1. 研究目的与意义及国内外研究现状

降雨量对农业生产、水土流失和工程应用等有着重要的影响，对一个地区的降雨量进行准确预测，一方面可为开发利用水资源提供科学依据，另一方面又可帮助农业、水利部门提高防治旱涝灾害的能力，将危害降低到最低。所以降雨量预测成为一个重要的研究课题，然而影响降雨量的因素很多，难以识别和量化，并且数据波动频繁且幅度较大，同时降雨量数据很难完整，故而难以建立一个有较高拟合度的预测模型，因此降雨量预测是一个十分棘手的问题^[1]。

20世纪年代前，降水预报的研究大多以实测数据的统计分析为依据，根据数据的特征以及处理方法的不同，主要可以分为水文序列分析法、多元统计方法、蒙特卡罗模拟、频谱分析等数学统计方法。主流方法大致分为概率统计法和时间序列分析，概率统计法是一种定量的研究方法，主要有gm(1，1)模型、指数平滑和马尔可夫模型等，这些方法只能对降雨量呈指数增长的数据进行预测。时间序列预测方法主要有自回归模型、滑动平均自回归和差分自回归移动平均(autoregressive integrating moving average，arima)等，其预测值比较趋于平均值，但由于气象条件具有变异性、多样性和复杂性，降雨量存在着不确定性与随机性，是一种非平稳时间序列，因此传统方法对降雨量进行准确的预测是非常困难的。随着经济社会的快速发展，人类活动对自然系统的影响日益增加，气象因素更加错综复杂，影响因子也逐渐增多，导致降水系统变得更加复杂，从而使得建立降水预报模型的难度增加，进而加大了降水预报研究工作的难度^[2]。近年来，人们加大对人工智能预测技术的研究，人工神经网络、支持向量机等在降雨量预测中得到了广泛的应用，这些方法具有比较好的非线性学习能力，可以准确刻画降雨量不确定性和随机变化规律，提高了降雨量的预测精度。然而人工智能方法虽然非线性预测能力强，但是实际降雨过程是一个多尺度、周期性变化过程，因此人工智能技术预测方法预测精度离实际降雨量值有一定的差距，给农业、水利部门提供一些错误信息。

2. 研究的基本内容

本文以江苏省南京市观测站点1960-2014年的月降水量数据为研究对象，首先根据降水量时间序列数据的变化特点，建立arima模型，并对2014年的月降水量进行预测，其次以1960-2005年的月降水量数据为训练样本，2006-2013年的数据为测试样本，构建rbf神经网络模型，同样预测2014年的月降水量值。由于月降水量数据的动态特征呈现复杂非线性特征和各种干扰因素，传统的单一预测模型难以对其进行准确预测，预测精度低。为提高降水量的预测精度，本文提出arima-rbf组合模型的降水量预测模型，先计算arima模型预测的残差，然后利用rbf神经网络对残差进行拟合预测，最后将两者预测结果组合，得到最终降水量预测结果。

3. 实施方案、进度安排及预期效果

实行方案：

通过查阅书籍、期刊及网络上的一些共享资源，在老师、同学的帮助指导下，运用所学的统计软件完成数据的处理，分析三种模型的预测效果。 进度：

4. 参考文献

[1] 郭宝丽. 基于灰色神经网络的年降水量组合预测模型研究[d]. 重庆: 重庆大学, 2014: 12-16.

[2] 崔德友. 组合模型在降雨量预测中的应用[j]. 计算机仿真,2012, 29(8): 163-165.