文献类型：期刊文章

作　　者：赵文芳[1,2] 王京丽[1] 尚敏[3] 刘亚楠[2]

ZHAO Wenfang;WANG Jingli;SHANG Min;LIU Yanan(Institute of Urban Meteorology,China Meteorological Administration,Beijing 100089,China;Beijing Meteorological Information Center,Beijing 100089,China;College of Geography and Land Engineering,Yuxi Normal University,Yuxi Yunnan 653100,China)

机构地区：[1]中国气象局北京城市气象研究所,北京100089 [2]北京市气象信息中心,北京100089 [3]玉溪师范学院地理与国土工程学院,云南玉溪653100

出　　处：《计算机应用》

基　　金：国家自然科学基金资助项目(41575156);中国气象局2019年度气象软科学研究重点项目(19)~~

年　　份：2019

卷　　号：39

期　　号：1

起止页码：98-104

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：为了提高花粉浓度预报的准确率,解决现有花粉浓度预报准确率不高的问题,提出了一种基于粒子群优化(PSO)算法和支持向量机(SVM)的花粉浓度预报模型。首先,综合考虑气温、气温日较差、相对湿度、降水量、风力、日照时数等多种气象要素,选择与花粉浓度相关性较强的气象要素构成特征向量;其次,利用特征向量与花粉浓度数据建立SVM预测模型,并使用PSO算法找出最优参数;然后利用最优参数优化花粉浓度预测模型;最后,使用优化后的模型对花粉未来24 h浓度进行预测,并与未优化的SVM、多元线性回归法(MLR)、反向神经网络(BPNN)作对比。此外使用优化后的模型对某市南郊观象台和密云两个站点进行逐日花粉浓度预测。实验结果表明,相比其他预报方法,所提方法能有效提高花粉浓度未来24 h预测精度,并具有较高的泛化能力。

关 键 词：花粉浓度  支持向量机 粒子群优化算法 SPARK 花粉浓度预测  

分 类 号：TP391] TP181[计算机类]