气候预测

气候预测（精选12篇）

气候预测 篇1

随着气象探测资料的丰富及预测理论的发展, 气候预测业务已不局限于统计预报方法。在提高气候预测准确率方面, 需要走统计与动力相结合之路, 这同时也是我国近代气候业务系统发展的要求[1]。国外学者已经开展了相关研究, 并从模式分辨率、数值误差及大气外源作用等导致现行数值模拟方法准确率较低[2]的方面加以改进。我国学者也开展相关研究, 对无辐散正压模式和准地转斜压模式, 推导出使用多时刻观测资料的预报方程式[3];并将预报对象分解为参考态和扰动态2个部分, 参考态自历史观测资料中选定, 扰动态的演变则用动力方法预报[4]。自2005年起, 国家气候中心 (NCC) 开发的第1代气候模式预测业务系统投入运行, 该系统包括模式预测和资料同化等5个子系统, 可提供月季尺度的全球到东亚区域范围的模式预测产品[5]。夏季预测试验使用了从2月底起报 (预测在3月完成) 的每年6—8月的夏季回报结果。该套系统在业务中发挥主要作用, 但对我国短期气候预测能力有限[5,6], 因此NCC启动多圈层耦合气候系统的研制并建成了耦合大气、陆面、海洋、海冰分量在内的不同版本的气候系统模式。近年来改进动力-统计相结合方法的原理的预报方案并投入到业务应用[7,8]。季节尺度在内的短期气候预测模式 (BCC_CGCM) , 即NCC/IAP T63海气耦合模式, 水平分辨率为110 km, 垂直方向为30层。每月开展为48个成员滚动的季节集合预报。其中大气模式初值采用前1个月最后8 d的00Z的大气同化资料, 海洋初值场为海洋资料同化系统经过扰动得到的海洋同化场, 海洋和大气初始场的组合构成季节预报的初值集合[9]。根据新一代气候系统模式BCC_CSM1.1 (m) 研发的第2代短期气候系统也有了长足进展并于2013年底推行准业务化工作[10]。该系统包含第2代海洋资料同化系统、陆面资料同化系统、月动力延伸预测模式系统、季节气候预测模式系统共4个子系统。本文试图浅析其中季节气候预测模式系统在东北地区夏季降水预报中适用性, 为提高气候预测业务准确度及模式的改善提供参考。

1 资料与方法

1.1 资料

BCC_CSM1.1 (m) 是全球近110 km中等分辨率的海-陆-冰-气耦合的气候系统模式, 其中大气分量模式采用BCC_AGCM2.2, 陆面分量模式采用BCC_AVIM1.0, 海洋分量模式采用MOM_L40, 海冰分量模式采用美国地球流体力学实验室海冰模拟器 (SIS) ;各分量模式通过耦合器CPL5直接耦合在一起[11]。大气初始场采用NCEP再分析资料或国家气象中心T639数值预报产品的多层次温、风及地面气压场, 海冰初始场采用NOAA最优差值的海冰密集度资料。第2代季节气候预测模式系统采用滞后平均预报 (LAF) 和奇异向量 (SV) 扰动相结合的集合预测方案, 每次预测包含150个样本, 分别使用起报日期前4 d的不同海洋和大气初值组合再叠加SV扰动得到, 预测积分10个月[10]。本文所用的实测资料为1991—2010年6—8月CMAP月降水量资料。本文利用第2代季节气候预测模式系统1991—2010年共20年6—8月回报的东北地区 (115~145°E, 40~50°N范围内) 月降水量数据, 并将其插值到2.5°×2.5°空间以便与CMAP (CPC Merged Analysis of Precipitation) 资料进行对比分析。

1.2 分析方法

本文利用皮尔逊相关系数 (Pearson product-moment correlation coefficient) 来表述2组变量之间关系密切程度, 并对其大小是否显著做统计检验。相关系数的取值范围在[-1, 1]之间, 根据已知自由度和显著水平, 查相关系数检验表, 得出rα, 如果r>rα则数据间相关系数通过检验。

利用线性回归对自变量随时间变化做出回归分析和因变量之间关系进行建模的一种回归分析。根据回归系数判断气候变量的趋势倾向, 并判断变化趋势是否显著, 对相关系数进行显著性检验。降水距平百分率反映了某一时段降水与同期平均状态的偏离程度。用公式来表达为: (实测值-同期历史均值) /同期历史均值。

2 结果与分析

2.1 空间分布对比分析

第2代季节预测模式系统、CMAP东北地区1991—2010年平均夏季累积降水量空间分布如图1所示。实况数据 (CMAP) 显示东北地区夏季累积降水量20年平均值多在300~500 mm, 只有辽宁省东南及吉林省局部地区超过了500mm。西部地区夏季累积降水量普遍偏少。东北三省中夏季累计降水量黑龙江最低。东北地区夏季累计降水量空间分布呈由北向南递增的特征。吉林省, 尤其是辽宁省夏季累计降水量空间分布特征较明显。吉林省夏季累计降水量呈由北向南递增的空间分布, 最小值不足350 mm, 位于吉林省西北部地区。辽宁省夏季累计降水量呈由西向东递增的空间分布, 最小值也不足350 mm, 位于辽宁省西部。黑龙江省北部、西部、东南部边缘地区夏季累计降水量较少, 不足350mm, 其他大范围地区降水量均在350~400 mm之间。

第2代季节预测模式系统东北地区夏季累计降水量在240~440 mm之间。高值区域仍出现在辽宁省东部及吉林省南部地区, 夏季累积降水量超过400 mm。低值区出现在黑龙江省西部及吉林省北部地区, 夏季累计降水量不足260mm。3省中黑龙江省夏季累计降水量最低。东北地区夏季累计降水量空间分布呈由北向南、由西向东递增的特征, 3省的空间分布特征均较明显。黑龙江省夏季累计降水量呈由西向东递增的空间分布, 范围在240~340 mm之间。吉林省夏季累积降水量呈由西北向东南递增的空间分布, 范围在260~440 mm之间。辽宁省夏季累计降水量呈由西向东递增的空间分布, 范围在340~440 mm之间。

1991—2010年20年平均第2代季节预测模式系统与CMAP东北夏季累计降水量差值的空间分布如图2所示。可知第2代季节预测模式系统东北地区夏季降水量数据普遍偏低0~150 mm。仅辽宁西北部分地区略偏高0~50 mm。其中差异最明显的地区位于黑龙江中部及辽宁省东南部, 但由于黑龙江中部地区夏季累计降水量较小, 偏离程度较其他地区更大。3省中吉林省预测产品较稳定。辽宁省预测产品空间差异较大, 差异由西北至东南方向由偏大至偏小变化。在夏季累计降水量空间分布上, 2组数据全省分布状况较一致。第2代季节预测模式系统在吉林夏季累计降水量省空间分布上的描述能力最强, 其次为辽宁省及黑龙江省。

计算第2代季节预测模式系统与CMAP各年的夏季累计降水量的距平百分率, 并对2组数据进行统计相关计算, 空间分布结果如图3所示, 深色区域代表通过90%的显著性检验。整体来讲, 第2代季节预测模式系统结果在各年的降水距平百分率均小于实测数据。同时, 预测模式系统对东北地区夏季累计降水量的趋势描述能力有待提高。东北较大范围地区, 尤其是中部地区预测值与实况值的累计降水量距平百分率的相关未通过90%的显著性检验。东北3省中辽宁地区相关最高, 辽宁省大部分地区2组数值的相关均通过了90%的显著性检验, 其中辽宁西部地区2组数值的相关系数达到0.7以上, 辽宁东部局部2组数值相关性较差。除西北及东部局部地区外, 吉林省大部地区预报数据质量较差。黑龙江省东部及西部局部地区2组数据相关性较好, 而中部地区相关性较差。

2.2 时间分布对比分析

由东北地区降水的实况及预测值与实况差异的空间分布特征可以看出东北地区的南北部差异较大, 所以本文以44°N为界, 将东北地区分为东北北部地区 (44~54°N, 121~134°E) 及东北南部地区 (38~44°N, 119~132°E) 。细化范围以便对比分析第2代预测模式系统在东北地区夏季累计降水量的描述能力。1991—2010年东北地区北部 (图4a) 及南部 (图4b) 模式预测夏季累计降水量与实况值各年变化及平均值曲线表明, 东北北部20年区域平均夏季累计降水量为354 mm, 模式预测结果为296 mm, 偏少16.4%。20年中有17年模式预报结果偏小, 其中最大值为2009年偏小约127 mm, 共6年偏小值超过100 mm;最小值为2001年, 偏小约2 mm。偏多的年份有1995年 (偏多7 mm) 、2007年 (偏多39 mm) 及2008年 (偏多22 mm) 。差异较明显的年份均为夏季降水累积量处于较高值得年份, 模式预测对于低值年份的描述能力较好。计算2组数据的相关性, 结果不容乐观。实况及模式预测数据均未显示东北北部地区20年来夏季累计降水量具有明显的变化趋势。但较观测数据, 模式预测结果的波动性较低, 波动程度不一致。东北南部20年区域平均夏季累计降水量为456 mm, 模式预测结果为385 mm, 偏少15.6%。20年中有16年模式预报结果偏小, 其中最大值为1995年。该年东北南部夏季累计降水量达到20年中最高值, 为619 mm, 而模式预测结果为404 mm偏小约215 mm。20年中共7年偏小值超过100 mm, 其中有4年偏小值超过150 mm;最小值为2003及2007年, 偏小值不足2 mm。偏多的年份有1995年 (偏多6 mm) 、1999年 (偏多28 mm) 及2000年 (偏多46 mm) 。差异最小的年份为1997年, 2组数据几乎一致。计算2组数据的相关性, 结果仍较差。实况及模式预测数据均未显示东北南部地区20年来夏季累计降水量具有明显的变化趋势。较观测数据, 东北南部模式预测结果的波动性较低, 波动程度不一致。

3 结论

根据新一代气候系统模式BCC_CSM1.1 (m) 研发的第2代季节预测模式系统插值到2.5°×2.5°空间分辨率的回报资料及CMAP降水数据, 分析模式系统对1990—2010年6—8月夏季累计降水量的预报能力。

东北地区夏季累积降水量20年平均值多在300~500mm, 呈由北向南递增的特征。吉林省, 尤其是辽宁省夏季累计降水量空间分布特征较明显。东北地区夏季累计降水量模式预测值为240~440 mm, 较观测值偏低0~150 mm, 仅辽宁西北部分地区略偏高0~50 mm。东北地区整体空间分布尤其是吉林省与实测结果较一致, 黑龙江省数据差异较大。

东北中部地区预测值与实况值的夏季累计降水量距平百分率的相关未通过90%的显著性检验。东北3省中辽宁地区相关最高, 吉林省预报数据质量较差。各年内, 模式预测夏季累计降水量距平百分率较观测值低。

将东北地区分为南、北两部分别计算可知20年东北北部平均夏季累计降水量为354 mm, 模式预测结果偏少16.4%, 模式预测结果对于低值年份的描述能力较好。东北南部20年区域平均夏季累计降水量为456 mm, 模式预测结果偏少15.6%。模式与实测结果的相关性较差。实况及模式预测数据均未显示东北地区夏季累计降水量具有明显的变化趋势。较观测数据, 模式预测结果的波动性较低, 波动程度不一致。

参考文献

[1]丑纪范.短期气候预测的现状问题与出路 (一) [J].沙漠与绿洲气象, 2003, 26 (2) :1-4.

[2]丑纪范.短期气候数值预测的进展和发展前景[J].世界科技研究与发展, 2001, 46 (2) :1-3.

[3]丑纪范.天气数值预报中使用过去资料的问题[J].中国科学, 1974 (6) :635-644.

[4]邱崇践, 丑纪范.天气预报的相似—动力方法[J].大气科学, 1989 (1) :22-28.

[5]丁一汇, 刘一鸣, 宋永加, 等.我国短期气候动力预测模式系统的研究及试验[J].气候与环境研究, 2002, 7 (2) :236-246.

[6]李维京, 张培群, 李清泉, 等.动力气候模式预测系统业务化及其应用[J].应用气象学报, 2005, 16 (增刊1) :1-11.

[7]王启光, 封国林, 郑志海, 等.长江中下游汛期降水优化多因子组合客观定量化预测研究[J].大气科学, 2011, 35 (2) :287-297.

[8]龚志强, 支蓉, 侯威, 等.基于复杂网络的北半球遥相关年代际变化特征研究[J].物理学报, 2012, 61 (2) :539-547.

[9]龚志强, 赵俊虎, 封国林, 等.基于年代际突变分量的东亚夏季降水动力-统计预报方案研究[J].中国科学:地球科学, 2015 (2) :236-252.

[10]吴统文, 宋连春, 刘向文, 等.国家气候中心短期气候预测模式系统业务化进展[J].应用气象学报, 2013, 24 (5) :533-543.

[11]WU T, LI W, JI J, et al.Global carbon budgets simulated by the Beijing Climate Center Climate System Model for the last century[J].Journal of Geophysical Research Atmospheres, 2013, 118 (10) :4326-4347.

气候预测 篇2

2.本文开篇用了一个设问句。如果不用设问句，这话该怎样说?作者运用设问句有什么好处?

答：改写句：____________________________________________________

好处：______________________________________________________

3.根据第三段的内容，用一个“是”字句给短期气候预测下一个定义。

答：_______________________________________________________________________

4.在第五段空缺处填入恰当的关联词语。

依次为：________、________

5.给第十段中的“变幻莫测”写出两个同义成语和一个反义成语。

营销新时代:关于预测模型的预测 篇3

在快速消费品行业，新产品销量预测是基于一个考虑消费者和营销数据的模型。消费者数据包括采购和购物历史以及产品曝光率和评价。营销数据包括市场数据(比如，该类产品目前的渗透率、份额和定价)以及测试产品的预期营销计划(比如，广告支出和分销级别)。这些组成部分被整合成一个预测模型，以便预测新产品在投放市场后一两年内的销售情况，如所示。

预测模型自20世纪70年代问世以来一直是行之有效的，与其之前的预测(即真实的店内测试市场)相比，这些预测模型为预测新款快速消费品的销售情况提供工一个更有效、更具成本效益的手段，而且准确度不低于前者。

营销新时代

目前我们面临着营销新时代。媒介不断细分，电视和平面广告得到补充——有时被取而代之——公司网站、互联网广告、搜索引擎优化、社交媒介、移动通信、电视剧电影中的产品投放、赞助以及口碑。这些新途径为快速消费品营销人员提供了数不胜数的机会。比如，超级碗或世界杯期间一段30秒的电视广告就会耗费数百万美元之巨。不过，YouTub上的病毒式营销或许也能取得同样的效果，而且花费更少，举个例子：Stride口香糖赞助了一段由用户拍摄的名为“跳舞毯”的视频，其中，用户让他的一位朋友拍摄他与世界各地的当地人一起跳舞的情景，赢得了2000万次的YouTube访问量。

尽管在营销新时代，机会无处不在，但新挑战和威胁却开始显露出来。创新过程将注意力更多地放在初期阶段，实现突破性创新以获得更多的关注，全球化日渐成为准则。此外，竞争并不容易加以界定。新产品可能横跨多个类别，或产生一个新的类别，抑或是面临自有品牌的激烈竞争。那么，在营销新时代，预测模型将发生怎样的转变呢?

关于预测模型未来的洞察

以下是关于预测模型在接下来5年时间里演变的七种预测，以期更好地帮助包装消费品营销人员在其新产品营销过程中取得成功。

预测1：预测与金融咨询相联系

营销人员对其目前的创新度量感到不满意，觉得缺乏责任性。在波士顿咨询集团2009年进行的一项调查中，不到1，3的受访公司表示，它们对自己的创新度量感到满意。在2010年麦肯锡进行的全球调查中，仅27％的受访者表示其所在的公司在对商业领袖进行创新问责方面做得非常或极为有效。

预测模型有助于提供与营销行动准则和ROI目标有关的指导意见。此外，预测模型还可用作规划工具。预测模型可在与研发投资、工厂产能和库存管理有关的问题上为公司提供帮助。许多公司寻求的不仅仅是单一预测和置信区间，它们希望了解实现不同’目标的可能性。比如，预测结果可能是：有80％的可能性实现3000万台销量，有50％的可能性实现3500万台销量，而仅有10％的可能性达到4000万台销量。

预测2：向受访者级模型转移

如今，预测模型的一些方面具有受访者级的元素。然而，预测模型仍然是笼统的。我们并未针对每个消费者创建预测模型。拥有一个受访者预测模型，可以更好地激发媒介和分销，为针对性的创新做出更好的预测。

正如所示，我们可以通过了解每位受访者，得到一个更可行的预测模型。通过模拟与媒介计划相结合的消费者媒介习惯、与店内分销和促销计划相结合的消费者购物历史以及消费者对产品线中各个产品的兴趣，我们可以开发出针对特定时间期限内产品线中各个产品的消费者的预测模型。

预测3：对全球转移性给予更多关注

如今，公司为了控制成本，在少数市场上进行预测，而在其他市场上做出猜测。比如，对澳大利亚进行预测，对新西兰则做出最佳猜测。

理论上说，营销人员能够考量两个市场共有的特性，比如：市场份额和渗透率以及媒介和零售环境，先投资进行针对澳大利亚的预测，然后根据澳大利亚和新西兰市场的共同点，得山针对新西兰的预测。我们把根据一个市场预测另一个市场的能力称作可转移性，我们预计，还将会出现更系统、更准确的手段来将一个市场的预测模型转移至另一个市场上。

预测4：更多地关注竞争

如今，尽管竞争对于新产品的成功具有重要的影响作用，大部分预测模型仍只着重于测试产品。

竞争可以是直截了当的，比如，一个著名的制造商品牌击败投放到市场上的新产品，或自由品牌的受欢迎程度与日俱增。或者，可能很难对竞争加以界定，尤其是新产品系列的市场新军(比如，红牛能量饮料)，横跨多个类别(比如，一款既是糖果又是薄荷糖的产品)，或产品类别比较模糊(比如，掺有酸乳酪的强化麦片)的产品。预测模型应能够甄别竞争对手，并考虑创新在与这些竞争对手的竞争中如何发挥作用。此外，预测模型必须应对未大肆做广告的产品，利用非传统媒介，或在了解竞争对手的基础上依赖购买营销策略。

传统做法是将新产品放到其将要上市的国家的历史数据库中，和相关品类的基准进行比较。这些历史数据库通常案例太少(尤其对于新产品类别和新兴市场，更是如此)，类似于暗箱操作，而关于数据库包含哪些理念，更是毫无透明度可言。

另一种手段使消费者得以界定竞争对手，然后根据能够在预测模型中加以利用的对比情况来制定基准。这种方法具有明显的优点：(1)不存在暗箱；(2)测试产品是对照其需要在市场上击败的竞争对手来予以评价的；(3)诊断与预测直接相关，这样便可以激发诊断方面的改进(参见图4)。

预测5：预测由产品推出前改变为产品推出后

鉴于有如此之多的变量能够影响创新的发展和推出过程，营销人员必须能够预测此过程中任何一个时间点的销售情况。我们预计，预测将在比目前更早的时候进行，比如，在掌握调查数据之前一当营销人员想通过确定普通产品在其目标市场上的表现，来评估某种创意的市场潜力时。此外。我们预计，在研究各个阶段进行预测将变成常态，不仅在概念筛选期间，而且也在文案、包装、定价和产品测试期间。预测在产品推出后不会停止一我们预计，预测将在产品推出后继续进行下去，以便了解新产品在出现出乎意料的事件(比如，营销计划变更、新的竞争对手或意料之外的流言)时可能选择的方向。将开发出新的模拟器和仪表盘工具，以便营销人员更容易分析新产品在所有接触点期间的进展。

预测6：更好地预测颠覆性创新

经过多年的产品线扩展(这些产品中有许多在市场上反响不佳)，营销人员越来越重视颠覆陛创新一因具备明显优势或更低成本而赢得新消费者青睐的创新(比如，Dannon Aetlvla、Nestle Nespress0和Swiffer Sweeper)，这些创新更难以预测。

预测颠覆性创新要求运用一种有别于典型创新中所使用的手段。这些预测需要一个独特的样本(例如，主要使用者、有影响力者和关键利益相关者)、一份更全面的调查问卷(应包括哪些人会购买和使用该产品、用于哪些场合、竞争对手情况如何以及其他未知情况)、一个比典型概念更具说明性的刺激因素(详细描述得到满足的基本需求、产品的优点、相信的理由和使用的简便性，包括图纸、示范样品或视频)。

重要的是，颠覆性创新的预测模型需要融入独具特色的方面(比如，slower trialbuild)，以及强调口碑的重要性。

预测7：样本、调查和度量将发生转变

在未来5年里，预计会出现：

·新的数据采集方法，包括智能电话和笔记本电脑。

·新的采样规则，由于越来越难以找到受访者，样本库将不再可能作为唯一的解决方案，我们将求助于非样本库，并在整个互联网上进行采祥。尽管这些样本可能不具有代表性，但如果我们能证明它们符合关键基准，那么它们还是合乎要求的。

·新的度量，比如开放式问题和互联网反馈。

·旨在促进参与的交互式调查，调查将采用更多图形化界面和具有较少评定量表、广播形按钮与栅格的拖放功能，以增强参与性，提高回答问题的质量。

·新的分析方法，我们将采用新的分析方法，比如，文字挖掘和个体为本模型。

这些转变要求预测模型采用与其以往适应网络的相同的方式来加以适应。然而，这些转变的意义更加重大，因为向网络的转变主要是并行测试校准，所采用的样本、度量、调查表、格式和分析方法都相同。预测模型：变革的时刻

气候预测 篇4

运用八卦预测天气, 古已有之。《黄金策》、《增删卜易》等书中都对运用八卦预测天气的方法进行了精辟的论述。当代易坛泰斗邵伟华先生在其所著《周易预测学讲义》中，也对运用八卦预测天气的方法进行了详细的介绍。1994年4月，《辽宁气象》曾发表了郭文华、田丽艳同志的《周易预测方法在天气预报中的探索》一文。

短期气候预测是世界难题。短期气候预测工作者们正在寻求各种不同手段，以提高短期气候预测准确率。俗话说：“不管白猫黑猫，抓到老鼠就是好猫”。本人经过多年实践，发现运用八卦开展短期气候预测，常常得到惊人准确的结论，确是一条值得大力摸索的途径。

2 基本思路

本人主要是运用八卦预测方法中的六爻预测法开展短期气候预测的。这主要涉及下列三方面的知识：

1)六亲所代表的天气现象。六爻预测法中的六亲，即父母、兄弟、子孙、妻财、官鬼。按惯例，运用六爻预测法开展短期气候预测时，父母代表降水，兄弟代表风力，子孙和妻财均代表晴天，官鬼则代表雷电。

2)五行的生克规律：所谓五行，就是金木水火土，其生克规律是:金生水，水生木，木生火，火生土，土生金;金克木，木克土，土克水，水克火，火克金。

3)五行的生旺死绝规律：a.木长生在亥，沐浴在子，官带在丑，临官在寅，帝旺在卯，衰在辰，病在巳，死在午，墓在未，绝在申, 胎在酉, 养在戌;b.火长生在寅，沐浴在卯，官带在辰，临官在巳，帝旺在午，衰在未，病在申，死在酉，墓在戌，绝在亥，胎在子，养在丑;c.金长生在巳，沐浴在午，官带在未，临官在申，帝旺在酉，衰在戌，病在亥，死在子，墓在丑，绝在寅, 胎在卯, 养在辰;d.水土长生在申，沐浴在酉，官带在戌，临官在亥，帝旺在子，衰在丑，病在寅，死在卯，墓在辰，绝在巳，胎在午，养在未。

3 若干成功卦例介绍

3.1 汛期雨量高峰月预测

1) 1998年3月16日, 本人测当年汛期雨量高峰月，摇得主卦“泽天夬”(坤宫)，变卦为“泽火革”(坎宫)：

结论：二爻官鬼，一年多灾。父母巳火为用神，处伏地，得乙卯月建及动爻、青龙生之，故伏神旺而得出。因火帝旺在午，而农历五月属午，故农历五月为巳火最旺之时。因公历7月份处于农历闰五月之内，参考其它资料，最后对外预报公历7月份为1998年汛期雨量高峰月，雨量为900～1200毫米，属特多，灾重。

实况：1998年7月份，东兴雨量为991.5毫米，与历年同期平均值相比, 偏多73.6%，确属汛期雨量高峰月，亦属特多，灾重。

2) 2003年12月30日, 本人测来年汛期雨量高峰月，摇得主卦“火天大有”(乾宫)，变卦为“火风鼎”(离宫)：

结论：父母辰土为用神，临日建、月建旺地，为多雨之象。主卦“火天大有”，处在乾宫，属金，而变卦“火风鼎”处在离宫，属火;此为卦化回头克，是成灾的迹象。因火帝旺在午，农历2004年五月属午，火旺生土，而父母辰土得旺火之生，势必旺上加旺，因此可断农历五月为2004年汛期雨量高峰月。但2004年农历五月，包括了公历的6月18～30日及7月1～16日，之后考虑到公历的7月17～31日处在农历六月，而农历六月属未，属土，父母辰土临之，必旺。因此，最后参考其它资料，进行综合分析，然后对外预报公历7月份为2004年汛期雨量高峰月，雨量为900～1000毫米, 属特多，灾重。

实况：2004年7月份，东兴雨量为1069.8毫米，与历年同期平均值相比，偏多87.4%, 确属汛期雨量高峰月，亦属特多，灾重。

3) 2009年2月1日，本人测当年汛期雨量高峰月，摇得主卦“山泽损”(艮宫)，变卦为“火泽睽”(艮宫)：

结论：二爻官鬼，一年多灾。父母巳火为用神，得丙寅月建生之，为多雨之象。因火帝旺在午，而农历五月属午，故农历五月为巳火最旺之时。因公历6月份处于农历五月及闰五月之内，参考其它资料，最后对外预报公历6月份为2009年汛期雨量高峰月，雨量为650毫米以上，属偏多到特多。

实况：2009年6月，东兴雨量为661.7毫米，确属汛期雨量高峰月，雨量偏多42.9%，灾重。

3.2 汛期相对多雨阶段预测

1) 2006年12月20日，有人求测2007年汛期相对多雨阶段，我根据问卦时间起卦，得主卦“山水蒙”(离宫)，变卦为“地水师”(坎宫)：

结论：主卦“山水蒙”，处在离宫，属火，而变卦“地水师”处在坎宫，属水;此为卦化回头克，是成灾的迹象。动爻父母寅木为用神，得月建子水生之，为旺。来年农历五月份属午，动爻父母寅木、世爻子孙戌土与月建午火合成火局。据此，断定2007年农历五月份为汛期相对多雨阶段，而公历六月中旬～七月中旬这段时间处在农历五月, 因此对外预报称：“汛期洪涝灾害比较严重，其中最值得重视的是六月中旬～七月中旬这段时间”。

实况：2007年汛期，东兴市的两次洪涝造成的灾情都出现在六月中旬～七月中旬这个时间段内，其余时段的降水则未成灾。

2) 2007年12月25日，有人求测2008年汛期相对多雨阶段，我根据问卦时间起卦，得主卦“山地剥”(乾宫)，变卦为“坤为地”(坤宫)：

结论：父母戌土为用神，旺于月建，又得日建生之，此为多雨的迹象。来年农历三月建辰, 戌遇辰为月破, 因此农历三月不可能多雨。农历四月建巳，巳属火生戌土，因此可断农历四月起多雨。农历五月建午，午属火生戌土，因此可断农历午月同样多雨。农历六月建未，父母戌土临月建为旺，因此可断农历六月处于多雨期。农历七月建申，因土长生于申，为旺，因此可断农历七月仍处于多雨期。农历八月建酉，土处于沐浴旺地，据此可断农历八月雨仍多。综上所述，2008年汛期相对多雨阶段，应是农历四月起到农历八月止;换算成公历，就是5月上旬～9月下旬之间。对外预报也是这样说的。

实况：2008年汛期，东兴市第一场暴雨及最后一场暴雨分别出现于5月19日和9月25日。这同八卦预测结论之间的误差是相当小的。

3.3 春季雨量趋势预测

1) 1999年1月1日，本人测当年春季雨量趋势，摇得六静卦“雷泽归妹”(兑宫)：

结论：世爻父母丑土为用神，1999年为农历己卯年，属木，太岁克世，大凶。农历正月、二月，分别建寅、建卯，均属木，克世爻父母丑土。世爻父母丑土受克无生。据此可断农历正月、二月即公历即2月16日至4月15日之间，大旱!参考其它资料，在对外发布2、3月预报时，预报2、3月雨量分别为30毫米以下和40毫米以下，均属偏少到特少，春旱严重!

实况：1999年2月和3月，东兴雨量分别为0.1毫米和13.5毫米，与历年同期平均值相比，分别偏少99.8%和80.7%，均属特少，与预报结论完全吻合。另外，2月16日至4月15日之间东兴雨量仅有50.9毫米，与历年同期平均值相比，偏少72.4%，确属大旱!

2) 2000年12月24日，本人测来年春季雨量趋势，摇得主卦“地风升”(震宫)，变卦为“地天泰”(坤宫)：

结论：父母亥水为用神，处月建旺地，是多雨之象。农历正月建寅, 寅、亥相合，据此可断农历正月(即公历1月24日至2月22日)多雨;农历二月建卯，卯、亥半合，据此亦可断农历二月(即公历2月23日至3月24日)多雨。参考其它资料，对外预报时，指出公历2、3月雨量分别为40～60毫米和60～80毫米，属基本正常，春季干旱不明显。

实况：2001年2月和3月，东兴雨量分别为62.2毫米和105.9毫米，与历年同期平均值相比，分别偏多21.2%和51.5%，春季干旱确实不明显。这与预报结论基本吻合。

4 小结

1)本文所列卦例，是典型卦例。实际上，运用八卦开展短期气候预测的成功率，约为70%左右，而且对于灾害性、极端性气候事件的预测，往往得到惊人准确的结论。为此，确实值得进一步探索。

2)因气候变化规律复杂，开展短期气候预测，不能仅仅依据八卦，还须参考其它资料和工具，才能作出最后结论。

3)相比之下，根据问卦时间起卦预测的准确率比摇卦预测的准确率稍高。

4)本文所列短期气候预测卦例，只限于降水方面，至于气温、风、雷、湿度等方面的八卦预测方法，目前尚在摸索之中。

参考文献

[1]邵伟华, 周易预测学讲义[M].甘肃:敦煌文艺出版社, 1994.

[2]郭文华, 田丽艳.周易预测方法在天气预报中的探索[J], 辽宁气象, 1994.

[3]邵伟华, 周易预测例题解[M].甘肃:敦煌文艺出版社, 1993.

认识气候变化与极端气候预报 篇5

认识气候变化与极端气候预报

1月10日至2月2日,我国南方大部分地区连续多次遭受强冷空气袭击,形成了大范围和长时间的.极端低温、雨雪、冰冻天气.给湖南、湖北、安徽、江西、广西、贵州等20个省份的交通运输、能源供应、电力传输、通讯设施、农业生产、群众生活造成了严重影响和损失.

作 者：钱维宏 Qian Weihong  作者单位：北京大学大气科学系,北京,100871 刊 名：科学（上海）  PKU英文刊名：SCIENCE 年，卷(期)： 60(5) 分类号： 关键词：气候变化   极端气候   天气预报  

气候预测 篇6

一、灰色预测方法

1.灰色系统理论

灰色系统是指既含有已知信息又含有未知的或非确知信息的系统。灰色系统理论提供了在贫信息情况下解决系统问题的新途径。当寻求不到系统的概率特性时，灰色模型显现出突出的优越性。目前灰色预测模型在国民经济预测中得到了一定程度的应用，实践证明其预测精度比较好。

2.灰色预测模型

灰色预测模型称为GM（Grey Model）模型，利用GM模型可以对所研究系统的发展变化进行全局观察、分析和长期预测。根据预测因子的数目可分为一阶多元微分方程预测模型GM（1，n）和一阶一元微分方程预测模型GM（1，1）。下面将介绍GM（1，1）模型，并以此作为物流需求量的预测模型。

(1)建模过程。设有原始数列:。

第一步，基于光滑离散数据列递增指数律的思想，生成的数列比原始数列的指数递增规律性要强，并且弱化了原始数列的随机性。因此，对作一次累加，生成新数列：

上式中:为预测值，a为发展灰度，b为内省控制灰度。

第五步，模型精度检验,灰色GM(1，1)模型精度由下列方法来计算检验：

①原始数据列的方差：

，其中：

②残差方差：

，其中：

③后验方差比为:,小误差概率为：

一个好预测模型C值越小越好，一般要求C<0.35，最大不超过C<0.65。预测模型好坏的另一指标是小误差概率，要求P>0.95，不得小于0.7。具体精度等级见下图：

图 灰色预测模型精度等级

(2)建模说明。在建模前应对原始数列做GM（1，1）建模可行性判断。判断的标准一般为原始数列的级比（即前一数据除以其相邻后一数据）都必须落在可行区间内。否则，需要对原始数据进行开n次方、或取n次自然对数或平移处理，使数列的级比落在可行区间内。

二、物流需求表征指标的选取

物流服务需求涉及面广、内涵丰富，它包含了运输服务、仓储服务、包装装卸服务、配送服务等多方面内容，而这些服务都分别有各自度量衡。目前，度量物流需求的指标体系有实物量体系和价值量体系。实物量指标主要有货运量、货物周转量、库存量和加工量等；价值量指标主要有物流成本、物流收入、供应链增值等。由于缺乏必要的统计数据，价值量体系法一般根据专家经验对物流需求进行经验预测。因此，根据资料的可得性，采用实物量体系对物流需求进行量化研究，本文将通过货物周转量来表征物流需求。虽然货物周转量不能全部代表物流服务的作业量，但运输是物流过程中的最基本的活动，贯穿于整个物流过程，运量的多少也必然决定着相关物流业（如搬运、装卸、包装等）需求量的多少。因此，货物周转量表示物流需求在一定程度上是能够反映物流需求的变化规律的。另外，物流需求的变化所受影响因素比较复杂，用灰色预测模型来对其进行预测无疑是一种有效的方法。

三、四川省物流需求灰色预测建模及预测

选取四川省1999年至2004年的货物周转量数据见表1。经计算，数列级比均落入可行区间内。因此，无须对原始数据做处理。

于是根据上述建模过程，得到四川省物流需求的GM（1，1）模型：

其中：a=-0.06773，b=540.919。

预测结果及精度检验见表1。

表1 四川省物流需求灰色预测及其检验结果 单位:亿吨公里

数据来源：四川省统计年鉴2004年，2005年

从表1的相对残差百分比来看，灰色预测模型的平均模拟相对误差为2.24％ ，平均相对精度为97.76%，预测精度等级为第一级，好。因此，笔者认为由此建立起来的灰色预测模型精度很高。可以用来预测。

利用所建物流需求灰色预测模型公式（3）和（4），对2005年～2010年的物流需求进行预测。

令k=6，则

即第7期（2005年）预测结果为：841.661亿吨公里。同理预测其他年份的预测值见表2。

表2 四川省十一·五期间物流需求量单位：亿吨公里

四、结论

通过运用灰色系统理论建立了物流需求预测模型，从对四川省物流需求预测的结果看，预测精度较高。

模型在实际运用中，应根据实际情况随着观测点的增加不断修正预测模型，以便及时提高预测精度。

根据预测结果，四川省在十一五期间，物流需求将呈上升趋势。四川省应出台相关的物流产业政策和采取相应措施，保证四川物流业的健康发展。

气候预测 篇7

一、工程措施

㈠集流工程临夏地区总耕地面积为150万公顷, 三分之二以上属于雨养农业区。灌溉面积小, 大部分依赖于自然降水。目前在难以大幅度扩大灌溉面积的情况下, 水利建设坚持“大、中、小相结合, 以小为主”和“引、提、蓄相结合, 以蓄为主”的原则。东乡县、临夏县中部黑白土覆盖区搞“121”雨水集流工程, 永靖、积石山、临夏县东南部及和政东南部的红砂土区搞雨水集流池比较合理。充分利用有利的气象条件, 改变传统的旱农观念, 以先进设施蓄拦自然降水。大力发展集流井、池、拦洪坝等一切集流的办法, 引洪漫地, 完善集流灌溉工程, 也应大力推广起田间地头, 园田路旁等多种覆膜集雨技术。

㈡环境工程在山坡地退耕还林还草, 大力开展种草种树, 进一步扩大林区和草场面积, 增加荒山岭与山川的绿色度, 防治和减少水土流失, 尽快改善生态环境, 这对蓄水保墒, 抑制干旱, 将有重要而深远的意义。

二、干旱气象服务

㈠种草种树气象服务深入研究林草适宜气象条件, 特别对积石山脉前麓及太子山脉山麓前荒山秃岭, 每年春季和秋季到造林规划地段实地测量土壤湿度状况, 配合降水趋势预测结果最大限度的利用年景气象条件, 为地方政府提供造林适宜性报告, 避免造林的盲目性, 提高造林效益。

临夏州的地形地势比较复杂, 从南到北, 海拔高度差异很大, 各种气象条件差异十分明显, 所以我们要充分利用有利的气象条件, 根据不同的地理环境下的气象条件, 结合前期墒情和未来降水趋势, 在造林季节随时为政府提供最佳造林时机建议, 加快临夏州的绿化进度。

㈡作物种植气象服务提高短、中期气候预测, 做好抗旱年度预报, 为各级政府制定作物种植计划和种植结构提供有力的气象科技依据。如预测当年有春旱, 这将严重影响我州东北部地区的永靖县、东乡县、临夏县中部和积石山东部等地区夏田的播种和出苗, 应建议政府部门和旱农区群众, 大胆压缩夏粮播种面积。有条件和掌握小麦覆盖技术的旱农区群众, 应大力扩大小麦覆盖面积。预测春末夏初有旱, 这会对临夏州的中部、东北部半干旱区和干旱区的夏粮和秋粮尤其是夏粮造成严重威胁, 建议政府部门和有关部门、旱农区群众大面积地压缩非耐旱性粮食作物, 建议更换抗旱籽种, 扩大各种抗旱覆盖, 充分利用集流工程。预测有秋旱, 干旱发生不利于洋芋、玉米等秋作物粮食的生产, 建议提前搞好各种水利设施, 利用各种抗旱技术。随时掌握前期天气实况和土壤墒情, 根据本州秋旱特点, 进行气象跟踪检测, 为地方政府提供抗旱决策服务。

㈢人工影响天气在干旱季节, 根据短期天气预报, 不失时机地抓住有利天气形势, 实施飞机人工高炮和火箭增雨, 抵御干旱灾害。临夏州的干旱主要发生于5、6月份, 这一时期正值春小麦拔节需水量最大的时期, 降水多少直接关系夏秋作物产量的高低, 是开展人工增雨作业的好时机。

三、干旱服务指标及生产建议

气候预测 篇8

关键词：夏季旱涝,OLR特征,短期气候预测,内蒙古通辽

通辽市地处大兴安岭南麓浅山丘陵地带, 属中纬度季风气候区[1], 近年来无论是春季还是夏季干旱都比较严重, 降水量比平均值偏少33.0%～63.5%。有必要研究通辽地区的干旱, 分析影响这种干旱的低纬度天气系统。因此, 利用卫星观测到的长波辐射资料OLR场, 研究影响中纬度地区降水的热带及副热带天气系统, 分析预测通辽地区的夏季降水的旱涝情况。副热带高压是影响中纬度地区降水量多少的间接因子, 弄清楚低纬度系统的强弱, 也就能预测通辽地区的旱涝情况。选取4—9月的OLR资料, 分析通辽地区的旱涝与低纬度的OLR场的对应关系。

1 通辽地区旱涝副热带天气系统的OLR数值特点

OLR场不仅反映了大气中的云量云顶层高度的温度, 而且在热带地区晴空大气状态下, 间接地反映了下垫面的海温情况。中纬度地区夏季多雨或少雨, 又与副热带高压有很好的相关关系。因此, 了解副热带高压、赤道太平洋海温以及低纬度OLR场与通辽地区降水量之间的关系, 有利于做好短期气候预测工作。分别从通辽地区8个测站平均降水量中选取旱涝年各7个个例, 划分标准。

其中:M为站点数, xi为降水量, x为历年降水量平均值, y′降水量距平百分率新序列。旱涝年距平百分率为±20%。一般在低纬度地区OLR小值区域为对流区域, 大值区域为大规模下沉区域。西太平洋副热带高压西伸脊点为东经110°～150°范围588线的西界位置经度数值, 西太平洋副热带高压北界位置为副高体北侧588线平均纬度数值, 印度低压面积指数取值范围为南纬10°至北纬3°, 东经70°～110°;OLR值是选取上述副高体北界及西伸脊点所对应的OLR场上最大轴线数值。通过对影响通辽地区夏季降水副热带高压的位置与OLR强度值对照可以看出, 在低纬度地区OLR≥240 W/m2的区域为大规模的下沉干区。因此, 涝年的副高体很强很明显, 而旱年的副高体很弱, 甚至说形成不了大规模的完整的下沉区。从另外一个角度讲, 上述说明了对应通辽地区涝年的副高体的下垫面海温要比旱年的副高体的海温高, 即涝年副高体强大, 这和人们通常所说的副高进退与雨带的移动同步是一致的。仔细观察西太平洋副热带高压北界位置, 涝年和旱年均为北纬27°, 平均在同一个位置, 没有区别;但是, 从OLR场上的数值可以看出二者之间有很大的区别, 相差12 W/m2, 即涝年比旱年大。一般在低纬度地区OLR数值≤220 W/m2为对流活动区和降水区, 这说明了不管是涝年还是旱年副高北界都是对流活动区;旱涝年份的副高体的平均北界位置在500 hPa高度图上, 虽然不能很好地区分, 但是从辐射通量上可以明显地看出差异, 说明涝年的副高体面积要比旱年的副高体面积明显强大。上述副高位置上的OLR值所反映的地气系统射出的长波辐射, 其物理意义非常明显, 表明在副热带上空的副高体与所对应的下垫面辐射量场在物理意义上是一致的。

1.1 通辽地区旱涝与中低纬度OLR场特征

OLR场的范围为南纬50°至北纬50°, 东经60°至西经60°。主要是考虑到太平洋洋面地区, 副热带高压维持的地区以及北半球中纬度地区。通辽地区夏季旱涝年份, OLR场特征在副热带地区及赤道热带太平洋地区, 有明显的差异。特别是西北太平洋副热带高压控制区及印度至孟加拉湾和赤道中东部太平洋等地区的差别更为显著。涝年在东经120°～150°, 北纬20°～30°范围, 即西北太平洋副热带高压附近有1个大值区, 最大OLR值可达265 W/m2左右;而旱年在东经120°～150°, 北纬20°～30°范围高值中心不明显, 上述范围最大值也只有245 W/m2。涝年的赤道中东部太平洋OLR场的中心数值最大为280 W/m2, 比旱年的270 W/m2数值大, 二者相差10 W/m2左右, 而且涝年的OLR大值轴线向西延伸的要多一些, 可达到东经150°, 旱年的仅仅到东经180°, 并且比涝年OLR最大值轴线略偏南。

综上所述, 涝年的OLR场副高体 (范围东经120°～150°, 北纬20°～30°) 明显且有中心闭合体;旱年的OLR场副高体 (范围东经120°～150°, 北纬20°～30°) 不明显, 很弱甚至没有明显的中心闭合体。赤道中东部太平洋OLR场存在1个大值轴线, 并且涝年比旱年偏西偏北。

1.2 通辽地区旱涝与OLR的相关关系

从1975年至2010年夏季 (6—8月) 中选取7个涝年和7个旱年个例, 分析中低纬度纬度地区的OLR场气候特征。蒋尚城等[2]对长江流域旱涝同OLR的关系研究结果表明, OLR同降水存在负相关关系。笔者的研究结果也是负相关关系, 因此可以把卫星观测资料应用于天气气候研究中。

1.2.1 通辽地区涝年与OLR距平场特征。

在副热带地区的东经120°～160°、北纬20°～40°范围有一正距平区域, 最大值中心在北纬30°、东经140°附近为17 W/m2。在这个范围内基本上是夏季西太平洋副热带高压所在的位置, 所对应的天气系统是大范围的高压晴空区。在这个范围卫星观测的长波辐射能通量自然就是高值区, 这是因为晴空海平面所放出的辐射能要比有云的海区所放出的辐射能要大得多的缘故[3,4,5,6]。因此, 通辽地区夏季涝年的OLR场对应西太平洋副热带高压区域有1个明显的高值区。通辽涝年在赤道中东部太平洋OLR场上存在正距平这一特征可能与ENSO事件有联系。

1.2.2通辽地区旱年与OLR距平场特征。

通辽地区夏季旱年的OLR场对应西太平洋副热带高压区域有1个明显的高值区, 比涝年副高体弱。在赤道上有1个负距平中心, 在西经180°附近, 中心值为-19 W/m2。这一特征与涝年恰恰相反, 但是不同的是旱年的负距平中心位置要比涝年的正距平中心的位置略偏南。从通辽旱涝年的OLR场特征上, 可以得出旱涝年的副高体的OLR值均为高值区, 涝年副高体比旱年副高体偏西偏强;旱涝年的赤道中东部太平洋地区OLR场存在明显的差别, 即涝年是狭长的正距平带, 旱年是狭长的负距平带, 且中心位置旱年比涝年偏南。

1.2.3 通辽地区旱涝年OLR距平差值场特征。

为了进一步分析通辽地区的旱涝年的中低纬度OLR场的差异, 把涝年的距平场减去旱年的距平场得到OLR特征场。并可以看出副热带地区, 为正值区域, 说明了涝年的OLR值在这个区域要比旱年的OLR值高, 这就是通常人们所说的副热带高压涝年强于旱年。赤道中东部太平洋旱涝年有明显的差异, 涝年的OLR场值大于旱年, 这就是通辽地区夏季旱涝低纬度长波辐射场的最大区别所在。另外, 涝年的副高西伸脊点比旱年的偏西, 而当副高体特别偏北时 (副高北界达到北纬35°) 又会产生干旱, 只有在副高体形成完整的带状时, 通辽地区才会产生洪涝。综上所述, 涝年的赤道中东部太平洋OLR值大于旱年的值。

2 实际应用情况

从普查通辽地区的旱涝年份的OLR场和所对应的天气图上的副热带地区, 一般情况, 5月涝年的副热带高压脊 (OLR场正距平区域) 都有所加强西伸;旱年恰恰相反。选取5月的ORL场月平均距平图, 作当年通辽地区的夏季旱涝趋势预测, 分3种情况。

2.1 预测指标

在北纬15°～25°、东经105°～145°范围内主体OLR距平场, 5月有明显正距平区域, 网格距5°×5°, 网格点数≥5个, 为涝年。在北纬15°～25°、东经105°～145°范围内主体OLR距平场, 5月有明显负距平区域, 网格距5°×5°, 网格点数≥4个, 为旱年。不满足上述2个条件的为非涝年非旱年。

2.2 预测应用

2010年夏季预测情况, 5月负距平场网格距为7个, 结论2010年夏季是旱年, 实况全市降水量距平百分率为-48.6%～-20.2%, 全市平均降水量距平百分率为-23.6%, 属于划分的涝年, 正确;2011年夏季预测情况, 5月正距平场网格距为3个;结论2011年夏季涝年, 实况全市降水量距平百分率为23%～69%, 全市平均降水量距平百分率为45.7%, 属于划分的涝年, 正确。从近2年的预测情况上看, 全市8个站的降水量预测基本上都是正确的。因此, 利用卫星观测的地面长波辐射OLR场资料, 在短期气候预测中应用效果非常好, 为短期气候预测开辟一条很好的气候诊断及气候预测的新途径。

3 结语

通过分析通辽地区旱涝年的OLR场特征, 得出一些有实际意义的结果。通辽地区的旱涝年在OLR场上呈反位相配置, 即西北太平洋副热带高压控制区、印度至孟加拉湾以及赤道中东部太平洋等地区, 当上述地区OLR分布异常时对通辽地区的旱涝有重要的影响。通辽地区涝年, 西北太平洋副热带高压位置偏西, 强度偏强;印度低压偏强;赤道中东部太平洋OLR为明显的正距平。而旱年西北太平洋副热带高压脊线位置偏东, 强度偏弱;印度低压偏弱;赤道中东部太平洋OLR为明显的负距平。

参考文献

[1]金秀良, 唐宏艳, 么文.火星冲日与通辽地区干旱及气候预测[J].内蒙古气象, 2003 (1) :17.

[2]蒋尚城, 朱亚芬, 朱元竞.卫星观测的中国辐射区气候[J].气象学报, 1991, 49 (4) :512-517.

[3]南庆红.东昆仑山区OLR场的气候特征[J].新疆气象, 1997 (2) :21-23.

[4]王旭, 于锋.青藏高原和新疆OLR的时空变化[J].新疆气象, 1990 (12) :8-13.

[5]陈少勇, 乔立, 林纾, 等.中国西部OLR与秋季降水的关系[J].干旱气象, 2011, 29 (1) :1-9.

气候预测 篇9

已有研究表明, 平流层过程与对流层某些重大天气气候事件 (如极端降水等) 确实存在着信号的超前表达和实质上的物理驱动因果联系[6—8], 平流层的环流异常通过其季节内振荡可以下传到对流层[9,10]。当前在我国数值天气预报业务模式中较少涉及平流层过程, 10 d以上形势预报的误差迅速增加, 因而限制了预报时效的进一步延长。了解在这一时间尺度上平流层与对流层相互作用并进而研究预报方法, 显然是一项紧迫而又有十分重大意义的前沿课题。另外, 这些相互关系还存在显著的年代际变化, 可能是东亚地区气候变化的机理之一。

近30年来, 在全球气候变化的背景下, 夏季中国东部长江下游地区频繁出现持续暴雨的极端天气气候事件, 会造成这个区域严重洪涝, 这类事件越来越引起公众的关注。由于这种极端事件影响的严重性, 关于长江下游强降雨事件演变规律的研究引起了人们广泛的注意。比较普遍的意见是它的变化与海温异常有直接的关系, 有关模拟和预测研究主要考虑海洋的热异常所形成的下垫面强迫影响, 取得了一定的预测效果。但海温的影响 (如ENSO, IOD等) 不能解释许多强降水过程的形成, 其他因子的作用, 如平流层环流的作用和在预报中的相对重要性尚未详细研究。本文将研究影响长江下游地区夏季强降水变化的前期冬季全球平流层环流变化的关键区, 建立基于KLM滤波的夏季强降水频数年际气候预测模型, 进行预测试验, 讨论预报方程系数的时间变化特征和可预报性。

1 预测方法

1.1 资料

采用江苏省气象信息中心提供的逐日长江下游地区降水量1961~2011年51年的资料, 夏季强降水频数定义为6~8月长江下游地区 (江苏省南部地区的南京, 常州, 苏州, 镇江, 宜兴, 太仓等25站) 平均日降水量大于等于25 mm的日数。冬季平流层50 h Pa风场资料采用NCEP/NCAR逐月再分析风场资料 (2.5°×2.5°) [11]计算, 所取资料时间是1960~2011年。

1.2 影响夏季长江下游强降水的前期冬季关键区平流层纬向风的变化

图1是1961~2011年夏季6~8月长江下游强降水频数变化序列, 其中强降水日数最多的是1999年, 达到11天。另外, 1968年无强降水日数。过去的研究表明, 这个序列与长江下游降水20~30 d振荡强度具有极显著的正相关[12] (通过0.01的显著性水平的检验) 。因此, 与东亚地区大气内部非线性过程密切相关的季节内振荡 (ISO) 对长江下游强降水过程的作用占主导地位。下面研究长江下游强降水频数年际变化与前期冬季全球平流层环流变化的联系。图2给出了1961~2011年长江下游强降水频数与前期全球50 h Pa纬向风的相关系数的空间分布, 发现关键区主要在南半球高纬度地区、北太平洋中纬度地区, 表现为显著正相关, 而北极附近是显著负相关区, 其显著性均为0.05。值得注意的是, 前期冬季热带地区平流层纬向风与后期夏季长江下游地区强降水 (暴雨) 的关系不太显著, 仅南美北部和热带大西洋地区存在范围较小的正相关区。

1.3 卡尔曼 (KLM) 滤波模型的建立

由于气候系统年代际变化的影响, 变量之间相关具有一定程度的不稳定性。因此, 本文基于KLM滤波方法 (运用现代随机估计理论给出系统状态的无偏最小方差的递推估计值, 其主要特征是通过对误差与观测数据间的处理来不断订正模型参数, 组建出最优滤波方程[13]) , 对上述3个关键区平流层50 h Pa格点纬向风为3个因子x1, x2, x3: (x1:80~85°N, 140~150°E, 北极附近;x2:45°N, 140~170°E, 北太平洋中纬度;x3:55~60°S, 120~140°W, 东南太平洋高纬度 (区域平均) ) , 构建线性回归方程进行递推, 建立系数可变的预测模型, 对6~8月长江下游强降水频数进行试验, 并和多元线性回归模型的预测结果比较。同时, 也分析了各个因子对应的回归系数随年代的变化规律, 讨论因子的时间稳定性。

图中阴影表示显著性为0.05的区域

2 预测结果分析

用1960/1961, …, 2011/2012年12~2月 (52个冬季) 的平流层纬向风 (x1, x2, x3) 资料和1961年, …, 2012年6~8月长江下游强降水频数 (y) , 构建方程y=b0+b1x1+b2x2+b3x3, 进行KLM递推预报, 其中近10年 (2003~2012年) 预测试验结果见表1。从表中可以看出, 预报和观测值十分一致。经计算, 预报的平均绝对误差是0.96天, 预测效果很好。另外, 回归系数b1<0, b3>0变化幅度较小, 表明近10年与北极附近, 南半球高纬度纬向风的负、正相关关系比较稳定, 而b2<0, 近10年负值显著, 表明与北太平中纬度纬向风的相关变为较显著的负相关 (与整个52年期间的正相关不同) , 相关显示出一定程度的不稳定, 并改变符号。用42年 (1961~2002年) 资料, 建立多元线性回归方程, 对近10年 (2003~2012年) 进行独立预报, 结果见表2。预报的平均绝对误差是1.26 d, 大于KLM方法的结果;主要原因是多元线性回归方程没有体现变量之间相关的年代际变化 (特别是x2, 北太平中纬度纬向风) 。因此, 以上近10年的独立预报试验表明, 基于KLM滤波的预测方法明显优于经典的多元回归方法, 表明气候系统年代际变化对于6~8月长江下游强降水频数统计模型的气候预测精度的变化有明显影响。

由于平流层异常 (如平流层极涡的增强或者减弱, 赤道纬向风的准2年振荡 (QBO) , 与对流层在太阳活动的准11年周期上的耦合变化等) 的持续时间长[6], 它可能对于对流层气候预测的改进有重要应用价值。而且, 过去的研究也表明, 当平流层影响达到最大时, 其影响可以达到和ENSO的影响相当的量级和空间尺度[9], 同时可以在季节内时间尺度和准2年时间尺度上对东亚冬季和夏季大气环流和长江下游极端天气气候事件产生显著影响。因此, 深入研究平流层扰动对于夏季东亚环流季节内变化及其强度年际变化的影响, 能显著改善长江下游地区6~8月强降水过程频数和旱涝预测准确率, 同时也有利于预测与强降水过程密切相关的20~30 d振荡强度年际变化[12]以及提高强降水过程10~30 d延伸期预报精度。

3 结论和讨论

本文用近50年观测资料, 研究了冬季平流层环流和夏季长江下游强降水之间的联系, 并建立统计方程对夏季长江下游强降水频数进行预测, 得到如下结论:

(1) 前期冬季12~2月全球50 h Pa纬向风变化对后期6~8月长江下游强降水频数变化有明显影响, 其中显著的正相关区在南半球高纬度地区和北太平洋中纬度地区, 负相关区在北极附近;但强降水频数变化与热带地区平流层纬向风的变化无关。

(2) 用前期12~2月全球平流层关键区的纬向风建立KLM预测模型进行独立预测试验, 发现它对近10年 (2003~2012年) 6~8月长江下游地区强降水频数的变化具有较好的预测能力, 明显优于多变量的线性回归预测结果。

(3) 从回归方程系数的时间变化来看, 近10年夏季长江下游强降水频数与前期冬季北极附近和南半球纬度地区平流层纬向风相关十分稳定, 而与北太平洋中纬度纬向风的相关存在一定程度的不稳定。

前期平流层过程与后期夏季长江下游强降水过程的形成存在实质上的物理驱动因果联系 (通过平流层环流的异常激发的低频波在一定条件下会向下传播到对流层) , 引进平流层信号的统计预报可以为业务极端天气气候事件的气候预测提供重要参考, 有利于进一步提高长江下游旱涝年际气候预测准确率。

摘要：采用相关分析方法, 研究了68月长江下游强降水频数与前期冬季122月全球50 hPa纬向风的关系;并研制了基于KLM滤波的夏季长江下游强降水频数气候预测模型。结果表明, 存在3个显著的相关区:北极附近, 北太平洋中纬度和南半球高纬度地区。用这些前期122月全球平流层关键区的纬向风建立KLM预测模型进行预测试验, 发现它对近10年68月长江下游地区强降水频数的变化具有较好的预测能力, 明显优于多变量的线性回归预测;其中与北极附近和南半球高纬度地区平流层纬向风相关稳定, 而与北太平洋中纬度纬向风的相关存在一定程度的不稳定。基于平流层环流变化的夏季长江下游强降水频数KLM模型可以为短期气候预测业务预报提供重要参考。

气候预测 篇10

现代大型制造企业大都配有以售后服务为主营业务的部门, 专门为企业的大型客户提供商业性电子的备件供应和退回维修, 以保证整个产品的服务链不断。客户需求到达售后服务部门之后, 该部门通过进行需求分析选择采购新料进行更换材料或者直接退回维修, 而这两种处理方式都会直接导致材料的物料或者退回的产品在仓库的堆积, 进而造成库存积压, 随着企业业务的不断拓展, 库存量集聚增大, 大幅度增加了制造企业该业务的运营成本。

通过工业工程常用的QFD方法, 识别导致库存积压的根本原因, 并采用更为有效的科学方法避免库存积压, 降低运营成本, 对于现代大型制造企业是具有实际意义的。

二、 问题描述

1 QFD分析

采用工业工程最常用的QFD方法, 从人员、系统、物料、环境等各方面寻找可能影响库存积压、运转周期长、呆滞品多、作业效率低的各项原因。在人员影响因素下面又细分为采购不及时、操作失误影响, 在系统影响下面细分为收集数据有误、预估算法不准确, 而物料则有MOQ问题、EOL物料、Leadtime长等细分项目, 环境影响则主要是指市场产品周期短, 更新快等因素。

通过建立QFD分析, 并通过专家打分后确定造成该项业务中库存积压最根本原因在于系统影响中的预估算法不准确, 那么寻找更为合理有效的预估算法就成为解决该问题最有效的方法。

2. 问题分析

根据QFD的分析结果并结合该业务部门的实际业务运作过程可知, 该业务处目前是依据客户提供的Forecast結合物料预估算法进行备料﹐而实际出货则是根据实际的订单量出货﹐两者的差异就造成了库存的积压。根据历史数据分析可知二者的差异高达43%。由此可知解决该问题的实质就是改进预估算法, 使得估计值与实际值的差异尽可能缩小。

三、 研究方法

1. 方法选择

本研究的目标即依据历史数据, 采用一种新算法, 预测下期需求数量, 降低客户Forecast与实际出货量之间差异﹐适量采购, 降低库存。由于该业务处的数据量少﹐上下波动较大, 没有明显规律, 根据上述特点, 基于数据特性, 选择灰色预测模型理论, 灰色预测理论适合于数据量少、波动较大的短期预测模型, 由于出货量受多种因素影响, 故可以看做一个灰色系统, 可运用灰色系统模型对其进行预测。

2. 模型建立

GM (1, 1) 模型建立:

(1) 设时间序列X (0) 有n个观察值, , 通过累加生成新序列, 则GM (1, 1) 模型相应的微分方程为, 其中a为发展灰数, μ为内生控制灰数。

(2) 设â为待估计参数向量, 可利用最小二乘法求解, 解得, 求解微分方程, 即可得预测模型:

3.

采用灰色预测模型进行预测得到的预测结果如下图:

根据上图及计算结果可知, 根据实际订单的平均误差为36.5%, 而灰色预测模型的误差仅为15.1%, 平均误差减少了21.4%, 灰色预测模型对于降低库存的呆滞风险, 及改善库存环境有显著的推动作用, 改善效果非常明显。此外, 该方法可以推广应用到大型制造企业的其它存在库存积压问题的部门去, 可以有效的降低库存积压水平, 提高库存运营管理的效率。

摘要：通过工业工程常用的QFD方法, 识别导致库存积压的根本原因, 根据历史数据的特点采用更为有效的灰色预测理论建立短期预测模型即灰色预测模型, 通过该模型预测可以有效的减少预测值与实际值之间的差异, 从而适量采购, 降低库存以提高库存管理的运营效率。

气候预测 篇11

关键词第三产业，核方法，组合预测，支持向量回归，神经网络

中图分类号N945.12 文献标识码A

AbstractThis paper analyzed the main factors on the improvement of tertiary industry， and pointed out that the single forecast model was difficult to satisfy the need of economic forecasting as the factors restrict and influence each other. On this basis， we proposed the combination forecasting model based on neural network ensemble， forecasted the development of tertiary industry of Guangdong Province， and described the basic principles and data processing algorithms. The empirical analysis shows that the combination forecasting model based on neural network ensemble has high prediction accuracy than a single forecast model.

Key wordstertiary industry； kernel method； forecast model； support vector regression； neural network ensemble

1引言

第三产业是指对消费者提供最终服务和对生产者提供中间服务的行业，除了第一、第二产业以外，其他所有的行业均属于第三产业.随着社会经济的发展和国家对产业结构的调整，第三产业的地位和重要性日益突出，以市场经济发达的广东省为例，2013年，47.76%的生产总值是由第三产业贡献的，远远超出第一产业的4.9%，略高于第二产业的47.34%，从以上数据可以看出，第三产业已经成为广东经济发展的主要推动力，加快发展第三产业既可以有效地推进我国工业化和现代化的进程，扩大就业领域和就业人数，还可以保证社会安定，提高人民生活水平，改善生活质量.

因此，深入研究第三产业的发展状况，对第三产业未来的发展有着重要的指导意义.要考察第三产业的发展，必须从全局的角度出发进行分析，研究它的规律和发展趋势，其中第三产业生产总值作为衡量第三产业发展状况的重要指标之一，对其进行科学的分析和预测，能为第三产业的发展和政策的制定提供有力的参考依据.

图1是广东省1987～2013年三大产业产值比例变化图，从图1可知：第一产业所占的比重迅速下降，第二产业的比重稳中有升，而第三产业的比重增加最快，但从图2可知，广东省第三产业生产总值的增长是呈现非线性状态的，这是由于反映经济发展的各项指标互相联系、互相作用所导致的，特别是由于经济系统自身的复杂性和动态性，使得指标数据呈现高度的非线性、非精确性等特征.因此，要实现对广东省第三产业生产总值的准确预测，必须要解决两方面的问题，一方面是预测指标体系的构建要全面反映第三产业发展的基本情况，另一方面是选择合适的预测方法对样本数据进行模拟仿真.

2文献综述

当前已有众多学者对第三产业的发展进行了深入的研究.使用的方法包括灰色理论、神经网络、ARIMA模型、逐步回归分析等，并取得了一定的成效.如崔二涛等利用二次曲线指数平滑模型对厦门市第三产业的增加值进行预测研究，获得了较为精准的预测效果[1]；吕一清等研究了基于灰色神经网络的第三产业发展趋势的预测模型，实证分析表明灰色神经网络比单一的灰色预测模型和传统BP神经网络预测模型拟合和预测能力要好，适合应用于成都第三产业发展趋势的预测[2]；徐群等将主成分分析和逐步回归分析应用于我国第三产业发展现状研究及趋势预测，并对如何保持我国第三产业稳步发展给出合理化建议[3]；邓伟使用ARIMA模型对广东省第三产业的发展情况进行短期预测，实证检验发现：模型的预测误差较小，预测精度较高[4]；李荣丽等则研究了将时间序列BP神经网络应用于福州市第三产业值的预测，研究结果表明：BP神经网络模型收敛速度较快，预测精度较高，具有较高的应用价值[5].

上述研究成果的特点是将单一的模型应用于第三产业的发展预测，但由于每个模型均有自身的局限性，导致在实践中，对同一个问题，采用不同的预测方法会产生不同的预测结果，即存在预测精度的差异.因为每一种预测方法都不可能做到零误差，但是不同的方法往往又能提供不同角度的有效信息，因此，单一预测模型在预测结果的准确性和信息反映的全面性、以及模型的泛化能力方面均存在一定的缺陷，考虑使用组合预测模型的方法来改善单一模型的不足，因为组合预测模型能够较大限度地利用样本的各种信息，比单个模型考虑问题更加系统、全面，能够有效地减少预测过程中随机因素的影响程度，避免在面对复杂系统时出现预测偏差波动较大，泛化能力不足的情况，从而提高预测的精度与模型的稳定性.

3广东省第三产业发展影响因素分析

nlc202309040158

第三产业作为国民经济一个重要的组成部分，它的发展受到多方面因素的制约，这些因素相互联系、互相渗透，共同影响着第三产业的发展水平和发展速度，本文遵循可获得性、可比性、客观性、综合性的原则，结合定性和定量的相关性分析，以及参考其他学者的研究成果[6-8]，认为以下几个方面与广东省第三产业生产总值的变化相关性最大.

1）人均生产总值

人均GDP反映了一个地区的经济总体发展水平，人均GDP的增长会引起社会需求结构的相应变化，与之相关的是，各产业产品的需求收入也会弹性地发生变化，从而引起各产业在经济发展中的地位发生改变，最终导致产业结构的变化.

2）城镇居民可支配收入

一个地区居民的消费水平与该地区第三产业的发展水平是密切相关的.城乡居民消费带动了城市第三产业的发展，其消费水平越高，第三产业的发展就越迅速，第三产业产值占国民收入总额的比例也越大.一个地区居民的消费水平可以用城镇居民可支配收入指标来衡量.

3）固定资产投资

固定资产投资是衡量经济发展水平的重要指标，固定资产投资额的增加会加强区域的水利、电力、能源、通讯、城乡公用设施等基础建设， 从而带动地质勘察、水利管理、交通运输、仓储及邮电、房地产业等第三产业的产值增加，加大其投资力度能消除经济发展中的“瓶颈 ”问题，因此， 固定资产投资作为模型的一个输入变量.

4）第三产业就业人数

第三产业的快速发展能广泛地吸收劳动力资源，因此第三产业的就业人数在一定程度上能够反映第三产业的发展状况；而就业人员的素质，将在很大程度上决定了第三产业发展的进程和行业经营的状况，高素质的人力资源能够促使第三产业的快速健康发展.

5）城市化水平

城市化水平是指一个地区农村向城市发展的状况，通常代表着该地区经济的发展水平.城市经济的发展，吸引了大量农村剩余劳动力的涌入，产生了很强的规模经济效应.城市经济聚集性、开放性等特点为第三产业发展创造了良好的条件.因此，要想实现第三产业发展，需要努力提高地区的城市化水平.

6）外贸出口总额

服务产品的输出状况会影响一个区域的第三产业结构.因为在输出商品的同时，也是运输、信息、科技等服务的对外输出.此外，出口的产值将会对第三产业行业的结构产生影响，此结论也是被很多经济学家认同的，所以本文中也引进外贸出口总额作为输入指标.

综上所述，最终确定预测模型的输入指标是：广东省人均GDP，城镇居民可支配收入，固定资产投资，第三产业就业人数，城市化水平，外贸出口总额，预测对象为广东省第三产业生产总值.

3基于神经网络的组合预测模型

3.1支持向量回归模型

由统计学习理论发展而成的核方法，是一类模式识别的算法，其目的是找出并学习一组数据中的相互关系，它是解决非线性模式分析问题的一种有效途径.SVR，即支持向量回归，是目前核方法应用的经典模型，它对非线性、非确定性、非精确性数据的拟合能力表现非常优秀，在复杂的非线性预测以及综合评价中有着非常的广泛应用前景[9].更加重要的是，SVR是建立在结构风险最小化的优化目标上，它可以在过度学习和模型适应性之间取得很好的平衡，在很大程度上改善了其他智能算法在非线性拟合上存在的不足.

从本质上讲，线性多元回归就是求方程[10]：

y=Xw+ε.（1）

考虑到对回归曲线本身的要求，在如图3所示的ε不敏感损失函数下，线性回归问题可转化为优化问题：

3.2约束条件下的线性回归模型

在现实问题研究中，因变量的变化往往受几个重要因素的影响，此时就需要用2个或2个以上的影响因素作为自变量来解释因变量的变化，这就是多元回归亦称多重回归.当多个自变量与因变量之间是线性关系时，所进行的回归分析就是多元线性回归.约束条件下的线性多元回归模型（简称为CMVR模型）[11]，可描述为：

y=Xβ+ε，lb≤β≤ub.（8）

其中，lb，ub分别为β的上下限.

其中，式（8）可转化为如下的求优化问题：

min Q=（y-Xβ）2，s.t.lb<β

其中，y，X，β分别为n×1，n×m，m×1矩阵.

3.3扩展CobbDouglas生产函数模型

柯布道格拉斯生产函数是美国数学家柯布（C.W.Cobb）和经济学家保罗·道格拉斯（PaulH.Douglas）共同探讨投入和产出的关系时创造的生产函数，是用来预测国家和地区的工业系统或大企业生产一种经济数学模型，简称生产函数，它是经济学中使用最广泛的一种生产函数形式，在数理经济学与经济计量学的研究与应用中都具有非常重要的地位[11].

ECDPF即扩展的CobbDouglas生产函数，该模型可描述为：设y为第三产业生产总值，xi为与之相关联指标的数值，αi为与xi相对应的指数，则：

y=α0∏ixαii+ε.（10）

两边取对数，有：

ln y=ln α0+∑iαiln xi+ε0.（11）

同样具有约束条件：αi>0.（12）

3.4基于神经网络的组合预测模型

由于单个模型预测存在一定的不足之处，因此，本文使用组合预测模型的方法来完成数据的建模与仿真.目前，关于组合预测的研究，主要集中在3个方面，一是关于预测信息的组合，二是预测方法的组合，三是预测结果的组合.本文主要是针对单个模型的预测结果进行组合，其中的关键步骤就是寻找用于组合各单项模型预测结果的权系数.现有的组合预测处理方法大部分是限于定权系数，即对于第i种预测方法，其加权系数Ki是固定的，与时间、外部环境等因素无关，这显然是不科学的.因为各种预测方法对于不同的预测时间段表现出不同的预测能力：有的方法对瞬态变化敏感，适用于短期预测；有的方法善于把握长期趋势，表现出优越的中长期预测能力.如果将不同时间组合的权系数设定为常值，就无法各取所长，获得最佳预测结果.

nlc202309040158

鉴于变权重的组合预测方法是提高模型的拟合精度和预测精度、增强预测模型实用性的有效手段.本文提出使用神经网络来集成各个模型的输出，因为从理论上讲，一个具有Sigmoid函数的三层前馈神经网络能够拟合任意非线性函数[12].神经网络的实质就是一个从输入层到输出层的非线性映射，它的训练过程实际上就是一个优化计算的过程.如果以各个模型的预测数据作为输入，以待预测序列的真实值作为理想输出来训练神经网络，则其训练过程就是寻找最优的权值，使得组合预测的误差平方和达到最小的过程，这实际上就实现了组合预测的最优组合.神经网络结构如图4所示.

因此，基于神经网络集成的组合预测模型，其数据处理的基本原理是：将各个模型训练阶段的预测数据作为神经网络的输入，训练阶段的实际数据作为输出，构建神经网络模型，即该模型具有n个输入变量（假设有n个预测模型），1个输出变量的结构，由训练阶段的数据确定模型最佳参数；第二步，将测试阶段各个模型的预测数据作为训练好的神经网络模型的输入，计算其输出，即为组合预测模型的输出结果.

4实证研究

4.1数据预处理及模型训练

本文所有经济数据均来源于广东省统计年鉴（1987～2014年）.

由于不同指标的单位不一致，为了提高预测的精度，也为了消除不同年份价格指数差异所带来的影响，使不同年份的数据具有可比性，在使用模型处理数据之前，首先把原始数据转化为环比数据，转换公式如下：

X当前年份=Y当前年份/W当前年份Y上一年度/W上一年度.（13）

式中：X为指标的环比数据，Y为指标的纯量数据，W为累计物价指数.

由于经济发展具有一定的延续性和滞后性，因此，在实际的经济系统运行过程中，近期的经济数据对未来的影响比早期的数据应该更大，为了体现对近期数据的重视程度，把1987～2008年22个年度的数据样本按1.2的比例加权作为学习样本，对模型进行训练，以确定各模型的参数值，然后将2009～2013年的数据作为测试样本，用于检验模型的预测效果.

4.2模型测试

4.2.1单个模型预测

分别使用上述3个训练好的模型对测试样本数据进行拟合，得到的结果如表1所示.

从表1可知，3个模型的平均预测误差分别为5.68%，5.92%和3.77%，其中SVR模型的预测效果略比其他2个模型高.为了便于比较，将3个模型的预测输出使用平均组合法处理，得到相应的预测结果及误差，如表1最后2列所示，可以看到，5年的平均预测误差为5.12%，说明了简单的组合预测效果在当前的参数状态下是可行的，但是由于平均组合法是忽略了各个模型之间的差异性，以同等的权重衡量各个模型的计算精度和重要性，从理论上来讲，平均权重无法保证一定能获得最优的处理结果，权重相同只是众多情况下的一种特殊选择，因此，本文继续使用基于神经网络集成的组合预测模型来改善预测精度.

4.2.2神经网络组合预测模型

根据神经网络组合预测的基本原理，该模型的输入变量个数为3，输出变量个数为1，关于隐含层的数量，设置其范围初始区间为[4，10]，通过训练样本数据循环计算并比较，确定最佳的隐含层单元数为5，然后将3个模型的预测结果使用训练好的神经网络模型集成输出，结果如表2最后2列所示.

从表2可知，与平均组合法相比较，经过神经网络优化权重的组合预测模型在预测精度上更为准确，5年的预测平均误差为0.83%，远远低于平均组合的5.12%，该方法不但在训练样本的数据拟合方面表现优秀（如图5，图6和图7所示），而且对测试样本的学习效果也表现良好（如图8所示），以2009年的数据为例，预测误差为1.54%，转换为实际的数据就是相差278亿元，预测误差非常理想，并且各模型的权值完全由历史数据确定，不受主观因素的干扰，因此能更客观地反映出在组合模型中，各个模型自身的重要程度，计算结果也验证了基于神经网络集成的组合预测模型的有效性.将预测数据反映在图上，如图8所示.

4.3模型应用

分别使用上述3个模型预测未来5年广东省第三产业的生产总值，并且采用神经网络集成的方法将预测数据合成输出，这里假设未来五年各指标保持现有的增长速度，结果见表3所示.表32014-2018年预测结果

预测得2014年第三产业生产总值约为33 137亿元，增长率为11.62%，由于广东省2015年统计年鉴尚未发布，通过查询广东省统计局发布的季度统计数据可知道：2014年第三产业实际的生产总值为34006亿元，增长率为14.55%，预测值与实际值只相差2.93%，如果再扣除当年的消费价格指数，预测数据与实际数据是基本吻合的，可见使用神经网络组合预测模型的效果是相当准确的.

5结论

在现有第三产业发展预测研究成果的基础上，针对单一预测模型的不足，构建了基于神经网络的组合预测模型，以广东省第三产业发展为例，验证了模型的有效性.由于组合预测方法依然处于不断的发展和完善中，本文只是针对预测结果进行了组合处理，如何在预测过程中，针对样本信息和预测方法进行有效的组合，力求做到预测的系统性和科学性，进而提高预测的效果，是下一步需要研究的方向.

参考文献

[1]崔二涛，肖哲.厦门市第三产业增加值增长预测——二次曲线指数平滑模型在第三产业增加值预测中的应用[J].中国市场.2010， 582（23）：54-57.

[2]吕一清，何跃.基于灰色神经网络的第三产业发展趋势的预测模型[J].统计与决策. 2011， 382 （4） ： 154 -157.

[3]徐群，于德淼，赵春阁.我国第三产业发展现状研究及趋势预测——基于主成分分析和逐步回归分析[J].巢湖学院学报. 2014， 125（2）：45-49.

[4]邓伟.论ARIMA模型在广东省第三产业预测中的应用[J].现代商贸工业. 2010，50（24）：29-31.

[5]李荣丽，黄曦，叶夏，陈志强，陈志彪.时间序列BP神经网络在福州市第三产业值预测中的应用[J].江西农业学报. 2010， 22（12）：183-185.

[6]张亚峰.河南省第三产业发展影响因素分析及对策研究[J].江苏商论，2011，（08）：91-95.

[7]彭丰，杜洋.基于VAR模型的第三产业发展影响因素分析[J].现代商贸工业，2010（17）：31-33.

[8]聂晓博.邢台市第三产业发展的影响因素研究[D].石家庄：河北大学经济学院，2013.

[9]彭森.基于粗糙集与支持向量机的工业企业经济景气指数智能预测模型研究[D].武汉：华中师范大学信息管理学院，2012.

[10]张学工.关于统计学习理论与支持向量机[J].自动化学报. 2000， 26（1）：37-39.

[11]肖健华.区域经济发展智能预测方法[J].经济数学. 2005， 22（1）：57-63.

[12]蒋林利.改进的PSO算法优化神经网络模型及其应用研究[D].厦门：厦门大学软件学院，2014.

灰色预测在股票预测中的应用 篇12

关键词：股票价格,灰色预测,GM (1, 1) 模型

股票市场自建立以来一直是众多学者和投资者的研究对象, 股票价格走势的预测是投资者和证券理论界普遍关注的课题。由于受到国内外政治经济环境以及企业自身等各种因素的影响, 股票价格总是不断变化, 其不确定性给研究者带来了很大的不便, 也正是其研究价值所在。

灰色系统内部的一部分信息是已知的, 另一部分信息是未知的, 系统内各因素间具有不确定的关系。例如, 在我国经济体制由计划经济体制向市场经济体制转轨过程中, 整个宏观系统就是一个灰色系统, 宏观经济的发展既受到国家宏观政策等确定因素的影响, 又受到经济中一些不确定因素的影响, 并且很多宏观经济变量的稳步增长隐含一定的指数变化趋势。因此就可以利用灰色预测模型对经济进行预测。

1 系统建模

常见的灰色预测模型有GM (1, 1) 模型, GM (1, 1) 残差修正模型, GM (1, n) 模型, 这里我们主要介绍GM (1, 1) 模型。

1.1 GM (1, 1) 模型的建立

设时间序列X (0) 有n个观察值, X (0) ={X (0) (1) , X (0) (2) , …, X (0) (n) }, 通过累加生成新序列X (1) ={X (1) (1) , X (1) (2) , …, X (1) (n) }, 则GM (1, 1) 模型相应的微分方程为:

式中, a为发展灰数;μ为内生控制灰数。

设为待估计参数向量, 利用最小二乘法求解可得:

其中:

求解微分方程, 即可得预测模型:

1.2 模型检验

1.2.1 残差检验

按预测模型计算, 并将累减生成, 然后计算原始序列X (0) (i) 与的绝对误差序列即相对序列:

1.2.2 后验差检验

(1) 原始序列标准差:

(2) 计算绝对误差序列的标准差:

(3) 计算方差比:

(4) 计算小误差概率:

若残差检验、关联度检验、后验差检验都能通过, 则可以用所建模型进行预测, 否则, 进行残差修正。

根据上述原理, 我们对选择的股指和个股来建立如下GM (1, 1) 模型。

2 对股票价格进行预测

现以沪市600718东软集团2012年8月到2013年8月三个月的平均数据为例进行预测。原始数据为:X (0) = (8.20, 7.14, 8.70, 8.93) , 建立数学模型为:

计算得c=0.26541, p=0.8654。

从模型检验结果看, 这个模型都能较好地拟合数据, 而且不需要对残差进行进一步修正, 可以直接用来预测。

应用此模型对2013年9月进行预测, 得到预测值为11.589。

3 结论

灰色GM (1, 1) 模型对于股票价格的预测准确性较高, 更能有效的考虑到各种因素的影响, 具有较高的应用价值。

参考文献

[1]邓聚龙.灰色系统理论教程[M].武汉:华中理工大学出版社, 1990:1-215.

[2]何晓群.现代统计分析方法与应用[M].北京:中国人民大学出版社, 1998:67-97.

[3]李攀峰.股票价格的灰色预测[J].华东经济管理, 1997 (4) :60-61.

[4]岳朝龙, 王琳.股票价格的灰色—马尔柯夫预测[J].系统工程, 1999 (6) :54-59.

[5]丛春霞, 季秀芳.灰色预测在股票价格指数预测中的应用[J].中国统计, 2000 (5) :15-17.