共查询到17条相似文献，搜索用时 125 毫秒
1.
简要介绍了近年来倍受瞩目的一种处理高度非线性分类、回归等问题的计算机学习的新方法——支持向量机（SVM）方法；分析了这一方法的特点及其在数值预报产品释用及气象研究业务中的应用前景。SVM是一种有坚实理论基础的新颖的小样本学习方法。它基本上不涉及概率测度及大数定律等，因此不同于现有的统计方法。从本质上看，它避开了从归纳到演绎的传统过程，实现了高效的从训练样本到预报样本的“转导推理”(transductive inference)，大大简化了通常的分类和回归等问题。SVM的最终决策函数只由少数的支持向量所确定，计算的复杂性取决于支持向量的数目，而不是样本空间的维数，这在某种意义上避免了“维数灾”。 相似文献
2.
支持向量机在短期气候预测中的应用 总被引：9，自引：1，他引：9
支持向量机（SVM，Support Vector Machines）是基于统计学习理论框架下的一种新的通用机器学习方法。可以解决样本空间中的高度非线性分类和回归等问题，是一种处理非线性分类和非线性回归的有效方法。气候变化诸多因子的复杂性和非线性决定了预报因子与预报对象问的非线性关系，SVM为解决短期气候预测提供了一种可行的有效途径。利用Nino区海温、南方涛动指数、副高面积指数、亚洲区极涡面积指数等15个预报因子，建立了阳泉夏季降水正、负距平的SVM非线性分类模型，同时也建立了阳泉夏季降水的SVM回归模型，并进行了相应的预报试验，结果显示，对应的SVM分类模型和回归模型均具有良好的预报能力。 相似文献
3.
4.
支持向量机（SVM）方法在气象预报中的个例试验 总被引：4，自引：0，他引：4
SVM（Support Vector Machine）方法的基本思想是：通过非线性映射把样本空间映射到一个高维乃至于无穷维的特征空间（Hilbert空间），在特征空间中寻求最优划分或回归线性超平面，从而解决样本空间中的高度非线性分类和回归等问题。利用1998～2000年9～11月T106—36小时预报的各种输出产品构造因子，以单站有无降水为预报对象，采用MOS法方式构造样本，通过训练建立了单站的晴雨SVM分类预报模型，利用1990～2000年4～9月ECMWF北半球的500hPa高度、850hPa温度、地面气压的0小时分析场资料，确定关键区域，构造预报因子，以PP法方式构造样本，通过训练建立了四川盆地内单站气温的SVM回归预报模型，并进行了模拟试验，结果表明，无论是单站晴雨的SVM分类预报模型还是单站平均气温的SVM回归预报模型都显示出了艮好的预报能力。 相似文献
5.
支持向量机在大气污染预报中的应用研究 总被引：1，自引：1，他引：1
支持向量机是基于统计学习理论的新一代机器学习技术，其非线性回归预测性能优越于传统统计方法。利用前一天该污染物的日均浓度、前一天地面平均风速等7个预报因子建立了基于RBF核函数支持向量回归法的大气污染预报模型，并利用十重交叉验证和网格搜索法寻找模型最优参数。乌鲁木齐大气预报实例表明：支持向量机显示出小样本时预报精度较高和训练速度快的独特优势，为空气质量预报提供一种全新的模式。 相似文献
6.
SVM(Support Vector Machine)方法的基本思想是:通过非线性映射把样本空间映射到一个高维乃至于无穷维的特征空间(Hilbert空间),在特征空间中寻求最优划分或回归线性超平面,从而解决样本空间中的高度非线性分类和回归等问题.利用1998～2000年9～11月T106-36小时预报的各种输出产品构造因子,以单站有无降水为预报对象,采用MOS法方式构造样本,通过训练建立了单站的晴雨SVM分类预报模型,利用1990～2000年4～9月ECMWF北半球的500hPa高度、850hPa温度、地面气压的0小时分析场资料,确定关键区域,构造预报因子,以PP法方式构造样本,通过训练建立了四川盆地内单站气温的SVM回归预报模型,并进行了模拟试验,结果表明,无论是单站晴雨的SVM分类预报模型还是单站平均气温的SVM回归预报模型都显示出了良好的预报能力. 相似文献
7.
支持向量机方法在冰雹预报中的应用 总被引：2，自引：1，他引：1
支持向量机（Support Vector Machines简称SVM）方法是近年发展起来的一种新的统计学习理论方法,本文通过对这一方法的学习,总结陇东主要降雹的环流形势特点,利用这一新方法对冰雹分类预报进行了探讨,经检验,效果较好。并与传统的天气分型后制作预报模式进行了比较,验证了SVM方法不需要进行天气分型,这样总样本数多,建立的预报模型效果好。这为基层台站制作天气预报模式提供了一种新方法和新思路。 相似文献
8.
根据2008—2010年夏季邵阳地区的NCEP全球再分析资料(分辨率为1°×1°)和闪电定位资料,利用支持向量机(SVM)分类方法建立该地区雷暴潜势预报模型,并用测试样本检验了该模型的预报能力,同时与Logistic回归模型和Bayes判别法的预报效果进行了比较。结果表明,SVM模型的预报准确率为86.21%,虚警率为15.25%,漏报率为13.79%。对比三种模型的TSS技术评分,发现使用SVM方法建立的模型对邵阳地区雷暴预报的效果最好,评分值为0.79。因此,SVM方法所建立的模型可以为邵阳地区6 h的雷暴潜势预报提供一定的参考价值。 相似文献
9.
支持向量机(SVM)的惩罚参数及核参数的选择直接影响到模型效果,通过粒子群算法(PSO)解决支持向量机的参数选择问题,实现了参数选择的自动化。将该方法应用于热带气旋强度预报,利用气候持续性因子,挑选了1990年的100个左右样本进行预报检验,预报时效为12 h、24 h、36 h、48 h的强度平均绝对误差分别为3.00、4.35、4.93和6.68 m/s。另外,还与国外预报结果及采用最小二乘回归法的预报结果进行了效果的比较,SVM方法显示了更好的预报能力。 相似文献
10.
银川河东机场小样本雷暴分类客观预报方法研究 总被引：2，自引：2，他引：0
利用2000—2016年欧洲中心再分析资料、探空及地面自动气象站观测资料,根据天气过程的强度和对应物理量,分别对银川河东机场雷暴伴随大风、降水等不同天气现象类别进行定量化转换,采用峰度偏度系数、χ~2以及Q-Q图3种方法对定量转换的数据进行正态性检验,结果表明:按天气现象分类的样本服从正态分布,未分类样本基本服从。利用逐步回归、多元回归、非线性回归、BP人工神经元网络以及支持向量机5种方法,分别建立了雷暴现象与强度预报模型。结果表明:BP网络以及SVM对天气现象的预报能力较强;分类逐步、多元以及非线性回归模型分别对弱雨、强雨以及大风和降雨同时发生的天气强度预报效果较好。并在此基础上通过最优分析设计了河东机场不同种类雷暴天气定性和定量预报相结合的业务系统。 相似文献
11.
支持向量机(SVM)是一种新型的机器学习方法。利用1999-2003年7月清远站每天08:00的探空资料,建立广州白云机场24 h内有无雷雨的SVM分类模型,进行相应的预报实验,实验结果显示对应的SVM分类模型效率高、准确率高,且泛化能力强,预报Ts评分非常理想,都达到80%以上;结果准确率并不会因为训练样本数目的减少而大幅度降低,具有良好的预报能力。对于某个特定的核函数,可通过调整误差惩罚参数C来得到性能最优的SVM。 相似文献
12.
13.
冬季降水相态及其转变时间的精细化客观预报对提高气象预报和服务质量具有重要的现实意义。利用京津冀地区国家级自动气象站观测资料及网格化快速更新精细集成产品,统计分析了京津冀地区复杂地形下各类降水相态温度和湿球温度平均气候概率的分布差异及不同降水相态时网格化快速更新精细集成产品中可能影响降水相态判断的特征信息。然后将地面观测天气现象资料、复杂地形下降水相态气候特征及高分辨率模式输出产品作为特征向量,分别基于梯度提升（XGBoost）、支持向量机（SVM）、深度神经网络（DNN）3种机器学习方法建立了降水相态的高分辨率客观分类模型,并对同样条件下3种机器学习方法对雨、雨夹雪和雪3种京津冀主要降水相态的预报效果进行了对比检验,进一步提升了雨夹雪复杂降水相态的客观分类预报技巧。 相似文献
14.
针对气象灾害预警业务中客观描述降雨型滑坡发生不确定性的实际需求,利用2014—2020年全国滑坡数据以及多源融合降水实况分析数据,通过样本构建、模型训练、参数优化以及预报输出等关键步骤构建基于机器学习分类算法的区域降雨诱发滑坡概率预报模型,探究不同类型机器学习分类算法识别诱发滑坡的降雨过程的可行性。结果表明:在算法评估中,线性判别分析算法准确率最高且泛化能力最好,其次为逻辑回归算法,再次为最邻近算法。在预报试验中,线性判别分析、逻辑回归以及最邻近等算法能够提取并学习降雨诱发滑坡的条件特征,对诱发滑坡的降雨过程有一定识别能力,最邻近算法和逻辑回归算法的概率预报高值区范围相对较大,易造成虚警结果,线性判别分析算法对局地降雨信息的提炼较好,但线性判别分析算法在非降雨中心区域输出低值概率预报的面积偏大。 相似文献
15.
传统机器学习中通常隐含假设所研究问题是类别平衡的, 气象预报中预测灾害天气时就不满足这个假设, 这时往往需要预测重要而稀少的正类 (少数类)。传统机器学习以精度最大化为目标, 在遇到不平衡类别问题时, 容易训练出把所有实例都分为反类 (多数类) 的平庸的分类器。支持向量数据描述是从支持向量机 (SVM) 发展而来的基于核的机器学习方法, 只使用一类样本就可以工作, 适合于不平衡类别。以铜川暴雨预测作为试验对象, 对SVM和支持向量数据描述 (SVDD) 进行了对比试验。试验结果表明对于这个不平衡类别问题SVDD具有优势。 相似文献
16.
为推动区域旅游事业发展,满足旅游气象服务需求,研究针对云南元江哈尼云海景观进行了立体气象观测和业务预报实验。本研究基于云南元江云海气候站2016—2019年观测数据,利用经验预报法、Logistics回归、支持向量机、决策树分析等方法,进行了云海景观出现与否的二分类预报实验。结果表明：各预报方法间训练样本总体准确率在74.3%—82.2%之间差别不大,但传统经验预报基于云海机理研究背景,预报指标物理意义明确,随着预报经验的积累经验预报2019年TS评分为54.8,优于2016—2018年TS评分46.0,也优于仅使用局地数据的统计学习算法的预报评分,且其他几种统计学习预报方法的检验样本TS评分均不如训练样本评分高。云海景观出现需要水汽条件和大气静稳条件的配合,局地云海气象观测站建设收集的立体气候数据有利于预报人员改进预报指标体系,提高预报准确率,有利于提升区域旅游气象服务能力发展。 相似文献
17.
在信息量较大, 而预报对象与预报因子的关系又不清楚的状况下, 智能机器学习方法是解决这类问题的较好手段。利用1997—2001年成都站的常规探空资料和双流机场的地面观测资料, 使用支持向量机 (Support Vector Machines, 简称SVM) 方法, 选取多种核函数进行双流机场低能见度天气的预报建模试验。测试结果表明:以径向基函数和拉普拉斯函数构造的SVM预报模型实验效果最好, Ts评分分别为0.287和0.292, 远高于双流机场低能见度天气出现的频率 (0.155)。试验结果还表明:以径向基函数构造的SVM预报模型空报较多, 漏报较少; 而以拉普拉斯函数构造的SVM预报模型空报较少, 漏报较多。因此, 如果强调模型对低能见度天气预报的准确性, 则应采用以拉普拉斯函数构造的预报模型, 如果强调对低能见度天气的预防性, 则应采用以径向基函数构造的预报模型。 相似文献