用的。特別是，研究和分析了時(shí)間旅行分析和神經(jīng)網(wǎng)絡(luò)的基本理論和方法，以研究科馬維爾每日降雨的順序和特殊性，并闡述預(yù)測(cè)方法。首先，本文介紹了ARMA-EGARCH，RBF神經(jīng)網(wǎng)絡(luò)，組合預(yù)測(cè)數(shù)學(xué)預(yù)測(cè)；其次，本文從中國(guó)氣象網(wǎng)中摘取了目前2018年至2020年基于日降雨量數(shù)據(jù)，繼而利用幾種數(shù)學(xué)模型進(jìn)行數(shù)據(jù)分析，接著依據(jù)預(yù)測(cè)誤差根據(jù)標(biāo)準(zhǔn)差法確定組合預(yù)測(cè)的加權(quán)權(quán)重；最后根據(jù)組合預(yù)測(cè)模型得出預(yù)測(cè)數(shù)據(jù)。關(guān)鍵詞：降雨量；時(shí)間序列分析；神經(jīng)網(wǎng)絡(luò)；組合預(yù)測(cè)目錄摘要 I1引言 11.1國(guó)內(nèi)外文獻(xiàn)綜述 11.2研究?jī)?nèi)容與目的 21.3降雨量預(yù)測(cè)與分析研究現(xiàn)狀 22降水預(yù)測(cè)的兩種預(yù)測(cè)模型與組合預(yù)測(cè)方法 32.1ARMA模型 32.2組合預(yù)測(cè)模型 52.3神經(jīng)網(wǎng)絡(luò)模型 53幾種模型在降水預(yù)測(cè)上的應(yīng)用分析 73.1ARMA-EGARCH模型預(yù)測(cè) 73.1.1數(shù)據(jù)預(yù)處理與平穩(wěn)性檢驗(yàn) 73.1.2模型識(shí)別及參數(shù)估計(jì) 83.1.3模型的假設(shè)檢驗(yàn) 93.1.4ARCHLM檢驗(yàn) 93.1.5ARMA-EGARCH模型的建立 103.1.6未來(lái)時(shí)期降雨量的預(yù)測(cè)結(jié)果分析 113.2神經(jīng)網(wǎng)絡(luò)預(yù)測(cè) 123.3組合預(yù)測(cè)模型 133.7模型評(píng)價(jià) 144降水量研究的意義 155結(jié)語(yǔ) 15參考文獻(xiàn) 161引言1.1國(guó)內(nèi)外文獻(xiàn)綜述目前，短期氣候預(yù)測(cè)方法多以統(tǒng)計(jì)法與經(jīng)驗(yàn)?zāi)Ｐ蜑橹?，由于周期性變化因素不確定，在多步驟預(yù)測(cè)中，結(jié)果會(huì)逐漸趨向于平均和極端的樣本效應(yīng)，并且，預(yù)測(cè)漲落型的氣候時(shí)間序列，變化的臨界點(diǎn)預(yù)測(cè)能力低?；跉夂驎r(shí)間序列含有不同的時(shí)間尺度震蕩，魏鳳英期望擴(kuò)展數(shù)學(xué)概念，用統(tǒng)計(jì)學(xué)中的算術(shù)平均時(shí)間來(lái)確定時(shí)間序列的均生函數(shù)，通過(guò)函數(shù)創(chuàng)建模型，可以作為預(yù)測(cè)的步驟，也可以做多步驟預(yù)測(cè)，并建立了已投入使用的長(zhǎng)期預(yù)測(cè)新方案。關(guān)于采暖季城市溫度變化的預(yù)測(cè)，和其他關(guān)于黃土高原春旱、東部城市夏季熱浪的預(yù)測(cè)，張雪梅，郭江勇，張尚印表現(xiàn)較好。這是一項(xiàng)著眼于降水時(shí)間序列的特點(diǎn)的研究，建立一個(gè)均生函數(shù)模型，預(yù)計(jì)將為短期氣候預(yù)測(cè)提供基礎(chǔ)。安徽省合肥市的降雨情況被作為研究的背景。雨水落在地面后，部分不會(huì)經(jīng)過(guò)蒸發(fā)、徑流或者是滲透，這樣就會(huì)積累于水面，形成的水層深度就叫做降雨量。選取mm作為單位，根據(jù)一天的降水量進(jìn)行分級(jí)，分為六個(gè)等級(jí)，如表1-1所示。根據(jù)中國(guó)氣象部門(mén)的規(guī)定，日降雨量達(dá)到0.1毫米即為雨天，而日降雨量小于0.1毫米則被稱(chēng)為"微量降雨"。表1-1降雨等級(jí)等級(jí)24小時(shí)降雨量(mm)等級(jí)24小時(shí)降雨量(mm)小雨0.1~10暴雨50~100中雨10~25大暴雨100~250大雨25~50特大暴雨>250由于受地形條件等因素的影響，目前安徽地區(qū)的降水觀測(cè)站較少，短期內(nèi)不可能建立較密集的降水觀測(cè)站，部分站點(diǎn)仍缺乏數(shù)據(jù)。因此，提高合肥市的降水預(yù)報(bào)精度是主要任務(wù)，值得研究。強(qiáng)降水會(huì)造成山體滑坡、泥石流、塌方、洪水等地質(zhì)災(zāi)害，不僅威脅到人們的安全，也會(huì)給國(guó)家和人民帶來(lái)巨大的經(jīng)濟(jì)損失。如果能科學(xué)準(zhǔn)確地預(yù)測(cè)降水，那么就能事先告知相關(guān)部門(mén)與市民，做好相應(yīng)準(zhǔn)備工作，不僅僅可讓洪水或者是暴雨導(dǎo)致的損失得到控制，無(wú)論是從工農(nóng)業(yè)建設(shè)來(lái)看還是從市民出行來(lái)看都有非常深遠(yuǎn)的現(xiàn)實(shí)意義?？紤]到眾多因素都會(huì)對(duì)降水帶來(lái)影響，而且因素極為復(fù)雜，單純地依靠傳統(tǒng)線(xiàn)性模型并不能對(duì)降水發(fā)展走向進(jìn)行精準(zhǔn)地描述。所以，國(guó)內(nèi)外眾多學(xué)者嘗試著將灰色預(yù)測(cè)模型、時(shí)間序列分析、馬爾科夫預(yù)測(cè)以及平均生產(chǎn)函數(shù)等多種方法應(yīng)用到了其中，著重探究過(guò)去的數(shù)據(jù)和未來(lái)的數(shù)據(jù)間存在的非線(xiàn)性關(guān)系，效果較為顯著。從時(shí)間序列法來(lái)看，其他因子被時(shí)間因子所取代，模型進(jìn)度實(shí)現(xiàn)了較大的提升，降水呈現(xiàn)出的變化規(guī)律也得到了更為精準(zhǔn)的描述。基于當(dāng)前的研究成果，本文采用時(shí)間序列分析法和神經(jīng)網(wǎng)絡(luò)理論建立模型，解決降水預(yù)報(bào)問(wèn)題。因此，現(xiàn)將這些模型的理論簡(jiǎn)要介紹如下。1.2研究?jī)?nèi)容與目的以現(xiàn)行對(duì)降雨量預(yù)測(cè)理論展開(kāi)的探究為參照，本文主要有下述幾個(gè)研究目標(biāo)：理論基礎(chǔ)。針對(duì)時(shí)間序列數(shù)據(jù)建立了包括BP以及RBF神經(jīng)網(wǎng)絡(luò)等在內(nèi)的多種模型，通過(guò)這些理論描述并且分析了過(guò)去的數(shù)據(jù)，也對(duì)未來(lái)的發(fā)展趨勢(shì)進(jìn)行了預(yù)測(cè)，建立的理論體系還是比較健全的。實(shí)證分析。在預(yù)測(cè)降雨量的過(guò)程中用到了上述模型，分析取得的結(jié)果，證明在對(duì)降雨量進(jìn)行預(yù)測(cè)時(shí)，時(shí)間序列分析法還是具有一定的可行性的，這也是本文最為關(guān)鍵的部分。結(jié)果分析。建立了合理模型預(yù)測(cè)合肥市今后一段時(shí)間的降雨量，針對(duì)當(dāng)?shù)亟ㄔO(shè)及其農(nóng)業(yè)發(fā)展給出了幾點(diǎn)可行意見(jiàn)。1.3降雨量預(yù)測(cè)與分析研究現(xiàn)狀在國(guó)外的研究中，研究者們大多是利用神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)未來(lái)時(shí)期的降雨量，這種方法已經(jīng)被廣泛地應(yīng)用于地區(qū)降雨與徑流的預(yù)測(cè)中，均取得了較好的效果，也表明神經(jīng)網(wǎng)絡(luò)在氣象預(yù)報(bào)的研究上取得了不錯(cuò)的進(jìn)展。在國(guó)內(nèi)的研究中，許多學(xué)者對(duì)降雨量的預(yù)測(cè)做出了巨大的貢獻(xiàn)，也取得了較為滿(mǎn)意的效果。研究關(guān)于地區(qū)降雨量的論文不計(jì)其數(shù)，但對(duì)于降雨的研究，這些論文大多數(shù)是利用時(shí)間序列方法中的自回歸滑動(dòng)平均模型(ARMA)對(duì)某地區(qū)年降雨量或者月度降雨量進(jìn)行建模分析，而本文將結(jié)合神經(jīng)網(wǎng)絡(luò)模型對(duì)合肥市地區(qū)降雨量日值數(shù)據(jù)進(jìn)行預(yù)測(cè)與分析。最后，通過(guò)對(duì)預(yù)測(cè)結(jié)果進(jìn)行比較與分析，總結(jié)自回歸滑動(dòng)平均模型與神經(jīng)網(wǎng)絡(luò)模型的優(yōu)缺點(diǎn)及適用性。2降水預(yù)測(cè)的兩種預(yù)測(cè)模型與組合預(yù)測(cè)方法2.1ARMA模型定義2.2.1存在一個(gè)時(shí)間序列，假使它是一個(gè)隨機(jī)變量序列，均值、方差都是有限的，而且是獨(dú)立同分布的，那么就被叫做白噪聲序列。如果，也就是服從的是正態(tài)分布，均值等于0、方差等于，那么就被叫做高斯白噪聲序列。從白噪聲序列來(lái)看，全部自相關(guān)系數(shù)都是等于0的，但實(shí)際上，假使全部樣本都有著與0相差不大的自相關(guān)系數(shù)，那么這個(gè)序列就可以被當(dāng)做一個(gè)白噪聲序列。定義2.2.2存在一個(gè)序列，它是一個(gè)均值等于0的平穩(wěn)序列，如果滿(mǎn)足階數(shù)為p的隨機(jī)差分方程：同時(shí)符合下述要求：(a)是一個(gè)白噪聲序列；(b)；(c).那么(2-1)式就被叫做p階自回歸模型，用來(lái)表示，就被叫做p階自回歸序列，實(shí)系數(shù)代表自回歸系數(shù)。條件(c)意味著：s時(shí)刻的白噪聲和t時(shí)刻的之間是相互獨(dú)立的。從式(2-1)可以看到，各時(shí)刻的是相互獨(dú)立的，但實(shí)際上，該模型的殘差序列不滿(mǎn)足白噪聲序列的要求，所以應(yīng)對(duì)模型進(jìn)行修改，轉(zhuǎn)換成下式：式中表示的是白噪聲序列,，q是一個(gè)正整數(shù)。所以不難發(fā)現(xiàn)：出于便于敘述的目的，對(duì)上式進(jìn)行了變換，通過(guò)一步延遲算子B對(duì)其進(jìn)行了表示，令，則(2-5)式就能夠轉(zhuǎn)換成：與可以叫做算子B的多項(xiàng)式。定義2.2.3假使是一個(gè)均值等于0的平穩(wěn)序列，在符合(2-3)式的多項(xiàng)式方程的前提下，若還符合下述要求：(a)與不存在公因子；(b)；(c)為一個(gè)白噪聲序列；(d).那么(2-3)式就被叫做自回歸滑動(dòng)平均模型，用ARMA(q,p)來(lái)表示，就被叫做ARMA(q,p)序列，該式的左邊表示的是自回歸部分，p表示的是自回歸階數(shù)，表示的是自回歸系數(shù)，等式右邊表示的是滑動(dòng)平均部分，q表示的是滑動(dòng)平均階數(shù)，表示的是滑動(dòng)平均系數(shù)。如果p為0，那么(2-3)式就能夠化簡(jiǎn)成：這時(shí)，(2-4)式就被叫做q階滑動(dòng)平均模型，用MA(q)模型來(lái)表示。如果q為0，那么(2-3)式就能夠化簡(jiǎn)成：在這種情況下，(2-5)模型就會(huì)變換成自回歸模型，也就是AR(p)模型。如果p和q均為0，那么(2-3)式就能夠化簡(jiǎn)成：這種情況表示的是一個(gè)白噪聲序列。AR(p)模型也好,ARMA(p,q)模型也罷，從自回歸算子方程來(lái)看，假使所有的根都不在單位圓內(nèi)，那么這個(gè)模型就表現(xiàn)出了很好的平穩(wěn)性。同時(shí)，就被叫做相應(yīng)的特征方程，顯而易見(jiàn)的是，的根不同，它跟特征方程的根之間存在的是倒數(shù)關(guān)系，換而言之，如果特征方程的所有根都不在單位圓外，那么就意味著這個(gè)模型表現(xiàn)出了很好的平穩(wěn)性。MA(q)模型也好,ARMA(p,q)模型也罷，從滑動(dòng)平均算子方程來(lái)看，假使所有的根都不在單位圓內(nèi)，那么這個(gè)模型就表現(xiàn)出了很好的可逆性。同時(shí)，就被叫做相應(yīng)的特征方程，如果特征方程的所有根都不在單位圓外，那么就意味著這個(gè)模型表現(xiàn)出了很好的可逆性。2.2組合預(yù)測(cè)模型在信息基礎(chǔ)沒(méi)有區(qū)別的情況下，預(yù)測(cè)方法不同得到的結(jié)果也有可能是不同的。假使我們只是憑借誤差平方和這個(gè)指標(biāo)舍棄掉了指標(biāo)值過(guò)大的部分方法，那么部分有價(jià)值的信息就會(huì)被舍棄掉了，這些信息就沒(méi)有辦法有效利用，理應(yīng)予以規(guī)避。組合預(yù)測(cè)法指的是利用構(gòu)建組合這種方式來(lái)對(duì)模型進(jìn)行預(yù)測(cè)，對(duì)多種預(yù)測(cè)法進(jìn)行綜合而得出相應(yīng)預(yù)測(cè)結(jié)果?？紤]到組合預(yù)測(cè)模型可以讓多種預(yù)測(cè)信息得到最大化的利用，相較于單一預(yù)測(cè)模型來(lái)說(shuō)有著更為全面、更具系統(tǒng)性的優(yōu)點(diǎn)，因而可讓隨機(jī)因素帶來(lái)的影響得到減少，預(yù)測(cè)更加精準(zhǔn)的同時(shí)也更具穩(wěn)定性。1969年，以組合預(yù)測(cè)法為對(duì)象，格蘭杰以及貝茨展開(kāi)了系統(tǒng)研究，組合預(yù)測(cè)這一概念一經(jīng)提出時(shí)就對(duì)組合預(yù)測(cè)法進(jìn)行了推薦，也就是最小方差法，即B-G模型式中，表示的是一個(gè)k維向量，所有元素都等于1在單項(xiàng)預(yù)測(cè)法帶來(lái)的誤差已知的情況下，效果最佳的權(quán)重向量就能夠求解得出，而后和單項(xiàng)預(yù)測(cè)值相乘，這樣就可得到組合預(yù)測(cè)結(jié)果。2.3神經(jīng)網(wǎng)絡(luò)模型所謂神經(jīng)網(wǎng)絡(luò)，指的是基于對(duì)人的大腦結(jié)構(gòu)以及功能所進(jìn)行的模仿，通過(guò)數(shù)學(xué)方法建立的一種信息處理系統(tǒng)。它會(huì)對(duì)生物體進(jìn)行模仿，也可以叫做人工神經(jīng)網(wǎng)絡(luò)，但是現(xiàn)在所處水平還是比較低的。從具體操作來(lái)看，神經(jīng)網(wǎng)絡(luò)主要存在兩種：一種是訓(xùn)練學(xué)習(xí)操作，指的是在神經(jīng)網(wǎng)絡(luò)中輸入待教信息，并且以之為輸出，使得根據(jù)某一算法就可以讓各單元的權(quán)值大小得到改變，如果網(wǎng)絡(luò)中輸入的是已知信息，那么就可以完成訓(xùn)練，也就是直至輸出達(dá)到了給定要求。另一種是正常操作，指的是在網(wǎng)絡(luò)已經(jīng)訓(xùn)練完成的基礎(chǔ)上，如果輸入了信息，那么輸出結(jié)果就會(huì)保存到神經(jīng)網(wǎng)絡(luò)中。從神經(jīng)網(wǎng)絡(luò)來(lái)看，人工神經(jīng)元是一個(gè)基本處理單元，主要功能在于對(duì)輸入信息作出后處理，同時(shí)以加權(quán)的方式讓其強(qiáng)度得到確定；通過(guò)求和得出輸入信息具有何種擬合效果的結(jié)論；轉(zhuǎn)移特性表現(xiàn)出的結(jié)構(gòu)特征往往是多輸入、單輸出，具體可見(jiàn)下圖：

對(duì)神經(jīng)元結(jié)構(gòu)可作出下述描述：假定j為一個(gè)神經(jīng)元，輸入向量可以表示為式中，表示的是輸入單元個(gè)數(shù)，代表輸入單元。對(duì)于與相連的單元元節(jié)點(diǎn)而言，其加權(quán)向量可以用下式來(lái)表示：式中，表示的是、這兩個(gè)節(jié)點(diǎn)之間的加權(quán)值，也就是連接強(qiáng)度。用來(lái)表示神經(jīng)單元的閾值，假定閾值節(jié)點(diǎn)代表的是固定偏置輸入節(jié)點(diǎn)，其間的連接強(qiáng)度表示的是一個(gè)系數(shù)，那么對(duì)于j神經(jīng)元來(lái)說(shuō)，其輸入加權(quán)和可以用下式來(lái)表示：對(duì)于神經(jīng)元j來(lái)說(shuō)，其輸出狀態(tài)可以表示為：其中，代表的是輸入與輸出之間存在的關(guān)系，也就是傳遞函數(shù)。如果向量中涵蓋了，中涵蓋了，那么上式就能夠改寫(xiě)成：對(duì)于神經(jīng)元j來(lái)說(shuō)，其輸出就能夠用下式來(lái)表示：從各種神經(jīng)網(wǎng)絡(luò)模型來(lái)看，它們之間最為顯著的區(qū)別是轉(zhuǎn)移函數(shù)上表現(xiàn)出了不同，使用較為頻繁的轉(zhuǎn)移函數(shù)有兩種，一種是線(xiàn)性函數(shù)，另一種是非線(xiàn)性函數(shù)。下文列示了一個(gè)較為常見(jiàn)的轉(zhuǎn)移函數(shù)：線(xiàn)性函數(shù)：式中，表示的是輸出值，k表示的是一個(gè)常數(shù)，表示的是輸入信息的加權(quán)和。階躍函數(shù)：函數(shù)3幾種模型在降水預(yù)測(cè)上的應(yīng)用分析3.1ARMA-EGARCH模型預(yù)測(cè)3.1.1數(shù)據(jù)預(yù)處理與平穩(wěn)性檢驗(yàn)數(shù)據(jù)從中國(guó)氣象網(wǎng)獲得，降雨量數(shù)據(jù)為2018年1月1日到2020年12月31日的日值數(shù)據(jù)，共計(jì)1096個(gè)，將其導(dǎo)入Eviews軟件進(jìn)行分析，首先進(jìn)行ARMA建模。作為比較普遍的一種隨機(jī)時(shí)間序列模型，ARMA模型一般可在平穩(wěn)序列的模型建立過(guò)程中得到應(yīng)用。我們要先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理和平穩(wěn)性檢驗(yàn)，因?yàn)榻涤炅啃蛄芯哂须S機(jī)性，其過(guò)程收到多個(gè)因素的影響。模型選用的是前面的1086個(gè)，后面的10個(gè)作為預(yù)測(cè)數(shù)據(jù)，也就是預(yù)測(cè)2020年12月22日開(kāi)始到31日結(jié)束的10天的降雨量。下圖對(duì)降雨量對(duì)應(yīng)的原始序列進(jìn)行了列示：3-1降雨量時(shí)序圖從上圖可知該序列有一個(gè)不太明顯的增長(zhǎng)趨勢(shì)，并且具有年度周期性規(guī)律，由此可以發(fā)現(xiàn)該序列不平穩(wěn)。數(shù)據(jù)周期大致為一年，在每年的6、7月份達(dá)到最大，在冬季的降雨量較少，波動(dòng)性較大，具有一定隨機(jī)性?？紤]到序列X并沒(méi)有表現(xiàn)出顯著趨勢(shì)，而且呈現(xiàn)出了年周期性的特性，因而首先進(jìn)行的是年度差分，也就是以365為周期進(jìn)行劃分，而后進(jìn)行了季節(jié)差分，考慮到季節(jié)差分時(shí)降雨量數(shù)據(jù)會(huì)有1/3左右的減少，會(huì)有對(duì)模型結(jié)果帶來(lái)一定影響的可能，所以，增加了2016年的降雨量數(shù)據(jù)，重復(fù)上述操作，得出了一個(gè)新的時(shí)間序列，用Y來(lái)表示，對(duì)這一個(gè)序列展開(kāi)了平穩(wěn)性檢驗(yàn)。表4-1表示的是ADF檢驗(yàn)得到的結(jié)果，由表可知，p值為0，原假設(shè)被拒絕，意味著序列Y是一個(gè)平穩(wěn)序列，建模具有可行性。3-2ADF單位根檢驗(yàn)結(jié)果3.1.2模型識(shí)別及參數(shù)估計(jì)下表表示的是的自相關(guān)系數(shù)以及偏自相關(guān)系數(shù)，從中不難發(fā)現(xiàn)：在自相關(guān)系數(shù)上，滯后一階后就快速趨近于0了，但是偏自相關(guān)系數(shù)不同，滯后五階后才快速趨近于03-3序列的自相關(guān)系數(shù)和偏相關(guān)系數(shù)表所以，以上表數(shù)據(jù)為依據(jù)，經(jīng)過(guò)多次的試驗(yàn)和調(diào)整，最終確定模型為。利用最小二乘法來(lái)計(jì)算參數(shù)，在軟件中操作，得出的系數(shù)如下因此，利用最小二乘法得到如下方程：顯然，該方程滿(mǎn)足平穩(wěn)性的要求，特征根的倒數(shù)全部都在單位圓內(nèi)，并且模型的參數(shù)都能通過(guò)檢驗(yàn)。3.1.3模型的假設(shè)檢驗(yàn)以模型得到的殘差序列為對(duì)象，對(duì)其進(jìn)行了白噪聲檢驗(yàn)，假使這一殘差序列并非你白噪聲序列，這就意味著未能從殘差序列提取出足夠多的有效信息，此時(shí)有再度對(duì)模型進(jìn)行改進(jìn)的必要。以模型為依據(jù)畫(huà)出殘差的序列圖，具體如下：3-4序列殘差圖從圖中，可以看到序列波動(dòng)的“成群”現(xiàn)象，也就是說(shuō)，波動(dòng)在一些較長(zhǎng)的時(shí)間里相對(duì)小，在一些較長(zhǎng)的時(shí)間里相對(duì)大，這一現(xiàn)象表明該模型的殘差序列可能會(huì)有條件異方差性。3.1.4ARCHLM檢驗(yàn)對(duì)序列進(jìn)行檢驗(yàn)，滯后階數(shù)取為。下表給出了檢驗(yàn)滯后階的結(jié)果。3-5ARMA模型的ARCHLM檢驗(yàn)由上表可知，中的，所以原假設(shè)不能接受，意味著的殘差序列表現(xiàn)出了條件異方差性。3.1.5ARMA-EGARCH模型的建立由上文結(jié)果可以發(fā)現(xiàn)，在模型中，其殘差序列表現(xiàn)出了條件異方差性，所以，該章節(jié)基于模型建立了相應(yīng)地條件異方差模型，提出了、、這三種備選模型，通過(guò)實(shí)驗(yàn)最終確定了模型效果最佳，所以構(gòu)建了模型，下式表示其均值方程：下式表示其方差方程：相較于上式來(lái)說(shuō)，上式中的和值均變小，再進(jìn)行條件異方差的檢驗(yàn)，下表為滯后階的檢驗(yàn)結(jié)果。3-6ARMA-RGARCH模型的ARCHLM檢驗(yàn)故而，基于均值方程建立模型之后，模型殘差序列中表現(xiàn)出的條件異方差性得到了消除，故而該模型可以用于數(shù)據(jù)的擬合。在擬合數(shù)據(jù)的過(guò)程中，這里選用的是EVIEWS軟件，具體可見(jiàn)下圖：圖3-6由上可知，就降水序列Y而言，該模型取得了相對(duì)較好的擬合下鍋，對(duì)于這一序列呈現(xiàn)出的變化趨勢(shì)進(jìn)行了比較精準(zhǔn)地描述。所以可在預(yù)測(cè)序列時(shí)應(yīng)用。3.1.6未來(lái)時(shí)期降雨量的預(yù)測(cè)結(jié)果分析從降雨量預(yù)測(cè)樣本來(lái)看，考慮到其實(shí)際值一般都是等于0的，我們可以按照這個(gè)模型來(lái)預(yù)測(cè)序列y，也就是預(yù)測(cè)降雨量的差分值。根據(jù)下文，除1天和10天外，不難看出，這個(gè)模型對(duì)于這10天的實(shí)際降雨量進(jìn)行了較為準(zhǔn)確的預(yù)測(cè)，預(yù)測(cè)誤差相對(duì)比較小，意味著這個(gè)模型能夠較為準(zhǔn)確的預(yù)測(cè)短期降雨數(shù)據(jù)，預(yù)測(cè)具有相對(duì)較高的精度。圖3-7下表列示的是模型取得的預(yù)測(cè)結(jié)果，顯而易見(jiàn)的是，這個(gè)模型是有較高的精準(zhǔn)度的，所以可將模型用于預(yù)測(cè)降水量。3.2神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)網(wǎng)絡(luò)的基本思想是：為了不通過(guò)權(quán)鏈接將輸入向量鏈接到隱空間，我們將用作隱單元的基來(lái)形成隱含層的空間。當(dāng)?shù)闹行狞c(diǎn)確定的時(shí)候，如此我們也確定了這種鏈接關(guān)系。而隱含層的空間與輸出的空間之間的鏈接是線(xiàn)性的關(guān)系，就是說(shuō)隱含層單元的加權(quán)和就是神經(jīng)網(wǎng)絡(luò)的輸出，這里的權(quán)值是神經(jīng)網(wǎng)絡(luò)的參數(shù)。在網(wǎng)絡(luò)里，隱含層是為了把向量在低維度的基礎(chǔ)上將其連接到高維度而存在的，如此在高維度的時(shí)候，低維度時(shí)出現(xiàn)的線(xiàn)性不可分線(xiàn)性就不存在了，這就是核函數(shù)的思想。在這種方法之下，神經(jīng)網(wǎng)絡(luò)輸入向量輸出向量之前就存在非線(xiàn)性的關(guān)系，而網(wǎng)絡(luò)輸出向量與網(wǎng)絡(luò)參數(shù)之前為線(xiàn)性的關(guān)系，如此就增大了模型的收斂速度并且結(jié)果不會(huì)出現(xiàn)局部極小的情況。利用此建立的模型去預(yù)測(cè)未來(lái)時(shí)期的數(shù)據(jù)。RBF神經(jīng)網(wǎng)絡(luò)具體操作如下開(kāi)始開(kāi)始劃分?jǐn)?shù)據(jù)劃分?jǐn)?shù)據(jù)初始化初始化訓(xùn)練網(wǎng)絡(luò)訓(xùn)練網(wǎng)絡(luò)Y計(jì)算隱含層單元輸出Y計(jì)算隱含層單元輸出計(jì)算輸出層計(jì)算輸出層其他預(yù)測(cè)其他預(yù)測(cè)NoNo結(jié)束結(jié)束本模型使用了合肥市2017年1月1日至2020年12月31日的數(shù)據(jù)，首先先對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行初始化，再使用軟件對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練，在建模中將時(shí)間作為輸入向量，降雨量（mm）作為輸出向量，將實(shí)際數(shù)據(jù)代入進(jìn)去，得出的預(yù)測(cè)值和實(shí)際值的比較結(jié)果如下3-8神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果由上圖可知，神經(jīng)網(wǎng)絡(luò)準(zhǔn)確預(yù)測(cè)了前個(gè)數(shù)據(jù)的降水量，對(duì)于之后的數(shù)據(jù)，預(yù)測(cè)的誤差增大，從大體上看，模型的預(yù)測(cè)與真實(shí)值較接近，說(shuō)明神經(jīng)網(wǎng)絡(luò)較為準(zhǔn)確地預(yù)測(cè)了合肥市的未來(lái)降雨量。由于降水量的預(yù)測(cè)收到很多因素的干擾，且降雨量序列隨機(jī)分布，所以降水量序列十分復(fù)雜，因此對(duì)該序列的預(yù)測(cè)難度較大，總的來(lái)說(shuō)可以看出神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)降水的效果比較好3.3組合預(yù)測(cè)模型為了充分利用上述三個(gè)單項(xiàng)預(yù)測(cè)模型所反映的有效信息，克服單項(xiàng)預(yù)測(cè)模型的缺陷，充分減少預(yù)測(cè)的隨機(jī)性誤差，提高預(yù)測(cè)精度，顯著改進(jìn)預(yù)測(cè)效果，因此建立組合預(yù)測(cè)模型，選擇采用標(biāo)準(zhǔn)差法確定組合權(quán)重設(shè)ARMA-EGARCH模型和神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)誤差的標(biāo)準(zhǔn)差分別為，，且（i=1,2）取，i=1,2，m為模型個(gè)數(shù).W1=0.3549，W2=0.6725其中W1、W2分別為-EGARCH模型和RBF神經(jīng)網(wǎng)絡(luò)模型的權(quán)重.未來(lái)l期的合肥市降水量用下面的式子來(lái)計(jì)算:、分別為ARMA-EGARCJ模型和RBF神經(jīng)網(wǎng)絡(luò)模型的權(quán)重和未來(lái)l期的合肥市降水量預(yù)測(cè)值.將2個(gè)模型的合肥市降水量預(yù)測(cè)值代入模型中，得到組合模型的預(yù)測(cè)值如下圖所示。3.7模型評(píng)價(jià)作為在ARCH模型的基礎(chǔ)上進(jìn)行的擴(kuò)展，EGARCH模型對(duì)于時(shí)間序列變量呈現(xiàn)出的波動(dòng)變化趨勢(shì)能夠進(jìn)行較為精準(zhǔn)的模擬。該模型在金融工程領(lǐng)域的各種實(shí)驗(yàn)研究中得到了廣泛應(yīng)用，常常用于對(duì)波動(dòng)性相對(duì)較高的時(shí)間序列進(jìn)行擬合。從本文來(lái)看，降雨序列本身是有很大波動(dòng)的，最大值與最小值也是有比較大的差值的。所以，本文選用EGARCH模型對(duì)降水出現(xiàn)的波動(dòng)情況進(jìn)行了描述。AEMA-EGARCH模型是基于以前的降水?dāng)?shù)據(jù)進(jìn)行建模和分析。該模型在預(yù)測(cè)未來(lái)10天的降水方面具有最高的準(zhǔn)確性，但它也有局限性。該模型對(duì)數(shù)據(jù)的處理是不同的，所以模型預(yù)測(cè)的最終結(jié)果是降水預(yù)測(cè)值的差異。它沒(méi)有準(zhǔn)確預(yù)測(cè)未來(lái)降水的具體數(shù)值。如何減少降水的預(yù)測(cè)值是未來(lái)工作的主要任務(wù)。RBF神經(jīng)網(wǎng)絡(luò)是一種性能優(yōu)良的前饋型神經(jīng)網(wǎng)絡(luò)，RBF網(wǎng)絡(luò)可以任意精度逼近任意的非線(xiàn)性函數(shù)，且具有全局逼近能力，從根本上解決了BP網(wǎng)絡(luò)的局部最優(yōu)問(wèn)題，而且拓?fù)浣Y(jié)構(gòu)緊湊，結(jié)構(gòu)參數(shù)可實(shí)現(xiàn)分離學(xué)習(xí)，收斂速度快。在組合預(yù)測(cè)中是利用適當(dāng)?shù)姆绞桨讯喾N單一預(yù)測(cè)模型結(jié)合起來(lái)使用，會(huì)、降低預(yù)測(cè)結(jié)果對(duì)其中某個(gè)誤差較大的單一預(yù)測(cè)模型的敏感度，所以組合預(yù)測(cè)通?？梢蕴岣哳A(yù)測(cè)的精度。4降水量研究的意義降水水平的短期波動(dòng)往往會(huì)導(dǎo)致嚴(yán)重的自然災(zāi)害，產(chǎn)生一定的影響，影響到當(dāng)?shù)氐慕?jīng)濟(jì)發(fā)展等。測(cè)量降水的高度計(jì)算方法使我們能夠及時(shí)發(fā)現(xiàn)這些變化，從而采取行動(dòng)應(yīng)對(duì)災(zāi)害。衡量干旱程度的一個(gè)重要指標(biāo)是降雨量，這對(duì)農(nóng)業(yè)生產(chǎn)有直接影響。降雨量的預(yù)測(cè)是當(dāng)今世界的一個(gè)重要問(wèn)題，因?yàn)槿绻嚓P(guān)部門(mén)能對(duì)其進(jìn)行準(zhǔn)確的科學(xué)預(yù)測(cè)，就能及時(shí)采取防災(zāi)措施，減少損失。對(duì)于飽受缺水之苦的北部地區(qū)來(lái)說(shuō)，地下水是北部地區(qū)的主要降水來(lái)源，它使用大部分稀缺的水資源，并儲(chǔ)存剩余的水以減少缺水，降低經(jīng)濟(jì)損失。使用該地區(qū)降雨量的組合預(yù)測(cè)模型對(duì)這些情況進(jìn)行預(yù)測(cè)，計(jì)算出未來(lái)五年合肥市的降雨量變化。5結(jié)語(yǔ)在此次完成論文的過(guò)程中，我學(xué)習(xí)到了很多平常書(shū)本上沒(méi)有的知識(shí).從最開(kāi)始的選題到最終的定稿，整個(gè)過(guò)程牽涉到了眾多環(huán)節(jié)，但是，所有的環(huán)節(jié)我都認(rèn)真地去完成.在此期間，我遇到了一些困難，但在老師和同學(xué)的幫助下，我順利的完成了此次的畢業(yè)論文設(shè)計(jì).在對(duì)數(shù)據(jù)進(jìn)行具體的分析時(shí)，我發(fā)現(xiàn)自己平常在書(shū)本上學(xué)習(xí)的一些理論知識(shí)或者案例在現(xiàn)實(shí)中很難運(yùn)用，對(duì)模型的建立、分析以及擬合優(yōu)度檢驗(yàn)也是有一定難度的，因此我還是需要繼續(xù)努力學(xué)習(xí)，多多實(shí)踐.轉(zhuǎn)眼間，大學(xué)四年的學(xué)習(xí)時(shí)光就快結(jié)束了，回顧四年的大學(xué)生活中的點(diǎn)點(diǎn)滴滴，滿(mǎn)滿(mǎn)的都是感動(dòng).在課堂上，老師們的認(rèn)真教授學(xué)業(yè)內(nèi)容，課堂下，耐心輔導(dǎo)同學(xué)們不懂的知識(shí).同學(xué)們也一直勤奮刻苦的鉆研，認(rèn)真學(xué)習(xí)科學(xué)文化知識(shí)，積極樂(lè)觀的面對(duì)出現(xiàn)的難題和挑戰(zhàn).室友們也一直熱心幫助我，關(guān)心我.所有的這些都讓我的四年變得難忘.同時(shí)，在大學(xué)里參加的一些社團(tuán)組織、比賽和活動(dòng)，也讓我認(rèn)識(shí)了很多新的朋友，這都讓我的大學(xué)生活更加的多姿多彩.

參考文獻(xiàn)[1]HongpingLiu,V.Chandrasekar&GangXu.AnadaptiveNeuralNetworkSchemeforRadarRainfallEstimationformWSR-88DObservations[J].JournalofAppliedMeteorology,2001,40(11):2038-2050.[2]Baik,J.-J.&H.-S.Hwang.TropicalCycloneIntensityPredictionUsingRegressionMethodNeuralNetwork[J].JournaloftheMeteorologySocietyofJapan,1998,76(5):711-717.[3]Junaida,S.&H.Hirose.AmethodtopredictheavyprecipitationusingtheArtificialNeuralNetworkswithanapplication[J].IEEE會(huì)議論文,2015.[4]杜懿，麻榮永，趙立亞.不同模型在南寧市年降雨量預(yù)測(cè)中的應(yīng)用比較[J].人民珠江,2018,39(4):1-4.[5]金治.基于ARMA模型的丹東市降雨時(shí)間序列分析[J].水利規(guī)劃與設(shè)計(jì),2017(5):35-38.[6]徐文霞，林俊宏，