长期气象数据的时间序列建模研究

发布时间：2020-10-23 08:09

　　 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。
【学位单位】：昆明理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：P409;O211.61
【文章目录】：
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）

【相似文献】

相关期刊论文 前10条

1 牛晋徽;姜攀;;基于ARIMA时间序列模型的江西省生产总值预测[J];中外企业家;2019年25期

2 宋薇;郭东恩;范玉龙;;基于SPSS Modeler的气象数据分析[J];微型电脑应用;2017年10期

3 张金艳;郭鹏江;;确定性时间序列模型及ARIMA模型的应用[J];西安邮电学院学报;2009年03期

4 刘剑;;基于ARIMA模型在降水量趋势分析与预测中的应用[J];水利科技与经济;2018年09期

5 刘剑;;ARIMA模型在唐山市降水量趋势预测与分析中的应用[J];海河水利;2018年04期

6 范维;张磊;石刚;;季节调整方法综述及比较[J];统计研究;2006年02期

7 李艳荣;祝丽玲;朱武洋;陶晓燕;;采用自回归移动平均模型预测我国狂犬病病例的研究[J];疾病监测;2019年12期

8 赵嘉阳;梁慧玲;林玉蕊;;基于ARIMA中国旅游外汇收入2004-2015年的时间序列模型[J];科技和产业;2016年02期

9 杨斌清;刘文福;;ARIMA时间序列模型在铝价格预测中的研究[J];轻金属;2018年05期

10 崔佳;;气象数据在电视天气预报节目中的多样态呈现[J];气象科技进展;2019年06期

相关博士学位论文 前10条

1 孙继民;发热伴血小板减少综合征时空预测研究[D];中国疾病预防控制中心;2018年

2 Annie Uwimana;用时间序列模型预测非洲国内生产总值[D];中国科学技术大学;2018年

3 刘建华;手足口病发病趋势预测及传播动力学模拟研究[D];华中科技大学;2017年

4 张岩;结构时间序列模型在季节调整中的理论分析与应用研究[D];南开大学;2013年

5 邱望仁;模糊时间序列模型及其在股指趋势分析中的应用研究[D];大连理工大学;2012年

6 王立柱;基于计算智能的时间序列模型及预测研究[D];大连理工大学;2015年

7 尚华;两类时间序列模型的异常值检测研究[D];首都经济贸易大学;2016年

8 咸巍;偏正态混合时间序列模型[D];吉林大学;2010年

9 史振华;晋西黄土区刺槐生长与降水量的关系[D];北京林业大学;2009年

10 孙晓东;邮轮收益管理：需求预测与收益优化[D];上海交通大学;2011年

相关硕士学位论文 前10条

1 马丽华;长期气象数据的时间序列建模研究[D];昆明理工大学;2019年

2 王雨琴;季节调整方法比较研究[D];暨南大学;2016年

3 姜文瑞;基于数据挖掘的气象数据分析[D];西安建筑科技大学;2012年

4 朱超凡;基于真实气象数据的大规模云模拟[D];南京信息工程大学;2019年

5 李敏;云环境基于属性约简与贝叶斯的气象数据分析[D];南宁师范大学;2019年

6 钟磊;面向气象数据监控系统的优化设计与研究[D];北京交通大学;2019年

7 乔哲;公众参与的气象数据众包产品设计[D];上海交通大学;2018年

8 梁桐睿;张掖地区气象数据分析与应用研究[D];南京信息工程大学;2018年

9 喻亚楠;多源气象数据处理与可视化验证框架平台研究[D];南京信息工程大学;2018年

10 彭明;朴素贝叶斯分类算法在降雨预测中的研究与应用[D];南京信息工程大学;2018年

本文编号：2852768