基于平滑支持向量机的海洋环境数据多步长预测
来源:用户上传
作者:
摘要：面对当前海洋环境污染局势，有效地对海洋环境进行预测具有重大的现实意义。针对当前的众多海洋数据预测模型采用单步长时间序列預测问题，本文采用平滑支持向量机，对海洋环境数据进行多步长时间序列预测，其预测时间尺度为8小时。实验结果表明，该模型具有良好的回归性能，可以有效地多时间尺度预测海洋环境数据。
关键词：海洋环境数据;平滑支持向量机;时间序列预测;多尺度
中图分类号： TP391 文献标识码：A
文章编号：1009-3044（2020）16-0028-03
Abstract：Facing the current pollution situation of the marine environment， it is of great practical significance to effectively predict the marine environment. Aiming at many current ocean data prediction models that use single-step time series prediction problems， this paper uses a smooth support vector machine to perform multi-step time series predictions on marine environmental data. The prediction time scale is 8 hours. Experimental results show that the model has good regression performance and can effectively predict marine environment data on multiple time scales.
Key words： marine environment data; smooth support vector machine; time series predictions;multiple time scales
1 引言
我国海水总体质量较好，且近几年状况稳定;绝大部分海域符合一类水质要求，每年均达到94%左右，二类、三类和四类水质近几年较稳定，受污染程度不大，但是劣四类水质面积能占到一定比例，说明海水受到一定程度的污染，而且近几年污染面积有变大的趋势，急需采取措施控制和治理[1-3]。应对目前海洋环境的紧迫局势，精准地对海洋环境预测是当前急需解决的问题。当前众多预测方法中，如深度学习，机器学习等，主要对海洋数据单步长预测或因素分析[4]。Li等人采用支持向量机对海洋环境数据进行单步长预测[5]，即每4小时预测一次。在此基础上，本文采用平滑支持向量机对海洋环境数据进行每8小时预测，其预测结果可以充分体现当前海洋环境局势，可以有效地对海洋环境进行预测预警。
2 平滑支持向量机
平滑支持向量机模型（GSL-SVM）是基于平滑滤波器与最小二乘支持向量机的组合模型，该模型具有数据与处理和数据回归的联合功能。平滑滤波器用于处理无规律、多噪声、复杂的海洋环境数据，从而提供良好的数据初始值。随后，最小二乘支持向量机用于实现对海洋环境数据的非线性拟合。最终实现海洋数据预测。该算法具体如下：
本文提出了基于平滑支持向量机的海洋环境数据多步长预测方法。平滑支持向量机模型是由平滑滤波器和最小二乘支持向量机组合而成，该模型可以有效地处理海洋数据，并对海洋数据进行精准预测。本文采用该模型对海洋数据进行了为期8小时的时间预测。预测结果表明，该模型应对多步长的时间预测，可以精准地对海洋数据进行较多尺度的时间序列预测。
参考文献：
[1] 李夫星，郑颖娟，张玉，等.环渤海四省市海洋可持续发展能力比较评价[J].海洋通报，2013，32（3）：338-344.
[2] 滕玲.中国近岸海水正在变清 环保部环境监测司司长刘志全解读《2016中国近岸海域环境质量公报》[J].地球，2017（7）：36-37.
[3] 赵婧.海洋生态环境稳中向好 陆源入海污染依然严重——详解《2017年中国海洋生态环境状况公报》[N].中国海洋报，2018-04-03（3）.
[4] Li Z G，Wang G，Cai D，et al.Machine learning based dynamic correlation on marine environmental data using cross-recurrence strategy[J].IEEE Access， 2019，7：185121-185130.
[5] Li Z G，Wang N，Li Y Q，et al.Collective efficacy of support vector regression with smoothness priority in marine sensor data prediction[J].IEEE Access， 2019，7：10308-10317.
[6] 孙晓川，李莹琦.小世界递归小波神经网络研究[J].南京邮电大学学报（自然科学版），2017，37（4）：97-102.
【通联编辑：唐一东】
转载注明来源:https://www.xzbu.com/8/view-15315017.htm
