海事安全监管的风速预测预警技术国内外研究现状
指数平滑法提出距离越近的数据对当前数据的影响越大，所以在最近的数据赋予较大的权值，余此类推。此方法十分适合风速预测，在国内外风速研究中也时常应用[4]。
此外，若是风速数据较平稳，中、短期预测时还可采用持续法作为其他预测方法的补充，参照和组合。论文网
风速预测方法排列：
1基于数字天气预报（NWP）的预测
基于NWP的风速预测方法已较成熟，这是人们比较认可用于较长时间风速预测的一种较为准确方法。为了优化地使用NWP数据，可采用结合模糊逻辑的神经网络模型，利用支持向量机进行预测。不过，基于NWP的预测数学模型复杂，需运行在超级计算机，其应用有一定的局限性，有时短期预测的有效性还不如持续型预测模型。可利用改进的NWP数据进行短期风速预测，通过从邻近测量点的测量数据提高本测量点的预测水平，进一步提高预测质量。
2以时间预测法为代表的统计预测
（1）经典时间序列法。湖区风速数据一般包括各个时间点或是时间段(10分钟或1小时)内的风速大小、方向以及温度和气压等数据，记录于湖区风速SCADA系统中。这些数据，均具有按照时间排序以及取值离散的特性。时间序列法是风速预测的一种常用方法，采用时间序列法预测湖区短期风速的误差可小于10％。
利用时间序列建模方法中最为成熟的一种当属自回归滑动平均(ARMA)模型。不过，ARMA模型虽然能够描述线性的动态过程，但它仅适用于零均值的平稳随机序列。风速的时间序列具有非平稳随机序列的特点，因此，建立风速预测的ARMA模型时首先需进行数据时间序列增加趋势性及周期性的非平稳化处理。模型建立之后，可通过检验变量的自相关函数以及偏相关函数确定模型的阶次，而模型参数的确定通常采用最小二乘法。
（2）一些改进的时间序列法。采用传统时间序列法预测风速时，可能遇到超前一步预测有延时或某些预测点精度不能满足要求的问题，此时可借助卡尔曼滤波法及滚动时间序列来改进原有预测模型。
以时间序列法预测为基础加以改进的风速预测方法还包括:引入经验模式分解(Empirical Mode Decomposition），对时间序列信号进行平稳化处理的湖区风速预测采用局域波分解方法，将随机性很强的非平稳的风速信号分解成有限个数的较平稳信号，在分解基础上运用时间序列分析方法对各个局域波分量进行建模预测的风速预测等。考虑到风速时间序列本身所具有的混沌性及混沌时间序列的短期可预测性，也可采用混沌的方法预测短期风速。
3以神经网络法为主的学习预测
（1）神经网络预测方法。用经典的数学统计方法预测风速具有速度快、预测模型一般较简单的特点。但由于风速为复杂的非线性动态过程，当所使用模型不能准确地描述出风速的实际变化情况时，用该类方法势必一定程度地影响到预测结果的精度。人工智能方法一般无需研究对象的精确数学模型，可有效弥补传统方法单纯依靠数学求解的不足。风速预测中使用较多的人工智能方法是神经网络模型。可将风的速度、方向、气温、气压、湿度等影响风速的因素作为输入，建立BP型神经网络模型预测风速。
有时，仅以神经网络预测短期的数据，最终预测结果则引人非线性滤波器按长期的模式进行适当修正。
上一篇：板式换热器的研究现状
下一篇：茶叶多糖国内外研究现状