基于参数优化的支持向量机回归的降雨量等值面生成方法技术

本发明专利技术提供了一种基于新型参数优化的支持向量机回归的降雨量等值面生成方法、系统、介质电子设备包括：分别基于拉普拉斯核、高斯核和Sigmoid核构建支持向量机回归模型；分别对基于高斯核、拉普拉斯核和Sigmoid核的支持向量机回归模型进行参数寻优训练，得到寻优的对应的参数组合；根据寻优的对应参数组合分别更新基于高斯核、拉普拉斯核和Sigmoid核的支持向量机回归模型，得到最优模型，然后输入待插值点数据，进行最优模型插值，获取相应待插值点的插值结果，进而输出插值结果与等值面图，同时保存最优参数及其相应插值点的误差。本发明专利技术增强了非线性映射的表征能力，提升了模型扩展性和鲁棒性。型扩展性和鲁棒性。型扩展性和鲁棒性。

【技术实现步骤摘要】
基于参数优化的支持向量机回归的降雨量等值面生成方法


[0001]本专利技术涉及降雨量分析
，具体地，涉及一种基于参数优化的支持向量机回归的降雨量等值面生成方法、系统、介质及电子设备。

技术介绍

[0002]水流量的实时监控与获取对于防洪抗灾具有重要作用，其主要取决于实时降雨量的变化，各个降雨观测站可实时汇总相应位置的降雨量，基于降雨空间插值模型可获知非观测站点预估降雨量，进而获知相应区域内的面雨量，基于此可获知降雨量空间分布。
[0003]获取降雨量空间分布常用方法包括算术平均法、泰森多边形、克里金插值法、IDW插值法和网格插值法等。算术平均法在站点分布不规则时，不能准确反应降雨分布；泰森多边形未考虑高程的影响，不适用地形变化大的区域；克里金插值法基于固有平稳过程假设，泛化性有限；网格法基于区域网格化，由实测数据进行空间插值取得网格点的降雨值，进而获取面雨量，插值结果的优劣取决于空间插值。因此，降雨空间插值方法的优劣决定了降雨空间分布估计的准确性。基于假设先验信息的模型插值结果受复杂多变气象的影响，适应性较差，虽然能够模拟部分地表变化的情形，但是其总体效果较差。基于支持向量机回归的插值模型采用核函数进行高维映射，具有回归误差小、模型表征能力强等优点。决定支持向量机回归模型优劣的因素主要有核函数的选取和相应参数的取值。其中核函数选取的好坏决定了支持向量机回归模型的优劣，基于单一核支持向量机回归模型，映射表征能力有限，鲁棒性差。
[0004]专利文献CN109657361A公开了一种瓦斯含量预测方法、终端设备及计算机可读存储介质，该方法包括：根据瓦斯相关参数构建瓦斯含量预测模型；初始化第一预定数量的输入向量的值，根据输入向量的值确定最优输入向量；将除最优输入向量之外的其他所有输入向量分为两组；分别计算第一组中的每一输入向量及第二组中每一输入向量对应的新值；对两组中所有新值进行寻优操作，根据寻优结果更新最优输入向量；将最优输入向量中值赋予瓦斯含量预测模型，通过第二预定数量的样本数据对预测模型进行训练得到误差值，并继续寻找最优输入向量直至达到预设条件后停止训练。
[0005]但是专利文献CN109657361的寻优参数的操作不适用于支持向量机回归模型参数寻优。
[0006]文献草原与草坪,2018,38(4):8的基于BP神经网络和支持向量机的降水量空间插值对比研究——以甘肃省为例公开了,以BP神经网络和支持向量机模型为研究对象,选取甘肃省为研究区域,构建降水量空间插值模型,分别完成基于两种模型的甘肃省降水量空间插值结果,并划分西区,中区,东区3个建模分区,对比分析两种模型空间插值的精度和应用差异。结果表明:支持向量机模型的插值精度显著高于BP神经网络模型,且支持向量机模型在降水空间分布中能体现更多细节。
[0007]虽然该文献也是基于经纬度和高程数据进行支持向量机回归进行降雨空间插值，但本专利技术利用新型寻优算法优化多核组合支持向量机回归模型，综合提升优化精度和算法
鲁棒性。
[0008]综上所述，现有的多种插值方法的劣势和支持向量机回归模型参数寻优复杂度高，容易陷入局部最优解等问题。

技术实现思路

[0009]针对现有技术中的缺陷，本专利技术的目的是提供一种基于参数优化的支持向量机回归的降雨量等值面生成方法、系统、介质及电子设备。
[0010]根据本专利技术提供的一种基于参数优化的支持向量机回归的降雨量等值面生成方法，包括：
[0011]模型构建步骤：分别基于拉普拉斯核、高斯核和Sigmoid核构建支持向量机回归模型；
[0012]模型参数优化步骤：分别对基于高斯核、拉普拉斯核和Sigmoid核的支持向量机回归模型进行参数寻优训练，得到寻优的对应的参数组合；
[0013]降雨量等值面生成步骤：根据寻优的对应参数组合分别更新基于高斯核、拉普拉斯核和Sigmoid核的支持向量机回归模型，得到最优模型，然后输入待插值点数据，进行最优模型插值，获取相应待插值点的插值结果，进而输出插值结果与等值面图，同时保存最优参数及其相应插值点的误差。
[0014]优选地，所述模型构建步骤包括：
[0015]步骤S1.1：获取历史降雨数据作为训练样本集，如下所示：
[0016]{(x
1,1
,y
1,1
,z
1,1
,h
1,1
),...,(x
i,1
,y
i,1
,z
i,1
,h
i,1
),...,(x
n,1
,y
n,1
,z
n,1
,h
n,1
),...,(x
1,t
,y
1,t
,z
1,t
,h
1,t
),..,(x
i,t
,y
i,t
,z
i,t
,h
i,t
),...,(x
n,t
,y
n,t
,z
n,t
,h
n,t
),...,(x
1,T
,y
1,T
,z
1,T
,h
1,T
),...,(x
i,T
,y
i,T
,z
i,T
,h
i,T
)i＝1,...,n,...,(x
n,T
,y
n,T
,z
n,T
,h
n,T
)}
[0017]t＝1,...,T
[0018]其中，T表示总统计时段数量，n表示观测站点总数，x
i,t
,y
i,t
,z
i,t
,h
i,t
分别表示第i个观测站点的经度、维度、高程和统计时间段t内的实测降雨数据；
[0019]步骤S1.2：根据训练样本集，确定支持向量机非线性回归方程式如下：
[0020][0021]式中，表示X
L
观测点插值预估数据，φ表示核函数，X
L
表示待插值点，w、b分别表示权重向量、偏置；
[0022]其中，损失函数为：
[0023][0024]式中，ξ，为松弛变量，且C表示惩罚系数，ε表示偏差，h
i
表示各观测点实测数据；
[0025]步骤S1.3：求解所述支持向量机非线性回归方程式，得到：
[0026][0027]式中，α
i
和表示拉格朗日乘子，
[0028]步骤S1.4：通过求解后的方程式，基于拉普拉斯核函数构建支持向量机回归模型为：
[0029]基于高斯核函数构建支持向量机回归模型为：
[0030]基于Sigmoid核函数构建支持向量机回归模型为：k3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于参数优化的支持向量机回归的降雨量等值面生成方法，其特征在于，包括：模型构建步骤：分别基于拉普拉斯核、高斯核和Sigmoid核构建支持向量机回归模型；模型参数优化步骤：分别对基于高斯核、拉普拉斯核和Sigmoid核的支持向量机回归模型进行参数寻优训练，得到寻优的对应的参数组合；降雨量等值面生成步骤：根据寻优的对应参数组合分别更新基于高斯核、拉普拉斯核和Sigmoid核的支持向量机回归模型，得到最优模型，然后输入待插值点数据，进行最优模型插值，获取相应待插值点的插值结果，进而输出插值结果与等值面图，同时保存最优参数及其相应插值点的误差。2.根据权利要求1所述的基于参数优化的支持向量机回归的降雨量等值面生成方法，其特征在于，所述模型构建步骤包括：步骤S1.1：获取历史降雨数据作为训练样本集，如下所示：{(x
1,1
,y
1,1
,z
1,1
,h
1,1
),...,(x
i,1
,y
i,1
,z
i,1
,h
i,1
),...,(x
n,1
,y
n,1
,z
n,1
,h
n,1
),...,(x
1,t
,y
1,t
,z
1,t
,h
1,t
),..,(x
i,t
,y
i,t
,z
i,t
,h
i,t
),...,(x
n,t
,y
n,t
,z
n,t
,h
n,t
),...,(x
1,T
,y
1,T
,z
1,T
,h
1,T
),...,(x
i,T
,y
i,T
,z
i,T
,h
i,T
)i＝1,...,n,...,(x
n,T
,y
n,T
,z
n,T
,h
n,T
)}t＝1,...,T其中，T表示总统计时段数量，n表示观测站点总数，x
i,t
,y
i,t
,z
i,t
,h
i,t
分别表示第i个观测站点的经度、维度、高程、统计时间段t内的实测降雨数据；步骤S1.2：根据训练样本集，确定支持向量机非线性回归方程式如下：式中，表示X
L
观测点插值预估数据，φ表示核函数，X
L
表示待插值点，w、b分别表示权重向量、偏置；其中，损失函数为：式中，ξ，为松弛变量，且ξ
i
≥0，i＝1,2,...,nT，C表示惩罚系数，ε表示偏差，h
i
表示各观测点实测数据；步骤S1.3：求解所述支持向量机非线性回归方程式，得到：式中，α
i
和表示拉格朗日乘子，0<α
i
,步骤S1.4：通过求解后的方程式，基于拉普拉斯核函数构建支持向量机回归模型为：基于高斯核函数构建支持向量机回归模型为：
基于Sigmoid核函数构建支持向量机回归模型为：k3(x
i
,x
j
)＝tanh(βx
Ti
x
j
+θ)，式中，x
i
和x
j
分别表示第i个待插值点和第j个待插值点，δ表示拉普拉斯核参数和高斯核参数，β和θ表示Sigmoid核参数。3.根据权利要求1所述的基于参数优化的支持向量机回归的降雨量等值面生成方法，其特征在于，所述模型参数优化步骤包括如下参数寻优算法，所述参数寻优算法分别对高斯核支持向量机、拉普拉斯核支持向量机和Sigmoid核支持向量机的回归模型参数进行优化：步骤S2.1：初始化相应的支持向量机回归模型参数及对应的新型参数寻优算法参数；所述新型参数寻优算法参数包括每个模型对应的新型参数寻优的种群簇内个体数目和种群最大迭代次数；所述个体表示参数寻优空间；步骤S2.2：获取数据并对所述数据进行区域划分；步骤S2.3：分别对每个区域进行插值训练，计算最优适应度初始值，选取种群簇内的最优个体；步骤S2.4：对所述最优个体之外的其他所有个体进行混沌寻优，计算当前最优适应度值，并选取新型参数寻优参...

【专利技术属性】
技术研发人员：陈伟，王晓龙，王丹，安国成，邓文龙，安尼维，
申请(专利权)人：上海华讯网络系统有限公司，
类型：发明
国别省市：