基于加權(quán)灰色GM模型的動態(tài)軌跡預(yù)測算法

　　針對基于Kalman濾波的跟蹤方法需要對噪聲特性和軌跡的運(yùn)動規(guī)律進(jìn)行假設(shè)的不足，將新陳代謝一個(gè)變量的一階灰色模型（GM（1，1）引入動態(tài)軌跡預(yù)測方法，提出一種基于加權(quán)灰色GM（1，1）模型的動態(tài)軌跡預(yù)測算法（TR_C M_PR算法）。首先，順序截取預(yù)測點(diǎn)前不同長度的子軌跡，計(jì)算采用灰色GM（1，1）模型擬合各子軌跡的相對誤差及相應(yīng)的預(yù)測值；其次，對各子軌跡的相對擬合誤差進(jìn)行歸一化處理，根據(jù)處理后的結(jié)果設(shè)置各子軌跡預(yù)測值權(quán)重；最后，將各予軌跡獲得的預(yù)測值與其對應(yīng)權(quán)重的線性組合作為軌跡未來運(yùn)行趨勢的最終預(yù)測結(jié)果。采用2000- 2008年美國大西洋颶風(fēng)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，TR_C M_PR算法6h的預(yù)測正確率為67. 605 6%，比基于模式匹配的颶風(fēng)預(yù)測方法提高2. 6056個(gè)百分點(diǎn)。實(shí)驗(yàn)結(jié)果表明，TR_GM_PR算法適用于軌跡短期預(yù)測。此外，該預(yù)測算法計(jì)算簡單、實(shí)時(shí)性高，能夠有效提高動態(tài)軌跡的預(yù)測正確率。
?