温度预测模型的研究ppt课件

1、温度预测模型研究提纲 1、绪论、绪论 2、南海概况及数据源、南海概况及数据源 3、时间序列预测方法、时间序列预测方法 4、实际处理及分析、实际处理及分析 5、总结与体会、总结与体会1.绪论 1本研究做些什么？本研究做些什么？ 2本研究有什么意义？本研究有什么意义？2.南海概况及数据源 海表温度的数据来源其下载网址是： /SatelliteData/ghrsst/3.时间序列预测方法 本研究用到的方法ARMA模型预测法4.实际处理及分析融合数据获取南海温度数据及网格化子区域合并取一合并后的数据直接建立预测模型分解数据建立各分量的预测模型预测结果1预测结果2对比分析合适的

2、模型4.实际处理及分析 1海表温度数据的获取海表温度数据的获取 区域分割：读取原始数据，裁切南海区区域分割：读取原始数据，裁切南海区域。每网格海表温度长时间序列值：南海域。每网格海表温度长时间序列值：南海范围北纬范围北纬622 东经东经105121 格子格子1*14.实际处理及分析 1海表温度数据的获取海表温度数据的获取 子区域合并子区域合并4.实际处理及分析融合数据获取南海温度数据及网格化子区域合并取一合并后的数据取一合并后的数据直接建立预测模型分解数据建立各分量的预测模型预测结果1预测结果2对比分析合适的模型4.实际处理及分析 2海表温度数据的EEMD分解1983 1984 1985 19

3、86 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 20132830EEMD result（ 0-50m） ,noise level=0.2 Number of ensemble=500 -101IMF 1-101IMF 2-0.500.5IMF 3-0.500.5IMF 4-101IMF 5-202IMF 6-101IMF 7-0.500.5IMF 8-0.200.2IMF 9-0

4、.200.2IMF 10-0.100.1IMF 11-0.0200.02IMF 1228.52929.5R4.实际处理及分析融合数据获取南海温度数据及网格化子区域合并取一合并后的数据直接建立预测模型直接建立预测模型分解数据建立各分量的预测模型建立各分量的预测模型预测结果1预测结果2对比分析合适的模型4.实际处理及分析 3温度时间序列预测模型的建立温度时间序列预测模型的建立 序列的平稳性判断；序列的平稳性判断； 利用自相关函数图和偏相关函数图进行利用自相关函数图和偏相关函数图进行模型形式确定；模型形式确定； 利用利用AIC准则选择模型的阶数；准则选择模型的阶数；4.实际处理及分析 3实际温度数据

5、的时间预测模型实际温度数据的时间预测模型 Discrete-time IDPOLY model: A(q)y(t) = C(q)e(t) A(q) = 1 - 2.123 q-1 + 1.572 q-2 - 0.7059 q-3 - 0.2019 q-4 + 0.8517 q-5 - 0.3934 q-6 C(q) = 1 - 1.942 q-1 + 1.004 q-2 - 0.2245 q-3 - 0.2897 q-4 + 0.7481 q-5 - 0.1225 q-6 - 0.1536 q-7 - 0.008675 q-8- 0.01119 q-9 预测结果：预测结果：Yt =30.327

6、2 30.3084 30.2929 30.2567 30.2318 30.2156 30.20394.实际处理及分析 4海表温度分解数据的时间预测模型海表温度分解数据的时间预测模型预测结果预测结果1day1day2day2day3day3day4day4day5day5day6day6day7day7dayIMF1IMF1-0.0004-0.0004-0.0031-0.00310.00600.0060-0.0035-0.0035-0.0018-0.00180.00070.00070.00290.0029IMF2IMF20.02080.0208-0.0002-0.0002-0.0227-0.02

7、27-0.0171-0.01710.02210.0221-0.0007-0.0007-0.0039-0.0039IMF3IMF3-0.0564-0.0564-0.0963-0.0963-0.1102-0.1102-0.0930-0.0930-0.0815-0.0815-0.0718-0.0718-0.0823-0.0823IMF4IMF40.21580.21580.20840.20840.18740.18740.16440.16440.13150.13150.09330.09330.04750.0475IMF5IMF5-0.0664-0.0664-0.0728-0.0728-0.0797-0.

8、0797-0.0865-0.0865-0.0929-0.0929-0.0993-0.0993-0.1049-0.1049IMF6IMF60.07930.07930.07060.07060.06210.06210.05350.05350.04480.04480.03620.03620.02750.0275IMF7IMF70.40900.40900.41130.41130.41350.41350.41560.41560.41750.41750.41940.41940.42120.4212IMF8IMF80.08270.08270.08380.08380.08480.08480.08590.0859

9、0.08700.08700.08810.08810.08920.0892IMF9IMF90.17670.17670.17880.17880.18080.18080.18290.18290.18500.18500.18700.18700.18910.1891IMF10IMF100.11420.11420.11440.11440.11450.11450.11470.11470.11480.11480.11500.11500.11510.1151IMF11IMF110.06190.06190.06200.06200.06220.06220.06230.06230.06240.06240.06250.

10、06250.06260.0626IMF12IMF120.01100.01100.01100.01100.01100.01100.01100.01100.01100.01100.01100.01100.01100.0110R R29.293029.293029.301229.301229.346729.346729.265729.265729.350529.350529.295729.295729.299029.2990组合结果组合结果30.341230.341230.269130.269130.256430.256430.155930.155930.250430.250430.137130.1

11、37130.07430.0744.实际处理及分析融合数据获取南海温度数据及网格化子区域合并取一合并后的数据直接建立预测模型分解数据建立各分量的预测模型预测结果1预测结果2对比分析对比分析合适的模型4.实际处理及分析 5预测结果列表对比预测结果列表对比时间序号时间序号实际温度预测结果实际温度预测结果分解数据预测结果分解数据预测结果实际温度数据实际温度数据day1day130.327230.327230.341230.341230.35520230.355202day2day230.308430.308430.269130.269130.36341330.363413day3day330.2929

12、30.292930.256430.256430.39488230.394882day4day430.256730.256730.155930.155930.4324430.43244day5day530.231830.231830.250430.250430.38292730.382927day6day630.215630.215630.137130.137130.00194730.001947day7day730.203930.203930.07430.07430.03122330.0312234.实际处理及分析 5预测结果折线图对比预测结果折线图对比12345672526272829303

13、132时 间 /天温度/摄氏度实际温度曲线 原始数据预测结果原始数据预测结果* 分解数据预测结果分解数据预测结果4.实际处理及分析32年实际数据的预测结果与实际数年实际数据的预测结果与实际数据的吻合程度据的吻合程度99.5756%32年年EEMD分解始数据的预测结果分解始数据的预测结果与实际数据的吻合程度与实际数据的吻合程度99.6071%5预测结果吻合度对比预测结果吻合度对比三年温度数据的预测结果时间序号时间序号实际温度预测结果实际温度预测结果分解数据预测结果分解数据预测结果实际温度数据实际温度数据day1day130.338330.338330.372530.372530.35520230

14、.355202day2day230.339230.339230.299530.299530.36341330.363413day3day330.357830.357830.255230.255230.39488230.394882day4day430.348930.348930.202330.202330.4324430.43244day5day530.328630.328630.144830.144830.38292730.382927day6day630.33530.33530.101930.101930.00194730.001947day7day730.360430.360429.999629.999630.03122330.031223吻合程度32年实际数据的预测结果与实际数年实际数据的预测结果与实际数据的吻合程度据的吻合程度99.5756%32年年EEMD分解数据的预测结果与分解数据的预测结果与实际数据的吻合程度实际数据的吻合程度99.6071%3年实际数据的预测结果与实际数年实际数据的预测结果与实际数据的吻合程度据的吻合程度99.5833%3年年EEMD分解数据的预测结果与实分解数据的预测结果与实际数据的吻合程度际数据的吻合程度99.6135%3年实际数据的预测结果与实际数年实际数据的预测结果与