基于高斯过程混合模型的大气温湿度预测

• 作者: 何峰 周亚同 石超君 赵翔宇
• 来源期刊: 农业工程学报
• 学科: 工学
• 关键词: 温度 湿度 预测 高斯过程混合模型 机器学习
• 年，卷（期）: 2018,（5）
• 所属期刊栏目: 农业生物环境与能源工程
• 页码范围: 219-226
• 页数: 8页
• 分类号: TM714
• 字数: 6141字
• 语种: 中文
• DOI: 10.11975/j.issn.1002-6819.2018.05.029

摘要

温湿度预测在国民经济各领域有重要作用,实现温湿度精准预测可有效提高农业生产及保障行人安全,室内温湿度预测有助于植物健康生长,减少经济损失;室外温湿度预测对行人安全及航空等科研起保障作用.针对现有温湿度预测效果不佳且不能实现多模态预测,该文采用高斯过程混合（gaussian process mixture, GPM）模型进行大气温湿度多模态预测.另外为了提升模型学习效率,给GPM模型提出了的一种隐变量后验硬划分迭代学习算法.该算法采用一种新的近似策略,利用最大后验估计不断矫正样本划分,借助迭代学习实现样本最优分组.在用自相关函数和最大Lyapunov指数等解析评价温湿度序列基础上,将 GPM 模型与核回归（kernel-regression, K-R）、最小最大概率机回归（minimax probability machine regression, MPMR）、线性回归（linear- regression, L-R）、高斯过程（gaussian process, GP）等传统预测模型进行比较.结果表明GPM不仅能够实现多模态预测,而且预测准确率要明显优于其它传统模型.最终湿度预测最优结果RMSE=0.062 0、R2=0.936 2,训练耗时为113.417 5 s;温度预测最优结果RMSE=0.042 6、R2=0.966 6,训练耗时为90.004 9 s.由于GPM为无环境因子输入模型,因此该文的研究不仅对大气温湿度预测有促进作用,同时对室内及固体表面温湿度预测具有一定借鉴价值.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	周亚同	河北工业大学电子信息工程学院天津市电子材料与器件重点实验室	58	236	9.0	13.0
2	赵翔宇	河北工业大学电子信息工程学院天津市电子材料与器件重点实验室	6	15	3.0	3.0
3	何峰	河北工业大学电子信息工程学院天津市电子材料与器件重点实验室	6	15	3.0	3.0
4	石超君	河北工业大学电子信息工程学院天津市电子材料与器件重点实验室	4	6	1.0	2.0