基于分解-聚类-集成方法的极端天气指数预测

论文摘要

海平面上升和极端天气的增加对人类生活的方方面面都产生了重大影响。预测极端气候指数（ACI）已成为一个现实而关键的研究课题。针对ACI的预测问题,提出了分解-聚类-集成学习方法。首先,采用了综合经验模式分解（EEMD）,将原始数据分解成若干个分量;然后,利用基于鲸鱼优化算法（whale optimization algorithm,WOA）优化的最小二乘支持向量回归（LSSVM）分别对分量进行预测;最后,利用另一个WOA-LSSVM对每个聚类产生的预测分量进行聚类,得到预测结果。为了研究DCE学习方法的预测性能,比较了ARIMA、BP神经网络、LSSVM和EEMD-LSSVM-ADD四种模型。比较结果表明,DCE学习方法比其他基准模型具有更好的性能和更小的误差值。

论文目录

• 一、文献综述
• 二、研究方法
•   （一）集成经验模态分解（EEMD）
•   （二）最小二乘支持向量机（LSSVM）
•   （三）鲸鱼优化算法（WOA）
•     1.环绕猎物:
•     2.气泡网攻击法
•     3.寻找猎物
•     4.K-means聚类
•     5.分解-聚类-集成混合学习框架（DCE）
• 三、实证分析
•   （一）数据来源与评估标准
•     1.数据来源
•     2.评估标准
•   （二）结果分析与模型对比
•   （三）稳健性分析
• 四、讨论
• 五、结论与展望

文章来源

类型: 期刊论文

作者: 杨嘉伟

关键词: 集成学习,特征分解,聚类提升

来源: 中南财经政法大学研究生学报 2019年05期

年度: 2019

分类: 经济与管理科学,基础科学

专业: 气象学

单位: 中南财经政法大学统计与数学学院

基金: 2018年中南财经政法大学研究生创新教育计划项目硕士生实践创新课题:基于多目标优化和集成学习的太阳辐射预测(项目编号:201811344)

分类号: P456

页码: 12-23

总页数: 12

文件大小: 1284K

下载量: 118