回归是一种统计模型,用于发现研究变量与一个或多个解释变量或自变
量之间的线性关系。线性回归可以分为两种类型,即简单和多重。简单
线性回归便于寻找两个连续变量之间的统计关系,其目的是得到一条最
适合数据的直线 总预测误差尽可能小。采用梯度下降优化算法使误差
尽可能小。多元线性回归与简单线性回归的不同之处在于,研究参数取
决于多个独立参数。ARMA,ARIMA,多元回归和VAR是一些常用的
统计模型。ARIMA被认为是一种使用时间序列数据来预测未来观测值
的统计模型。 向量自回归也是一种用于预测时间序列向量的统计模
型。VAR模型是一元自回归模型的广义多元形式。该模型在预测相关变
量的集合Tarade和Katti(2011年)以及Kulka-rni等人(2008年)研
究了基于各种统计方法的风速预测系统。Khashei和Bijari(2011)提
出了一种将线性模型ARIMA和非线性模型ANN相结合的模型,发现它
们比传统的单个模型更有效。它可以作为一种混合模型应用于时间序列
预测领域,特别是当需要更高的预测精度时。Zaw和Naing(2009)提
出了一种使用多变量多项式回归(MPR)的降雨预测模型,并将该模型
的性能与多元线性回归模型进行了比较。Kavasseri和Seetharaman
(2009)提出了一个使用分数ARIMA的美国北达科他州风速和功率预
测模型,并将预测模型的性能与持续性模型进行了比较。Erdem和Shi
(2011)提出了基于ARMA的风速预测模型,对ARMA、VAR和限制
VAR进行了分解,并在从北达科他州风电场收集的两个数据集上研究了
这些模型的性能。
Liu
等人(
2011
)利用从美国科罗拉多州收集的
7
年逐时数据,提
出 了 一 种 使 用
ARMA-GARCH
方 法 的 风 速 预 测 模 型 。
Liu
等
(
2012
)分别提出了
ARIMA
与
ANN
、
ARIMA
与
Kalman
相结合的
风速预测模型,并分析了这些模型在多步预测中的有效性
Chen
等人
(
2009
年) 使用
ARIMA
建立 了一 个预测风 力发电的系统模 型。
Suhartono
等人提出了一个使用
ANFIS
和
ARIMA
的(
2012
)预测印
度尼西亚的月降雨量
Cadenas
等人 (
2016
)推荐了一种借助
单变量
ARIMA和多变量NARX模型的风速预测系统。 表1提供了文献中讨论的
统计模型使用
的参数和度量。
5.1.2.
人工智能模型
人工智能的发展激发了智能预测模型的发展。这些模型被证明是
强大的和有效的统计模型相比人工智能模型能够有效地处理非线性数
据集,并表现出更好的预测性能。这些模型进一步分为机器学习预测
器和深度学习预测器,如图所示。 二、
5.1.2.1.
机器学习预测器。
机器学习和深度学习模型是处理非线性数据
集的更好模型。ANN、SVM、ELM和随机森林是一些用于天气预报的
流行机器学习预测器。在本节中,介绍了使用机器学习技术的各种天气
预测系统。它们包括基于ANN的模型,基于SVM的模型和其他ML模
型。
5.1.2.1.1.
基于
ANN
的模型
基于神经网络的模型具有监督性和预测
性,被认为是最流行的天气预测技术之一,因为它们可以捕捉过去天气
趋势和未来天气状况的非线性关系。神经网络是非线性的