基于小波变换和ARIMA模型的皖北地区恶劣天气分析方法

基于小波变换和arima模型的皖北地区恶劣天气分析方法
技术领域
1.本发明涉及一种气象数据的时频分析与处理领域，尤其是形成一种成熟的流程化的气象分析、处理及其预测方法


背景技术：

2.随着我国经济的发展，极端的恶劣天气对社会的发展影响越来越大的，结合现有的信息技术手段去分析和预测天气对经济的发展是具有促进的效果的，因此形成一种流程化的天气时频分析和预测方法势在必行。国内外学者对恶劣天气的时空变化特性的分析已经有了大量研究，但是针对安徽省的皖北地区的研究却非常少。安徽是农业大省以及皖北地区作为安徽省扶贫的重点对象，皖北地区的研究重要性不言而喻。皖北地区的极端恶劣天气的长期时间序列随机性较大而且容易受到其他因素的影响，属于非平稳序列，因此仅仅靠传统的时域分析手段并不能很好的分析其特征，快速傅里叶变换是频域分析的重要手段，但是，在联合分析时频特性领域快速傅里叶(fast fourier transform,fft)的短板非常明显，短时傅里叶 (short-time fourier transform,stft)提供了一种可以加窗来局部分析的频域手段但是针对频域分析的自适应方面并不能很好的变通，因此产生了小波变换(wavelet transform,wt)，小波变换很好的解决了窗的自适应问题，根据不同的情况需要，窗是可以进行调节的。
3.然而针对皖北地区的恶劣天气仅仅依靠一种小波变换的时频分析是不够的，还应该结合已有的历史天气数据建立时间模型训练，去预测未来天气。当结合小波变换以及时间模型共同考虑的基础上，对皖北地区恶劣天气的分析、预测才可以更具备可靠性。


技术实现要素：

4.考虑到这里，本发明所要解决的问题就是要形成一套基于小波变化及arima预测模型的流程化的一种气象分析方法，既可以利用气象数据很好的分析出气象的时频域特征，又可以利用arima模型分析出时间上的气象预测，结合两种方法更加全面的分析出气象特征，对实际生活中的天气分析和预测有很重要的意义。
5.本发明是这样实现的：
6.本发明提供了一种基于小波变换和arima模型的气象数据流程化的分析，实现流程包括以下步骤：
7.首先获取非平稳的皖北地区气象信号数据导入mysql数据库，通过pycharm软件进行气象数据分析，采用不同的滑动窗口函数对信号进行分析，得到子段信号频谱。
8.将每个字段信号进行小波分析，得到波形图。通过图形进行分析，得到气象特征之主周期等。
9.然后，将数据导入arima模型进行分析和预测。
10.建立模型步骤如下，首先对已获取的气象数据进行判单，判断是否为非平稳性信号，如果是非平稳信号需要对信号进行差分化处理成平稳信号。
11.然后对信号进行白噪声检验，然后计算acf(自相关系数)，pacf(偏相关系数)，进行模型识别。
12.待模型识别完以后确定参数，确定时间序列差d,确定合适的p,q,然后使用该新模型对气象进行预测。
13.最后，结合小波变换分析的结果结合模型分析结果共同的对皖北地区未来天气进行预测。
14.本发明的优势在于通过小波变换加窗分析对信号的时频局部分析更有效和精确，然后利用arima模型进行时间序列的预测，最后两者的结构有机的结合进行分析对天气的预测会更加精准。
附图说明
15.图1是小波变换分析流程
16.图2是利用arima模型分析的流程
具体实施方式
17.考虑到这里，本发明所要解决的问题就是要形成一套基于小波变化及arima预测模型的流程化的一种气象分析方法，既可以利用气象数据很好的分析出气象的时频域特征，又可以利用arima模型分析出时间上的气象预测，结合两种方法更加全面的分析出气象特征，对实际生活中的天气分析和预测有很重要的意义。
18.本发明是这样实现的：
19.本发明提供了一种基于小波变换和arima模型的气象数据流程化的分析，实现流程包括以下步骤：
20.首先获取非平稳的皖北地区气象信号数据导入mysql数据库，通过pycharm软件进行气象数据分析，采用不同的滑动窗口函数对信号进行分析，得到子段信号频谱。
21.将每个字段信号进行小波分析，得到波形图。通过图形进行分析，得到气象特征之主周期等。
22.然后，将数据导入arima模型进行分析和预测。
23.建立模型步骤如下，首先对已获取的气象数据进行判单，判断是否为非平稳性信号，如果是非平稳信号需要对信号进行差分化处理成平稳信号。
24.然后对信号进行白噪声检验，然后计算acf(自相关系数)，pacf(偏相关系数)，进行模型识别。
25.待模型识别完以后确定参数，确定时间序列差d,确定合适的p,q,然后使用该新模型对气象进行预测。
26.最后，结合小波变换分析的结果结合模型分析结果共同的对皖北地区未来天气进行预测。
27.本发明的优势在于通过小波变换加窗分析对信号的时频局部分析更有效和精确，然后利用arima模型进行时间序列的预测，最后两者的结构有机的结合进行分析对天气的预测会更加精准。


技术特征：
1.一种基于小波变换和arima模型的皖北地区恶劣天气分析方法，其特征在于，包括以下步骤：首先基于小波变换进行时频域分析，然后是基于arima模型进行时间序列上的气象预测。2.根据权利要求1所述的一种基于小波变换和arima模型的皖北地区恶劣天气分析方法，其第一部分主要是：(1)首先获取非平稳的皖北地区气象信号数据导入mysql数据库，通过pycharm软件进行气象数据分析，采用不同的滑动窗口函数对信号进行分析，得到子段信号频谱。(2)将每个字段信号进行小波分析，得到波形图。通过图形进行分析，得到气象特征之主周期等。3.根据权利要求1所述的一种基于小波变换和arima模型的皖北地区恶劣天气分析方法，其第二部分主要是：(1)首先，将数据导入arima模型进行分析和预测。(2)建立模型步骤如下，首先对已获取的气象信号进行平稳性判断，判断是否为非平稳性信号，如果是非平稳信号需要对信号进行差分化处理成平稳信号。(3)然后对信号进行白噪声检验，然后计算acf(自相关系数)，pacf(偏相关系数)，进行模型识别。(4)待模型识别完以后确定参数，确定时间序列差d,确定合适的参数p和q,然后使用该新模型对气象进行预测。最后，根据权利1中所提到的结合小波变换分析的结果和arima模型分析结果共同的对皖北地区未来天气进行预测。

技术总结
本发明公开了一种基于小波变换和ARIMA模型的皖北地区恶劣天气分析方法，包括以下步骤：首先根据所采集的现有气象信号进行切分和加窗，对切分信号进行小波变换，得到频域频谱图，对频谱图进行时频分析，然后对气象信号进行平稳性检测，最后是进行白噪声检测及其差分处理，然后计算ACF(自相关系数)，PACF(偏相关系数)，进行模型识别，识别模型结束以后，确定参数，确定时间序列差d,确定合适的参数，然后利用新模型进行预测，本发明作为一种组合的气象分析方法，能够更好的对天气进行气象预测和分析，优势在于通过小波变换加窗分析对信号的时频局部分析更有效和精确，然后利用ARIMA模型进行时间序列的预测，最后两者的结构有机的结合进行分析对天气的预测会更加精准。结合进行分析对天气的预测会更加精准。结合进行分析对天气的预测会更加精准。


技术研发人员：朱方正 唐超礼
受保护的技术使用者：安徽理工大学
技术研发日：2022.05.05
技术公布日：2022/9/6