基于径向基神经网络的天气预测模型

第35卷第1期2018年 2月贵州大学学报（自然科学版） J o u r n a l o f G u iz h o u U n iv e r s ity ! N a t u r a l S c ie n c e s )

Vol .35 N o .1

Feb .2018

文早编号

1000-5269 ( 2018 # 01 -0069-04

DOI ： 10.15958/j .cn k i .g d x b z r l 〇.2018.01.13

基于径向基神经网络的天气预测模型

张育贵\王义2!，杨人静1(1.贵州大学大数据与信息工程学院，贵州贵阳550025,2.贵州师范大学物理与电子科学学院，贵州贵阳550001)摘要：针对天气数据高度非线性化的特点，以贵阳市近一年的天气数据为基础，结合神经网络 在非线性系统建模与优化求解的优势，提出了 一种基于後向基函数（RBF )神经网络的预测模型。该模型分别采用以2天、3天直至9天天气数据为一周期对未来1天天气做出预测的训练样本， 最后以贵阳市2017年1月的天气作为测试样本，并将所预测的数据与真实天气数据对比。仿真 结果表明，RBF 神经网络比现有的预测方法如B P 神经网络的预测结果具有更高的可行性和有 效性。

关键词：彳圣向基函数；天气;神经网络;预测 中图分类号:TP 183

文献标识码：A

天气是我们每个人每天都要关注的内容，它几 乎决定了我们所有的 行的问题，因

测对我们 尤为重要，

报的主要功能是

预测一

未来一段时期内的 、风向和力及最高最低气温等 [14]。 着生产力的发展和科技的进步，人类动的

日

大，对 自然的影 重要。

， 报已成为现代社会不 的重要信息[3]。目

，常用的预测方法主要有1) 测方法;2)工神经网络方法;3)马科 方法;4) 理论方法等[—5]。

的

方

，

测

性特性的问题，人工神经网络具有其他方

的优

势。

本文采用的径向基函数网络RBF 具有很强的

性拟合能力，可映射任何 的线性 ，且

学习规 单， 计算机实现，具有很强的鲁棒

性、

能力，以及强大的自学习能力，因此，向

基函数具有广阔的应用前景[M]。

1

R B F 神经网络

RBF ( Radial Basis Function )神经网络是 一■种向型神经网络，其包含一个具有径向基函数

神经网络的

和一个具有线性神经元的

。

单元的数目取决于问题的需要，隐单元的变换函

数是RBF 径向基函数，它是一个对中心点径向且 衰减的非负 性函数；第是 ，它人模式的不 用

不

应

。从人空间

到 空间的变换是 性的，从隐层空间到输出

空间的变换是线性的[9]。RBF 神经网络

如

1

。

输入层

隐层

输出层

径向基函数神经元的传递函数虽然形式多种 多样，但最常见的形式还是高斯函数（，)5$)。其 网络输人为权值向量1与输人向量7之间的向量 距离乘以阈值5，即）= ra )5a * )%(1，7) ! 5)。径 向基传递函数

用如下形式 $

rad 5

a s (

n )

= e "

( 1)

径向基神经元模型的图形如图2所示。

收稿日期= 2017-08-19基金项目：国家自然科学基金（61462015);贵州省国际科技合作计划项目（黔科合外G 字[2014] 7007号） 作者简介：张育贵（1993-),男，在读硕士，研究方向：自适应控制、人工神经网络,E m a il $ 1084439493@q q .cm . !通讯作者：王义，E m a il :w y ig z @126.c o m

.

-70 -贵州大学学报（自然科学版)第35卷

输入径向基神经元

a=radbas(||w-/>||b)

图2径向基神经元模型

2天气预测模型的建立

2.1天气预测原理

的看 常，但其 规律在长时期的 会表现出一定的规律，某某

日的与当地的气温、气压、等 有关[10(，的具有 性的特点。UBF神经网络 性连续函数具有一致逼近性，学 度快，进行大 的数据融合以及并行

理数据。UBF神经网络的优异特性使其比B P神 经网络更具生命力，在 的领域取代了B P神经网络[11—13]。

利用所收集的历 数据，将其 为对应的数 ，把数个数 形成一组数据作为神经网络的输人，每组数据都对应一 数据为神经网络的 。历 数据

形成一测，测的 与实际的

误差最小。基 RBF神经网络的 测 的具体预测流程如下图3 。2.2天气数据的收集

，一天中就可能出现多种天 气状况，比如某 为天晴，下 为阵雨，又如某 为小 ，下 为大 ，为收

数据带来了一定的麻烦。为了方便，现约

准如下表1。

表1天气状态标准表

编简称具体

0晴晴、晴转多云、晴转小雨等

1阴阴、多云、多云转晴、多云转小雨等

2雨小（）、大（）、阵等

收集的历史数据来源于2345天气预报网站，记录了贵 从2016年1月至2016年12月366天，2012年至2017年六年间的1月共186天 的，具体情况如下表2、 3 $

表22016年1月至2016年12月天气状况表

月

2016.01 1212122222222212112222211121122 2016.02 22121100100022111121122121001 2016.03 1211111221111111212122221112222 2016.04 122112122112121121111222211122 2016.05 1 1 1 2 1 1 1 2 2 1 1 0 2 2 1 1 1 2 2 1 1 1 2 1 2 2 2 2 2 1 1 2016.06 1 2 2 1 1 1 2 1 2 2 2 2 1 2 2 1 1 2 1 2 2 1 1 1 2 1 1 2 2 2 2016.07 2 1 2 2 2 2 1 1 1 1 1 1 1 2 2 2 2 1 2 1 1 1 1 1 1 1 1 1 1 1 1 2016.08 1 2 2 2 2 2 2 1 2 2 2 2 2 2 2 1 1 2 2 1 1 2 1 1 1 2 1 1 1 2 2 2016.09 111112222111112111111111111111 2016.10 1 0 0 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 2 2 1 2 2016.11 2 1 1 1 1 1 1 1 1 1 0 1 1 2 2 1 1 1 1 1 1 2 1 1 2 1 1 0 2 1 2016.12 0 1 2 1 1 1 1 1 0 1 1 2 1 2 1 1 1 1 2 2 2 1 1 1 2 2 1 1 1 0 1

3(2012 2017 1况

月份_________________天气状况________________ 2012.011222212222212221222222111112211 2013.011122111222211122112211211111111 2014.011111221222210111122100111111222 2015.011111122212221111101100011211101 2016.011212122222222212112222211121122

图* RBF神经网络预测流程2017.01 111111111221111221121111111122

2