长期气象数据的时间序列建模研究

论文摘要

时间序列分析是统计学中的一个重要的分支,也是数据分析中不可或缺的一部分,降水量与风速是两种具有明显非平稳、周期性波动特征的气象数据。降水量的变化波动在一定程度上可以反映出地区的旱涝情况。目前,全球处于水资源缺乏的状况,降水在时间上具有随机性和不确定性,因此,对降水量的准确预测可以及时的对旱涝灾害做出应对措施,对农作物的生长和灌溉也具有一定的指导意义。自然资源正在不断的发掘,风能属于可再生能源,利用风能发电目前是我国能源建设实施可持续发展战略的需要。风速具有随机变动的随机性和不确定性,对风速的准确预测可以减少风电场的成本,提高对风的利用率,同时对电力工业的结构调整都有重要的意义。因此,为了实现对气象能源高效的利用,建立对长期气象数据时间序列的预测模型,本文主要进行了以下三个方面的工作:(1)基于小波的阈值去噪算法,提出了一种对软阈值进行改进的去噪算法,对信号去噪性能进行优化,并进行仿真。结果表明去噪后的信号曲线不仅平滑性能好,而且完好的保留了原始信号的基本特征。(2)基于时间序列中的ARMA模型,构建了 ARIMA的季节性模型,通过加噪的正弦序列进行仿真,结果验证ARIMA季节模型优于ARMA模型,最后,气象数据降水量和风速的仿真结果表明ARIMA季节性模型的性能明显优于ARMA模型。(3)基于ARIMA的季节性模型,提出了一种基于软阈值去噪的ARIMA季节性模型,通过加噪的正弦序列仿真验证,基于软阈值去噪的ARIMA季节性模型在性能上较ARMA和ARIMA季节模型都得到了明显的提高,同时,气象数据仿真结果也进一步表明基于软阈值去噪的ARIMA季节性模型的性能明显优于前两个模型。

论文目录

• 摘要
• Abstract
• 符号清单
• 第一章 绪论
•   1.1 研究背景及意义
•   1.2 国内外研究现状
•     1.2.1 小波去噪的研究现状
•     1.2.2 时间序列模型的研究现状
•     1.2.3 总结分析
•   1.3 主要内容及创新点
•     1.3.1 主要内容
•     1.3.2 创新点
•   1.4 论文的组织结构
• 第二章 相关理论和技术
•   2.1 数据分析
•     2.1.1 数据稳定性检验
•     2.1.2 非平稳数据的稳定化
•   2.2 小波去噪
•     2.2.1 小波去噪的算法分类
•     2.2.2 小波去噪的评价方法
•   2.3 时间序列模型
•     2.3.1 灰色预测模型
•     2.3.2 ARMA模型
•   2.4 本章小结
• 第三章 小波阈值去噪算法概述及其改进
•   3.1 小波阈值去噪算法
•   3.2 小波阈值去噪改进算法
•   3.3 算法验证及分析
•   3.4 算法应用
•     3.4.1 实验数据来源
•     3.4.2 气象数据应用
•   3.5 本章小结
• 第四章 时间序列ARIMA季节性模型的构建
•   4.1 季节性概述
•   4.2 ARIMA模型
•     4.2.1 ARIMA模型的基本原理
•     4.2.2 ARIMA模型中参数的确定
•   4.3 ARIMA的季节性模型
•   4.4 预测模型的对比仿真
•     4.4.1 灰色预测模型
•     4.4.2 ARMA模型
•     4.4.3 ARIMA季节性模型
•   4.5 本章小结
• 第五章 改进小波软阈值去噪的ARIMA周期性模型
•   5.1 模型建立过程
•     5.1.1 时间序列数据去噪
•     5.1.2 数据平稳性检验
•     5.1.3 非平稳时间序列的平稳化
•     5.1.4 模型定阶
•   5.2 预测结果分析
•   5.3 气象数据应用
•   5.4 本章小结
• 第六章 总结与展望
•   6.1 总结
•   6.2 展望
• 致谢
• 参考文献
• 附录A （攻读学位期间学术成果）
• 附录B （核心代码附录）

文章来源

类型: 硕士论文

作者: 马丽华

导师: 宋耀莲

关键词: 时间序列模型,小波阈值去噪,降水量,风速,周期性

来源: 昆明理工大学

年度: 2019

分类: 基础科学,信息科技

专业: 数学,气象学,计算机软件及计算机应用

单位: 昆明理工大学

分类号: P409;O211.61

DOI: 10.27200/d.cnki.gkmlu.2019.001676

总页数: 105

文件大小: 4831K

下载量: 68