基于气象特征数据智能识别与评估的雷电灾害预测模型设计

胡旻，姚东升

（陕西省突发事件预警信息发布中心，陕西西安 710016）

雷电灾害是自然灾害中较为严重的一种，其对当前日趋智能化的社会发展有着巨大的影响。因此，预测雷电的活动情况成为了气象机构及研究人员关注的热点[1-2]。但雷电数据量庞大且复杂，故难以建立精确的数学模型。因此，如何根据气象数据构建精准的雷电灾害预测模型具有重要意义[3]。

由于雷电灾害会对人们的日常生活及生命财产安全造成威胁，近年来诸多研究人员开展了雷电灾害的预测研究[4-5]。目前，已设计了众多预测模型。早期研究中，大多采用线性回归、聚类分析等方法进行雷电预测。后期随着人工智能、深度学习(Deep Learning，DL)等技术的兴起，逐渐将其用于预测雷电活动，并取得了一定的效果[6-9]。但上述预测方法普遍存在未考虑雷电时空特性、模型单一等问题。为此，文中基于气象特征数据分析技术设计了一种智能识别与评估雷电灾害的预测模型。该模型通过对气象特征的智能识别与评估来确定雷电的特征数据，并将其输入由人工鱼群算法(Artificial Fish Swarm Algorithm，AFSA)改进的Elman 网络中进行学习分析，从而得到精准的雷电灾害预测结果。

1 气象特征数据智能识别与评估

为了智能识别雷电的相关时空特征，所提模型采用数据挖掘方法分析气象数据[10]。再根据获取的特征计算其本身与预测量的皮尔森相关性系数(Pearson Correlation Coefficient)，从而确定输入雷电灾害预测模型的特征量。

1.1 时空雷电特征识别

由于雷电活动具有较强的时空特性，且雷电气象数据存在明显的时序性，因此基于季节与区域数据进行特征识别。其中，时间属性的值域为{全年，春，夏，秋，冬}；空间属性的值域为{全体，城市1，…，城市d}。同时，数据样本为30 min 时间片内的大气电场强度值。若将全部电场强度值作为模型的输入量，会导致信息冗余，所以利用数据挖掘的方法获取电场强度的最值、反转频率等可以体现时序性的聚合特征。

1.2 气象预测因子评估

针对识别的气象特征，利用相关性分析获得此类特征预测因子X与预测发生雷电活动Y的相关性。X和Y的皮尔森相关性系数计算如下：

式中，μx、μy为协方差；σx、σy为标准差；E(·)为期望。

通过对全部特征预测因子和雷电活动发生相关性的统计分析，得到电场探测量、电场全距、极性反转、电场值差分最大值、电场值差分绝对值均值及接近闪电这六个预测因子的Px,y均大于0.3，由此便可将其作为预测模型的输入量。

2 基于AFSA-Elman网络的雷电灾害预测模型

由于雷电天气复杂且多变，为了能准确掌握其变化趋势，从而减少经济损失，故构建AFSA-Elman网络模型进行预测。其中，Elman 网络[11-13]能够处理雷电的时序数据，且经过AFSA 算法[14-16]优化提高了其预测性能。

2.1 Elman神经网络

Elman 神经网络具有内部反馈与前馈相连的结构特点，因此具备了记忆特性，能有效解决具有时序依赖关系的时间序列预测问题。该网络的结构如图1 所示。Elman 网络通过在隐含层中增加一个承接层，并将其作为一步延时算子，收集与存储隐含层的输出值，从而具备了适应时变特性的能力。

图1 Elman神经网络结构

假设Elman 网络有n个输入及输出，而隐含层也包含n个神经元，则其非线性状态可表示为：

式中，x(t)、xc(t)、u(t-1)分别为隐含层节点量、反馈状态量和输入量；ω1、ω3分别为输入层与隐含层、隐含层与承接层的连接权重；f(∙)为隐含层的激活函数，模型选择了S 型函数，即：

则m维输出节点量y(t)表示为：

式中，ω2为隐含层与输出层的连接权重；g(∙)为输出层的激活函数，同样也选择了Sigmoid 函数。

2.2 AFSA算法

AFSA 采用模拟鱼群觅食、聚群、追尾及随机等四种行为方式寻找全局最优解。假定在一个k维空间里人工鱼的个体状态是Q=(q1,q2,…,qk)，则鱼群的寻优行为表述如下：

1）当处于觅食行为状态时，若存在一个状态Qj的目标函数比当前状态Qi小，则根据设置的步长向Qj移动，数学表达为：

式中，υ、s分别为人工鱼的视野和最大步长；rand(t)为t时刻随机数生成的函数。

否则，维持原状态Qi。并在选取的视野范畴内反复搜寻状态Qj，若仍未移动，则进行随机行为。

2）当处于聚群行为状态时，在视野范畴内搜寻毗邻的人工鱼数量kf以及统计中心位置Qc。若在宽松环境下，Qc的目标函数Cc比原始位置的Ci小，则根据设置的步长向Qc移动，数学表达为：

式中，γ为拥挤程度的因子。

否则，进行觅食行为。

3）当处于追尾行为状态时，若毗邻人工鱼的目标函数Cj比当前位置的Ci小，即向毗邻的人工鱼移动；否则，进行觅食行为。

4）随机行为是一种随机游动，并在更大的范围内寻找食物或同伴的行为，其数学表达为：

2.3 雷电灾害预测模型设计

由于Elman 神经网络采用梯度下降法(Gradient descent)更新权重，易陷入局部极值。因此，利用AFSA 优化Elman 神经网络的权值及阈值，并通过将雷电特征值输入训练完成的最优Elman 神经网络中进行分析，从而得到高精度的预测结果。基于AFSA-Elman 模型的雷电灾害预测流程如图2所示。

图2 该文模型的雷电灾害预测流程

首先，初始化种群和网络参数，利用AFSA 算法优化Elman 网络模型的权重和阈值，其中各人工鱼选择执行行为并生成新的鱼群，再通过适应度值的比较确定最优解；然后，将AFSA 算法输出的最优解赋给Elman 网络模型的权重与阈值，再经过迭代更新获得最优的Elman 网络模型；最后，将选取的六个雷电数据特征输入训练好的Elman 网络模型中进行学习分析，进而得到最终的雷电灾害预测结果。

3 实验结果与分析

实验中的气象雷电数据来源于中国气象局公布的相关数据，以及闪电监测定位系统实时获取的雷电数据。具体而言，选择上海、郑州、武汉、成都、九寨沟和拉萨这六个城市2021 年的雷电相关数据，如发生雷电的天数等。

实验在Windows10 和Python3.7.6 的环境下进行，为实现GPU 加速训练，还基于Nvidia 显卡安装Cuda Tookit(9.1.243)以及cuDNN(7.5.0.32)。

实验中采用平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）作为评估指标，计算公式如下：

式中，、Yt分别为预测值和真实值。

3.1 雷电灾害时空预测结果

利用AFSA-Elman 模型对成都地区一年内各个月份的雷电灾害进行预测。雷电灾害发生的概率如图3 所示。

图3 雷电灾害月预测结果

从图3可以看出，雷电最初发生于3月下旬，大约在11 月上旬结束，且大多集中于夏季，即6-8 月。这是由于夏季酷热，易形成强对流天气，从而导致雷电频发。此外，所提模型得到的预测值变化趋势与真实值基本一致，且数值较为接近。然而，6月和8月的预测值与真实值相差较大，这可能是因为突发极端天气或天气转好所造成的。总体而言，AFSA-Elman模型能够达到理想的预测效果。

以一年为计算周期，不同地区雷电发生百分率实际值与预测值的结果如表1 所示。

表1 不同地区的预测结果

由表1 可知，随着海拔的升高以及地形的变化，雷电灾害发生概率也在呈上升趋势，如拉萨市达到了20.71%，而平原地区的郑州市仅为6.19%。由于在特殊地形与环境下强对流天气活动频繁，常伴有雷电、冰雹等天气，因此导致预测效果有所降低，故拉萨市的预测误差为2.12%。但该模型在中东部地区的预测精度是可靠的，预测误差均不超过0.1%。

3.2 不同模型的雷电灾害预测结果

为论证所提模型对于雷电灾害的预测性能，将其与反向传播(Back Propagation，BP)神经网络、Elman网络、长短时记忆网络(Long Short Term Memory，LSTM)进行对比分析。四种模型对于2018-2021 年上海地区雷电灾害预测结果的MAPE 值如图4 所示。

图4 雷电预测误差结果对比

从图4 可知，相比于其他网络模型，所提模型预测结果的MAPE 值最小，且均小于0.03。原因在于，该模型在利用统计法获取雷电特征的基础上进行预测分析，能够较好地保证预测结果，并具有良好的预测稳定性，此外时间的变化还不会对预测结果造成较大的波动。而采用BP 神经网络获得的预测结果误差较大，其MAPE 均超过了0.06，最大值甚至接近0.09。Elman 及LSTM 网络则均可有效处理时序数据，因此预测精度与BP 神经网络相比有一定的提升。但由于网络本身结构存在不足，故相较于该模型，两者预测结果的MAPE 均较高。

综合来看，所提模型利用AFSA 算法优化Elman网络，可使结构更加合理，神经元也更为敏感，能够更准确地预测雷电灾害。同时其还利用皮尔森相关性系数筛选雷电特征数据，进一步保证了预测的可靠性。由此说明，该模型可实现对雷电灾害的有效预测。

4 结束语

由于雷电数据量庞大且复杂，传统数据分析方法难以实现精准预报，因此，该文设计了一种基于气象特征数据分析的雷电灾害预测模型。通过计算气象特征的皮尔森相关性系数完成对雷电特征的识别，并将其输入至AFSA-Elman 模型中进行预测分析，以实现对雷电灾害的可靠预测。结合各地区的气象与雷电相关数据进行的实验分析结果表明，所提模型能够实现时、空两方面的精准预测，且整体预测的MAPE 小于0.03，优于其他对比模型，进而为雷电灾害的发生情况提供了参考。但该模型并未对雷电灾害的实时发生情况进行精准定位及预测，因此这也将是下一步的研究重点。