[0005] 本发明针对现有技术的不足，提供一种基于支持向量机的钱塘江潮时预报方法，目的在于对钱塘江潮时进行准确预报。
[0006] 该方法的具体步骤是：
[0007] 步骤1：读取历史涌潮到达时间td(n)、对应站点和闻家堰的前一次高潮位g(n-1)、gw(n-1)，根据连续两日涌潮到达时间计算隔日时间差数据dt(n)，以分钟作为单位，[0008] dt(n)＝td(n+1)-td(n) n＝1,2,3,... (1)
[0009] 步骤2：历史高潮位数据和连续两日隔日时间差数据进行归一化处理[0010] 根据式(2)对历史高潮位数据进行归一化，
[0011]
[0012] 其中xmax为历史高潮位数据中的最大值，xmin为历史高潮位数据中的最小值。x为待处理的历史高潮位数据，为历史高潮位数据归一化处理后的值。
[0013] 连续两日隔日时间差数据归一化处理方法为：
[0014]
[0015] 步骤3：根据预报日从历史数据中挑选同条件下的数据构造训练样本。
[0016] 农历上，不同年相似月的数据可近似认为同条件下的数据，而其他不同月的数据为不同条件下的数据。这里根据预测日期的不同而分别建立训练模型，选择的训练样本同预测日期为同条件下的数据，即选择训练样本与预测日期不同年相似月的数据。另一方面，随着时间延迟增大，不同年相似月数据相关性亦逐渐减小，为保证训练样本与预测日的相关性足够大，选择预测日期近5年内相似月份的隔日时间差数据作为训练样本。
[0017] 利用归一化后的历史数据构造训练样本，将预报日前4个连续两日隔日时间差4日中最后一次涌潮高潮水位 以及相
应的闻家堰高潮水位 作为5个输入，第i日的隔日时间差作为输出值。以此类推可以构建输入矩阵P和目标矩阵T。因此输入矩阵P每行为6个数据，目标矩阵每行为1个数据。
同样，该两矩阵均为N-3行，N为历史数据长度。
[0018]
[0019]
[0020] 其中，i表示预测目标日的农历日序号；k表示预测目标年份序号，例如k＝0表示预测年，k＝1表示预测年前一年，以此类推。
[0021] 步骤4：利用训练样本训练支持向量机模型。
[0022] 调用Matlab7.10.0函数库中的svmtrain函数进行支持向量机模型训练，主要参数包括核函数选取、损失函数ε和惩罚因子参数C的确定。支持向量机常用核函数包括多项式核函数、径向基函数(RBF)核函数、Sigmoid核函数，通常选用RBF函数；损失函数ε决定了回归误差期望，其取值大小将会影响相应模型的支持向量数量以及泛化能力，ε取值越大，相应模型支持向量减小，预测精度越低，反之亦然，ε一般取为(0.0001～0.01)；惩罚因子参数C主要用于平衡逼近误差以及模型复杂度，C的值越大，相应模型拟合误差则越小，对数据的拟合程度越高，但模型复杂程度亦越大，C一般取为(1～1000)；
[0023] 步骤5：利用步骤4得到的支持向量机模型结合输入参数得到预测数据。
[0024] 为了预测第j天的隔日时间差，将第j日的前4个连续两日隔日时间差4日中最后一次涌潮高潮水位 以及相
应的闻家堰高潮水位 作为5个输入，调用Matlab7.10.0函数库中的svmpredict函数预测第j日的隔日时间差
[0025] 步骤6：反归一化处理隔日时间差，计算预测潮时。
[0026] 利用公式(5)对预测隔日时间差dt(j)predict进行反归一化处理，通过式(6)得到预测隔日时间差绝对值
[0027]
[0028] td,predict(j)＝t(j-1)+dt(j) (6)
[0029] t(j-1)表示第j-1日的涌潮到达时间。
[0030] 本发明的有益效果是：
[0031] 1.本方法根据预报日不同而分别建立训练模型，从历史数据中挑选同条件下的数据构造训练样本，使得预报模型更加准确，预测结果更加可靠。
[0032] 2.支持向量机是一种适用于小样本、泛化能力强的预测模型，使得本方法具有更高泛化能力，同时分析时间较短满足在线分析需求。
[0033] 3.整个分析过程快速方便，容易被使用者掌握，同时易于编程实现。
