ARIMA模型在唐山市降水量趋势预测与分析中的应用

利用SPSS软件的时间序列预测功能,对唐山市降水量数据建立ARIMA模型。模型通过了显著性检验,在此基础上对唐山市降水量趋势进行了预测与分析。     

灌区降水量预测的混沌神经网络模型及应用

针对降水时间序列的混沌特性,综合运用混沌理论与神经网络方法的基本原理,通过相空间重构的方法建立了灌区降水量预测的混沌神经网络模型,并给出了计算方法和步骤,从新的角度研究灌区降水预测问题。并将该模型用于濮阳灌区降水量预测,结果表明该模型对降水量的预测准确度较高。     

ARIMA模型在降水量预测中的应用

ARIMA模型是研究时间序列的重要方法,普遍应用于时间序列的分析与预测。利用SPSS软件的时间序列分析预测功能,对营口市降水量数据建立ARIMA模型,并在模型的基础上对营口市降水量趋势进行了分析和预测。     

石头口门水库年降水量小波分析与预测

为了给石头口门水库兴利与调度提供可靠的依据,利用小波分析法研究了该水库年降水量的年际变化特征,构建了年降水量自回归模型,并对库区未来的降水量趋势进行了预测。结果表明:建立的模型预测结果比较符合实际,但中长期预测效果较差。     

关中地区月平均降水量预测

通过建立关中地区季节性的ARIMA模型,对月平均降水量序列进行了拟合和预测,结果表明:所建模型对6～11月份的月平均降水量有较高的预测精度,平均预测误差在10%以下;春冬季的预测误差大多在15%以上,对这一时期月平均降水量的预测能力较低.     

投影寻踪模型在降水量预测中的应用研究

采用邹平县1952—2014年度降水量序列建立了基于神经网络的投影寻踪自回归耦合模型,并对该县2015—2017年降水量进行预测,预测结果令人满意。     

不同模型在南宁市年降水量预测中的应用比较

以南宁市1961—2015年降水量资料为基础,通过建立灰色GM(1,1)模型、滑动平均改进的GM(1,1)模型以及改进的BP神经网络模型来对南宁市年降水量进行预测研究。结果表明,以上模型均适用于南宁市的年降水量预测,模型精度分别达到了92.2%、96.6%和95.1%。其中以改进的灰色模型与BP神经网络模型预测效果最佳,平均相对误差均控制在了5%以内,充分表明预测模型的适用性与合理性。该研究为城市降水量预测提供了一种新途径,对城市水资源合理规划具有一定的指导意义。     

潍坊市不同频率年降水量未来发生时间预测

采用灰色拓扑预测理论,根据潍坊市多年(1958年～1995年)的年降水量,建立了年降水量指标的灰色预测GM(1,1)模型群,并根据模型对潍坊市未来时间的年降水量及发生时间进行了预测,为有关部门进行抗旱防汛决策及制定水资源调度计划提供参考依据。     

对数马尔可夫模型在乌鲁木齐市降水预测中的应用

中长期降水量的预测是气象科学的一个难点问题,也是水文学中的一个重要问题。建立对数马尔可夫模型预测降水量,弥补了传统的马尔可夫模型降水预测中峰值的不准确性,提高了预测精度,并用乌鲁木齐市气象站43年降水资料进行了验证。结果表明,模型预测精度较高,为干旱半干旱区中长期降水量预报提供了一条简便可行的途径。     

基于CEEMDAN-LSTM模型的郑州市月降水量预测

降水预测对农业生产和水资源利用具有重要意义.由于单一模型难以准确预测降水量,文章建立了基于完全集合经验模态分解(CEEMDAN)和长短期记忆神经网络(LSTM)的耦合模型,对郑州市月降水量进行预测,并与LSTM模型、EEMD-LSTM模型和CEEMDAN-SVR模型的性能进行了比较.结果 表明,CEEMDAN克服了EE...