时间序列分析在长沙市降雨量预测中的应用

时间序列分析在长沙市降雨量预测中的应用

论文摘要

时间序列分析是数理统计的一个重要分支,通常用于研究和处理具有随机性的动态数据。随着科学技术和计算机的发展,时间序列分析法得到了更大的发展空间,使其成为自然科学和社会科学研究领域不可或缺的数据处理方法。降雨量是反映一个地区气候状况的重要指标,一个地区气候的变化可以比较直观的体现在该地区的降雨量的变化上,降雨量的多少也会影响到社会生产和生态需水。近年来,随着气候条件变化的加剧,导致降雨量的波动性较大,各城区也开始频繁出现极端降雨事件,由此引发的区域洪涝灾害等现象也日益突出,因此,对未来城区降雨量的准确预测这一课题具有重要的研究意义。本篇论文主要是利用时间序列分析与神经网络的基本理论与方法,来对长沙市的降雨量时间序列数据进行研究与分析,探究长沙市逐日降雨量的规律及特征,并对其进行预测。基于长沙市马坡岭地区2015年至2017年的逐日降雨量数据,分别采用ARMA-EGARCH和BP、RBF神经网络三种方法,利用EVIEWS和MATLAB软件来对降雨量时间序列数据进行仿真模拟及预测,以期为合理分配水资源和减少气象灾害所带来的经济损失提供一定的参考依据。实证研究结果表明:(1)三种模型均能较好的拟合并预测长沙市的逐日降雨量,但ARMA-EGARCH、RBF模型的预测精度要明显高于BP神经网络模型,这也验证了时间序列分析在降雨量预测上的可行性。(2)三种模型各具优势,ARMA-EGARCH模型的拟合和预测精度较高,BP神经网络模型对微量降雨天气的预测更为准确,而RBF神经网络模型的全局预测效果较好。因此,可以结合三种方法来预测长沙市的降雨量,提高预测的准确性。(3)ARMA-EGARCH模型是基于过去的降雨量数据进行建模及预测,而BP、RBF神经网络模型是利用六种气象因子的数据对降雨量进行建模与预测,基于不同的数据,为长沙市降雨量预测提供了两种有效的途径。本论文的主要研究内容为时间序列分析与神经网络在长沙市降雨预报中的重要应用,该研究为长沙市未来的降雨量提供了有效的预测方法,对相关政府部门采取有效措施应对自然灾害、城市水资源合理规划等方面提供一定的参考依据。

论文目录

  • 摘要
  • ABSTRACT
  • 1 绪论
  •   1.1 课题的研究背景及意义
  •   1.2 课题相关文献综述
  •     1.2.1 降雨量预测与分析研究现状
  •     1.2.2 时间序列分析概述
  •     1.2.3 神经网络概述
  •   1.3 研究目标和论文结构
  •     1.3.1 研究目标
  •     1.3.2 数据来源
  •     1.3.3 软件工具
  •     1.3.4 论文结构
  •     1.3.5 创新点
  •   1.4 本章小结
  • 2 时间序列分析的基本理论
  •   2.1 时间序列分析预备知识
  •     2.1.1 随机过程基本概念
  •     2.1.2 平稳时间序列基本概念
  •   2.2 ARMA模型
  •     2.2.1 基本知识
  •     2.2.2 ARMA(p,q)序列的自相关函数及其特征
  •     2.2.3 ARMA(p,q)序列的偏相关函数及其特征
  •     2.2.4 ARMA模型的参数估计
  •     2.2.5 ARMA模型的定阶准则
  •   2.3 条件异方差模型
  •     2.3.1 ARCH模型的定阶准则
  •     2.3.2 ARCH LM检验
  •     2.3.3 EGARCH模型
  •   2.4 本章小结
  • 3 基于时间序列分析的神经网络
  •   3.1 神经网络概述
  •     3.1.1 神经网络基本概念
  •     3.1.2 人工神经元结构模型
  •   3.2 BP神经网络
  •     3.2.1 BP神经网络的结构
  •     3.2.2 BP算法
  •     3.2.3 BP算法改进
  •   3.3 RBF神经网络
  •     3.3.1 径向基函数神经元模型
  •     3.3.2 径向基神经网络的结构
  •     3.3.3 径向基神经网络的构建
  •   3.4 本章小结
  • 4 降雨量模型实证与分析
  •   4.1 ARMA-EGARCH模型在降雨量预测中的应用
  •   4.2 BP神经网络在降雨量预测中的应用
  •   4.3 RBF神经网络在降雨量预测中的应用
  •   4.4 模型比较
  •     4.4.1 基本方法
  •     4.4.2 模型评价
  •     4.4.3 模型的比较结果
  •   4.5 本章小结
  • 5 总结与展望
  •   5.1 本论文主要工作总结
  •   5.2 长沙市的降雨量现状与展望
  • 参考文献
  • 致谢
  • 文章来源

    类型: 硕士论文

    作者: 肖丽琼

    导师: 夏学文

    关键词: 降雨量,时间序列分析,神经网络,预测

    来源: 湖南师范大学

    年度: 2019

    分类: 基础科学,经济与管理科学

    专业: 数学,气象学,宏观经济管理与可持续发展

    单位: 湖南师范大学

    分类号: P457.6;F224

    总页数: 74

    文件大小: 5074K

    下载量: 313

    相关论文文献

    • [1].河南省某三甲医院多药耐药菌感染率时间序列分析[J]. 中华医院感染学杂志 2020(01)
    • [2].时间序列分析课程教学中的一些难点[J]. 高等数学研究 2020(01)
    • [3].新形势下时间序列分析课程教学改革的一些实践[J]. 教育教学论坛 2020(14)
    • [4].时间序列分析建模实例[J]. 中国新通信 2020(10)
    • [5].大规模时间序列分析框架的研究与实现[J]. 计算机学报 2020(07)
    • [6].时间序列分析教学改进探究[J]. 现代农村科技 2018(04)
    • [7].“时间序列分析”课程教学模式的探索[J]. 科教文汇(中旬刊) 2017(01)
    • [8].《时间序列分析》课程教学模式的几点探讨[J]. 台州学院学报 2016(03)
    • [9].《金融时间序列分析》课程教学改革的探索[J]. 新课程研究(中旬刊) 2014(02)
    • [10].大数据环境下时间序列分析课程教学模式改革探讨[J]. 课程教育研究 2016(37)
    • [11].《金融时间序列分析》课程教学改革研究[J]. 考试周刊 2015(55)
    • [12].基于时间序列分析的学风建设研究[J]. 黑龙江教育学院学报 2019(12)
    • [13].时间序列分析在桥梁应力监测数据预警中的应用[J]. 湖南交通科技 2019(04)
    • [14].美国桑迪亚国家实验室成功开发准静态时间序列分析新模型软件[J]. 上海节能 2020(01)
    • [15].《时间序列分析》的理论基础与数据实践——浅谈本科实验教学和教学改革[J]. 经济资料译丛 2020(01)
    • [16].山西省淋病时间序列分析及自回归移动平均模型月发病趋势预测研究[J]. 中国药物与临床 2019(20)
    • [17].时间序列分析在金融中的应用[J]. 经贸实践 2017(18)
    • [18].基于灰色时间序列分析的建筑物变形预报研究[J]. 现代测绘 2016(04)
    • [19].基于时间序列分析课的教学改革探索[J]. 河南教育(高教) 2013(08)
    • [20].时间序列分析[J]. 山西冶金 2012(06)
    • [21].时间序列分析及其应用[J]. 科技创新导报 2011(27)
    • [22].时间序列分析在建筑物变形监测中的应用[J]. 勘察科学技术 2010(06)
    • [23].时间序列分析模型在图书选题上的应用研究——以图书热度为预测研究对象[J]. 出版广角 2020(03)
    • [24].时间序列分析在安康市居民消费价格指数预测中的应用[J]. 广西质量监督导报 2019(08)
    • [25].项目驱动的《时间序列分析》课程教学改革与实践[J]. 课程教育研究 2019(51)
    • [26].《时间序列分析》案例教学探讨[J]. 统计与咨询 2009(01)
    • [27].金融学专业“时间序列分析”课程教学方式的探讨与实践[J]. 科教导刊(上旬刊) 2018(01)
    • [28].中国出口贸易的时间序列分析[J]. 商业经济研究 2017(04)
    • [29].时间序列分析课程建设的几点探索[J]. 科教文汇(下旬刊) 2009(02)
    • [30].时间序列分析课程建设的探索与实践[J]. 数学学习与研究(教研版) 2009(02)

    标签:;  ;  ;  ;  

    时间序列分析在长沙市降雨量预测中的应用
    下载Doc文档

    猜你喜欢