D—PSO—BP两次优化预测模型的应用研究

2018-01-04梅真好

电脑知识与技术 2018年30期

梅真好

摘要：该文针对BP神经网络存在的学习速度慢、容易陷入局部最优等缺点，在原有的BP神经网络模型基础上，引入粒子群算法（PSO），构建了基于改进的PSO算法两次优化BP神经网络预测模型（D-PSO-BP）。并与其他预测模型进行比较，实验结果表明：D-PSO-BP预测模型能够克服BP神经网络的缺点，具有更好的预测效果。在对我国安徽省芜湖县1986-2017年日最高气温的预测应用中，改进的预测模型表现出了更好的预测准确性和稳定性。

关键词：粒子群算法；BP神经网络模型；日最高气温；预测

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2018）30-0201-02

随着社会和经济的日趋发展，极端气候事件给社会经济、农业发展带来了严重的负面影响，尤其是极端气温和极端降水等极端气候事件。据中国气象局数据统计显示，在我国每年因天气的极端温度变化导致有5000万公顷面积的农作物受灾，所造成的损失占整个国内生产总值（GDP）的3%。因此，对极端气温进行准确的预测，可以为政府防灾减灾提供决策依据，可以有效地减少异常天气给社会经济、农业发展所带来的严重影响。而目前国内常用的数值预报产品包括欧洲中期天气预报中心推出的预报产品等都是通过寻求找到气象要素间的非线性关系，来改善预报效果[1]。但是这些数值预报产品本身也存在一些不足，如针对不同的天气系统数值预报偏差较大[1]。为了克服数值预报产品的这些不足，国内外学者开始尝试将人工神经网络等方法应用到气象预报当中，结果表明了人工神经网络等方法在气象预报中的有效性和适用性[2-9]。但是，人工神经网络等方法在预测准确性和预测稳定性上还需要进一步提高[10，11]。为此，本文根据安徽省芜湖县31年的日最高气温数据，构建基于改进的PSO算法两次优化BP神经网络的预测模型，对日最高气温进行预测分析，以期为准确进行天气预报提供参考。

1 日最高气温预测模型的构建

1.1 BP神经网络

BP神经网络是人工神经网络的一种，属于多层前馈网络。目前，BP神经网络模型已经广泛应用于气象、气候等领域，并取得了比较好的预测效果[2-9]。传统的BP神经网络预测模型，一般分为三层结构，即输入层、隐藏层、输出层。其中，输入层和输出层的节点个数可以通过训练数据的维度来确定，而隐藏层的节点个数，一般采用经验公式，多次测试来确定的。在进行实际数据的预测模拟的时候，BP神经网络需要先输入训练数据来对整个网络进行训练，在训练过程中，会对各层的权阈值进行调整，使网络找出输入层数据与输出层数据间的非线性关系，从而具备解决问题的能力。其拓扑结构见图1所示：

Wij和Wjk为网络的权值。

1.2 改进PSO算法

PSO是粒子群优化算法（Particle Swarm Optimization）的英文缩写，是模拟鸟群蜂群觅食行为的一种算法，由Eberhart和Kennedy于1995年提出[12]。该算法的基本思想是通过群体中个体之间的协作和信息共享的方式来寻找全局范围内的最优解。其中，一个粒子自身含有四个变量，分别是粒子所在位置序列Present、粒子的速度序列V、粒子本身与食物相距最短时的地址Pbest和所有粒子中与食物相距最短时的地址Gbest。搜查最优粒子的区域时，粒子的位置、速度的改变会受到Pbest和Gbest的影响，其每迭代一次的改变公式如下：

事实上，标准的PSO算法虽然能以较快的速率找出局部最优解，但其寻找全局最优解的能力较弱，往往容易陷入局部最优。因此，为了增加粒子的多样性，为了避免粒子过早地陷入局部最优，本文提出了改进的粒子群优化算法，即在更新粒子位置的时候，引入自适应的变异算子σ，当粒子更新后的位置Pij（t+1）差于未更新的Pij（t），则引入一次变异操作，从而避免算法陷入局部最优。

1.3 构建日最高气温预测模型

考虑到BP神经网络在气象预测中的广泛应用，所以本文将采用传统的BP神经网络预测模型。但是传统的BP神经网络模型还是存在诸如收敛速度慢，容易陷入局部最优等缺点。所以，本文将引入改进的PSO算法，利用改进的PSO算法两次优化BP神经网络，即第一次优化BP神经网络的初始参数，第二次优化BP神经网络的预测结果值，来克服传统的BP神经网络的一些缺点，提高模型的预测准确性和预测的稳定性。具体步骤：1）确定模型的输入层和输出层的节点个数I和O，本文模型的输入层和输出层节点个数为3和1，然后，根据经验公式，多次模拟测试，计算出该模型隐藏层的最佳节点个数H，经过多次实验，本文确定了模型的隐藏层节点个数为4；2）对于I-H-O的三层BP神经网络，确定PSO算法中的粒子维度为I*H+H*O+H+O，并根据神经网络的误差平方和作为PSO算法的适应度函数，通过多次迭代，寻找到模型的最佳参数；3）在2）基础上构建的模型，经过8次预测，获得8份不同的预测值，再使用PSO算法，对这些值进行函数拟合，构建一个拟合函数，最终构建了本文的D-PSO-BP两次优化后的预测模型。

2 实际应用

2.1 數据来源

本文使用的气温样本数据选取芜湖县1986年1月1日至2017年12月31日的日最高气温数据，来源于美国国家海洋和大气管理局（National Oceanic and Atmospheric Administration，NOAA）。此外，对于气温样本数据，本文做了如下处理：首先，将1986-2017年的日最高气温数据，共计11680个样本数据，进行划分，取1986-2016这31年的样本数据作为训练集，2017年的数据作为测试集，并对数据进行归一化处理；其次，对于极端气温的预测，本文将采用窗口数目为3的滑动窗口，进行预测，公式为 X（t+3） = f（ X（t）， X（t+1）， X（t+2）），即通过t、t+1、t+2时刻的数据来预测t+3时刻的数据。

2.2 实验环境

实验环境：以MATLAB作为实验开发软件，编写PSO优化算法、BP神经网络模型等MATLAB程序。

2.3 性能评价指标

为了更好地评估改进的预测模型对日最高气温的预测效果，本文将采用RMSE（均方根误差）、MAE（平均绝对误差）、R2（相关系数）这3个指标作为预测模型的评价准则。

2.4 预测模型的验证分析

本文采用1986年-2016年安徽省芜湖县共31年的日最高气温数据作为预测模型的训练数据集，并使用训练好的预测模型对安徽省芜湖县2017年全年日最高气温的数据进行预测。具体来说，首先基于机器学习理论建立三层BP神经网络模型，即输入层、隐藏层、输出层，节点个数分别设置为3、4、1，学习率设置为0.01，迭代次数设置为200，激活函数选择sigmoid函数。此外，为了更好地比较引入PSO算法前后的预测效果，本文分别建立了改进的D-PSO-BP预测模型和未改进的传统的BP网络预测模型，通过比较，证明了改进的D-PSO-BP预测模型预测准确性和稳定性都有所提高。利用以上参数设置规则，建立日最高气温预测模型，对安徽省芜湖县2017年全年日最高气温数据进行预测，其预测结果如下所示：

由表1和图2可以看出，采用改进的PSO算法优化的BP神经网络和传统的BP神经网络建立了两种气温预测模型，通过对比两种模型的均方误差值、平均绝对误差值和相关系数可知，采用改进的PSO算法优化的BP神经网络预测模型的预测效果明显优于传统的BP神经网络模型。

3 结论

本文通过改进的PSO算法两次优化BP神经网络模型，构建了D-PSO-BP预测模型，并将其应用于安徽省芜湖县2017年日最高气温的数据预测。通过与未改进的传统的BP神经网络模型进行比较，实验结果表明：改进的D-PSO-BP预测模型，在预测准确性和预测稳定性上比传统预测模型更好些。

参考文献：

[1] 陈广.基于改进PSO-RBF神经网络的气温预测模型[D].兰州大学，2015.

[2] 闭祖良，张展羽，朱新国，等.基于RBF神经网络马尔可夫模型的降水量预测[J].节水灌溉，2010（11）：1-3+10.

[3] 苗春生，段婧，徐春芳.人工神经网络方法在短期天气预报中的应用[J].江南大学学报（自然科学版），2007（6）：648-653.

[4] 牛志娟，胡红萍.基于主成分分析的BP神经网络和RBF神经网络月平均气温预测模型[J].高师理科学刊，2015，35（11）：6-8.

[5] 薛宇峰，杨超梅.基于卡尔曼滤波的神经网络月平均气温预测模型[J].四川气象，2005（4）：4-6.

[6] 曹晓宇，佘昊龙，赵桓锋.灰色-BP神经网络模型预测区域气温[J].无线互联科技，2012（7）：218.

[7] 滕少華，樊继慧，陈潇，等.SVM多分类器协同挖掘局域气象数据[J].广西大学学报（自然科学版），2014，39（5）：1131-1137.

[8] 王军，费凯，程勇.基于改进的Adaboost-BP模型在降水中的预测[J].计算机应用，2017，37（9）：2689-2693.