基于RBF神经网络的短时降水量预测方法研究

摘要

针对目前短时降水量预测精度不高的问题,提出一种基于影响短时降水的物理量选取和RBF神经网络学习的降水量预测方法。首先对原始降水数据进行坐标格点化处理并对(NCEP/NCAR)数据文件中物理量参数进行读取和计算。在理论和数据表现上对降水量进行分析并使用多元线性回归进行预测,得到预测效果不佳。进而利用反向传播神经网络(BP)和径向基神经网络(RBF)进行预测。预测结果表明,径向基神经网络的预测效果更好。为选取最优模型建立自变量随机选取的21个RBF模型进行预测,仿真结果表明,选择六项物理量参数建立的RBF神经网络模型对未来24h降水量预测精度最高。拟合度、平均绝对误差,均方误差和均方根误差分别为0.998,5.04mm,56.34mm2和7.51mm,仿真时间为0.95s。