The hourly average solar wind velocity prediction based on support vector regression method
The hourly average solar wind velocity prediction based on support vector regression method
复制标题
基于支持向量回归方法的日均太阳风速预测
DOI：
10.1111/j.1365-2966.2011.18359.x
复制
发表时间：
2011-06
期刊：
影响因子：
--
通讯作者：
王劲松
中科院分区：
文献类型：
--
作者：
刘丹丹;黄聪;吕建永;王劲松
将一种新的神经网络技术--支持向量机回归(SVR)应用于太阳风速的预测。支持向量机是一种基于统计学习理论的非线性高效数据处理工具。它的优点是输入只需要几个周期的数据(在本研究中，大约有四个27天的太阳自转周期用于西南方向的速度预测)，并且预测是相当可靠的。在我们的工作中，我们特意选择了涵盖所有主要空间天气条件的典型西南数据：1998-2006年9年间的西南数据，其中包括与来自日冕空洞和日冕物质抛射的高速气流相关的西南速度变化的周期。通过计算SVR模型与观测的西南向速度之间的绝对平均分数偏差和相关系数来衡量SVR的性能。结果表明，预报速度值与实测值相差90%以上，即新方法预报西南方向的速度是准确可靠的。基于误差差异，可以得出结论：支持向量机技术可以应用于未来的空间天气预报模式。
A new neural network technique, support vector regression (SVR), is applied to forecast the solar wind (SW) velocity. SVR is a non-linear efficient tool for high data processing based on statistical learning theory. Its advantage is that the input only requires several periods data (about four 27-d solar-rotation periods to SW velocity prediction in this study), and the prediction is quite reliable. In our work, we deliberately choose the typical SW data covering all main space weather conditions: the SW data during the 9 yr from 1998 to 2006, which includes the periods of the SW speed variation associated with high-speed streams from coronal hole and coronal mass ejections. The performance of the SVR is measured by calculating the absolute average fractional deviation and correlation coefficient between the SVR model and observed SW velocity. We find that the predicted velocity values are over 90 per cent of the observed ones, i.e. the new approach is accurate and reliable in forecasting SW velocity. Based on the error difference, it can be concluded that the SVR technique can lend itself to future space weather forecasting models.
登录
查看更多内容
影响因子：
--
作者：
V. Gavrishchaka;S. B. Ganguli
通讯作者：
V. Gavrishchaka;S. B. Ganguli
影响因子：
3.7
作者：
P. Wintoft;H. Lundstedt
通讯作者：
P. Wintoft;H. Lundstedt
DOI：
10.1086/171430
发表时间：
1992-06
期刊：
The Astrophysical Journal
影响因子：
--
作者：
Y.-M. Wang;N. Sheeley
通讯作者：
Y.-M. Wang;N. Sheeley
影响因子：
2.5
作者：
M. Dryer
通讯作者：
M. Dryer
影响因子：
2.8
作者：
Arge, CN;Pizzo, VJ
通讯作者：
Pizzo, VJ