粒子群局部优化的反距离权重插值算法

doi:10.11772/j.issn.1001-9081.2022010056

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (2): 385-390.DOI: 10.11772/j.issn.1001-9081.2022010056

• 人工智能 • 上一篇

粒子群局部优化的反距离权重插值算法

向峰¹^,², 李中志¹^,²(), 熊熙¹^,², 李斌勇¹^,²

^1.成都信息工程大学网络空间安全学院, 成都 610255
^2.先进密码技术与系统安全四川省重点实验室(成都信息工程大学), 成都 610225

收稿日期:2022-01-17 修回日期:2022-04-06 接受日期:2022-04-11 发布日期:2022-04-21 出版日期:2023-02-10
通讯作者: 李中志
作者简介:向峰（1998—），男，湖南怀化人，硕士研究生，主要研究方向：机器学习、数据分析
熊熙（1983—），男，四川成都人，副教授，博士，CCF会员，主要研究方向：人工智能
李斌勇（1982—），男，四川绵阳人，副教授，博士，CCF会员，主要研究方向：工业智能化、数据挖掘。
基金资助:
四川省科技计划项目(2021JDRC0046)

Inverse distance weight interpolation algorithm based on particle swarm local optimization

Feng XIANG¹^,², Zhongzhi LI¹^,²(), Xi XIONG¹^,², Binyong LI¹^,²

^1.School of Cybersecurity，Chengdu University of Information Technology，Chengdu Sichuan 610255，China
^2.Advanced Cryptography and System Security Key Laboratory of Sichuan Province （Chengdu University of Information Technology），Chengdu Sichuan 610225，China

Received:2022-01-17 Revised:2022-04-06 Accepted:2022-04-11 Online:2022-04-21 Published:2023-02-10
Contact: Zhongzhi LI
About author:XIANG Feng， born in 1998， M. S. candidate. His research interests include machine learning， data analysis.
XIONG Xi， born in 1983， Ph. D.， associate professor. His research interests include artificial intelligence.
LI Binyong， born in 1982， Ph. D.， associate professor. His research interests include industrial intelligentization， data mining.
Supported by:
Sichuan Science and Technology Program(2021JDRC0046)

摘要/Abstract

摘要：

参考点与参数的选取会对反距离权重（IDW）的精度产生影响。针对多参数协同优化反距离权重算法（PIDW）忽略局部特性的问题，提出一种利用粒子群对IDW进行局部优化的改进算法——PLIDW。首先，分别对研究区域中各个样本点的参数进行寻优，利用交叉验证方法进行评估，记录各自最优取值的一组参数；同时，为提高查询效率，使用K维树（KD-Tree）保存空间位置与最优参数；最后，根据空间邻近程度从K维树选取最近的一组参数优化IDW。基于模拟数据与真实的温度数据集上的实验结果表明，相较于PIDW，PLIDW在真实数据集上的准确度提高4.18%以上，改善了PIDW存在的因忽略局部特性导致部分场景准确度低的问题，适应能力更强。

关键词: 空间插值, 反距离权重, 各向异性, 多参数优化, 粒子群算法

Abstract:

The accuracy of Inverse Distance Weighting （IDW） will be affected by the selection of reference points and parameters. Aiming at the problem of ignoring local characteristics in multi-Parameter co-optimization Inverse Distance Weighting algorithm （PIDW）， an improved algorithm based on particle swarm local optimized IDW was proposed， namely Particle swarm Local optimization Inverse Distance Weight （PLIDW）. Firstly， the parameters of each sample point in the study area were optimized respectively， and the cross-validation method was used for evaluation， and the optimal set of parameters for each sample point was recorded. At the same time， in order to improve the query efficiency， a K-Dimensional Tree （KD-Tree） was used to save the spatial positions and optimal parameters. Finally， according to the spatial proximity， the nearest set of parameters was selected from KD-Tree to optimize IDW. Experimental results based on simulated data and real temperature dataset show that compared with PIDW， PLIDW has the accuracy on the real dataset improved by more than 4.18%. This shows that the low accuracy in some scenarios caused by ignoring local features in PIDW is improved by the proposed algorithm， and the adaptability is increased at the same time.

Key words: spatial interpolation, Inverse Distance Weight (IDW), anisotropy, multi-parameter optimization, Particle Swarm Optimization (PSO) algorithm

中图分类号:

TP399

向峰, 李中志, 熊熙, 李斌勇. 粒子群局部优化的反距离权重插值算法[J]. 计算机应用, 2023, 43(2): 385-390.

Feng XIANG, Zhongzhi LI, Xi XIONG, Binyong LI. Inverse distance weight interpolation algorithm based on particle swarm local optimization[J]. Journal of Computer Applications, 2023, 43(2): 385-390.

图/表 6

图1 本文算法流程

Fig. 1 Flowchart of proposed algorithm

图2 测试曲面函数图像

Fig. 2 Image of test surface function

表1 仿真实验结果 (%)

Tab. 1 Results of simulation experiments

算法	RMSE	MAPE	MAE	MAX
IDW	10.630	31.07	6.501	49.28
Kriging	11.050	33.24	7.053	46.96
SARNN	9.975	19.92	7.572	40.37
PIDW	10.220	29.93	6.289	45.91
PLIDW	9.722	28.22	6.054	46.54

图3 各算法模拟数据散点图

Fig. 3 Simulated data scatter plot of different algorithms

表2 气象要素数据的实验结果

Tab. 2 Experimental results of meteorological element data

算法	参考点数目
算法	20	40	60	80	100	120
IDW	5.604	5.295	4.348	5.814	5.424	5.144
Kriging	3.468	5.467	4.247	6.504	5.869	5.847
SARNN	3.045	3.627	4.012	6.129	5.895	4.670
PIDW	4.077	5.293	4.540	5.597	5.449	5.437
PLIDW	5.711	6.026	4.803	5.831	5.800	6.285

图 4 准确度结果

Fig. 4 Results of accuracy

参考文献 26

1	李海涛，邵泽东. 空间插值分析算法综述［J］. 计算机系统应用， 2019， 28（7）：1-8. 10.15888/j.cnki.csa.006988
	LI H T， SHAO Z D. Review of spatial interpolation analysis algorithm［J］. Computer Systems and Applications， 2019， 28（7）： 1-8. 10.15888/j.cnki.csa.006988
2	QIAO P W， LI P Z， CHENG Y J， et al. Comparison of common spatial interpolation methods for analyzing pollutant spatial distributions at contaminated sites［J］. Environmental Geochemistry and Health， 2019， 41（6）： 2709-2730. 10.1007/s10653-019-00328-0
3	范玉洁，余新晓，张红霞，等. 降雨资料Kriging与IDW插值对比分析——以漓江流域为例［J］. 水文， 2014， 34（6）：61-66. 10.3969/j.issn.1000-0852.2014.06.011
	FAN Y J， YU X X， ZHANG H X， et al. Comparison between Kirging interpolation method and inverse distance weighting tension for precipitation data analysis： taking Lijiang River Basin as a study case［J］. Journal of China Hydrology， 2014， 34（6）： 61-66. 10.3969/j.issn.1000-0852.2014.06.011
4	曹端广，张子民，王海，等. 顾及风向和风速的气温空间插值方法［J］. 地理与地理信息科学， 2021， 37（1）：47-52. 10.3969/j.issn.1672-0504.2021.01.008
	CAO D G， ZHANG Z M， WANG H， et al. A method of spatial interpolation of air temperature considering wind direction and speed［J］. Geography and Geo-Information Science， 2021， 37（1）： 47-52. 10.3969/j.issn.1672-0504.2021.01.008
5	刘昕，辛存林. 陕甘宁地区城市空气质量特征及影响因素分析［J］. 环境科学研究， 2019， 32（12）：2065-2074.
	LIU X， XIN C L. Analysis of urban air quality characteristics and influencing factors in Shaanxi Gansu-Ningxia region［J］. Research of Environmental Sciences， 2019， 32（12）： 2065-2074.
6	王衍斐，陈锁忠，都娥娥，等. GIS技术在突发性土壤污染事故应急监测中的应用［J］. 计算机应用， 2010， 30（S2）：288-291.
	WANG Y F， CHEN S Z， DU E E， et al. Application of GIS technology in emergency monitoring of sudden soil pollution accidents［J］. Journal of Computer Applications， 2010， 30（S2）： 288-291.
7	安永龙，万利勤，李霞，等. 承德市土壤重金属空间结构与分布特征［J］. 水文地质工程地质， 2020， 47（6）：119-131.
	AN Y L， WAN L Q， LI X， et al. Spatial structure and distribution characteristics of heavy metals in the soil in Chengde［J］. Hydrogeology and Engineering Geology， 2020， 47（6）： 119-131.
8	胡广义，张秋文，张勇传. 基于BP人工神经网络的分布式降雨量插值估算［J］. 华中科技大学学报（自然科学版）， 2009， 37（4）：107-110.
	HU G Y， ZHANG Q W， ZHANG Y C. Distributed rainfall interpolation using BPANN［J］. Journal of Huazhong University of Science and Technology （Natural Science Edition）， 2009， 37（4）： 107-110.
9	陈飞香，程家昌，胡月明，等. 基于RBF神经网络的土壤铬含量空间预测［J］. 地理科学， 2013， 33（1）：69-74.
	CHEN F X， CHENG J C， HU Y M， et al. Spatial prediction of soil properties by RBF neural network［J］. Scientia Geographica Sinica， 2013， 33（1）： 69-74.
10	杜景林，沈晓燕. 基于改进型K-means聚类的温度插值算法［J］. 计算机工程与设计， 2016， 37（11）：2992-2998.
	DU J L， SHEN X Y. Temperature interpolation algorithm based on improved K-means clustering algorithm［J］. Computer Engineering and Design， 2016， 37（11）： 2992-2998.
11	曾金迪，张丰，吴森森，等. 基于空间自回归神经网络模型的空间插值研究［J］. 浙江大学学报（理学版）， 2020， 47（5）：572-581.
	ZENG J D， ZHANG F， WU S S， et al. Spatial interpolation based on spatial auto-regressive neural network［J］. Journal of Zhejiang University （Science Edition）， 2020， 47（5）： 572-581.
12	MA J， DING Y X， CHENG J C P， et al. A temporal-spatial interpolation and extrapolation method based on geographic long short-term memory neural network for PM2.5［J］. Journal of Cleaner Production， 2019， 237： No.117729. 10.1016/j.jclepro.2019.117729
13	ZHU D， CHENG X M， ZHANG F， et al. Spatial interpolation using conditional generative adversarial neural networks［J］. International Journal of Geographical Information Science， 2020， 34（4）： 735-758. 10.1080/13658816.2019.1599122
14	张锦明，游雄，万刚. DEM插值参数优选的试验研究［J］. 测绘学报， 2014， 43（2）：178-185， 192.
	ZHANG J M， YOU X， WAN G. Experimental research on optimization of DEM interpolation parameters［J］. Acta Geodaetica et Cartographica Sinica， 2014， 43（2）： 178-185， 192.
15	李正泉，吴尧祥. 顾及方向遮蔽性的反距离权重插值法［J］. 测绘学报， 2015， 44（1）：91-98. 10.11947/j.AGCS.2015.20130349
	LI Z Q， WU Y X. Inverse distance weighted interpolation involving position shading［J］. Acta Geodaetica et Cartographica Sinica， 2015， 44（1）： 91-98. 10.11947/j.AGCS.2015.20130349
16	GREENBERG J A， RUEDA C， HESTIR E L， et al. Least cost distance analysis for spatial interpolation［J］. Computers and Geosciences， 2011， 37（2）：272-276. 10.1016/j.cageo.2010.05.012
17	李慧晴，叶爱中. 基于地形加权的降水空间插值方法研究［J］. 武汉大学学报（工学版）， 2021， 54（1）：28-37.
	LI H Q， YE A Z. Spatial interpolation method of precipitation based on topographic weighting［J］. Engineering Journal of Wuhan University， 2021， 54（1）： 28-37.
18	WANG J F， CHRISTAKOS G， HU M G， et al. Modeling spatial means of surfaces with stratified nonhomogeneity［J］. IEEE Transactions on Geoscience and Remote Sensing， 2009， 47（12）：4167-4174. 10.1109/tgrs.2009.2023326
19	颜金彪，段晓旗，郑文武，等. 顾及空间异质性的自适应IDW插值算法［J］. 武汉大学学报（信息科学版）， 2020， 45（1）：97-104.
	YAN J B， DUAN X Q， ZHENG W W， et al. An adaptive IDW algorithm involving spatial heterogeneity［J］. Geomatics and Information Science of Wuhan University， 2020， 45（1）： 97‑104.
20	孙梦楠，刘少华，刘京城. 顾及空间各向异性的IDW插值算法［J］. 计算机工程与设计， 2020， 41（4）：983-987.
	SUN M N， LIU S H， LIU J C. IDW interpolation algorithm considering spatial anisotropy［J］. Computer Engineering and Design， 2020， 41（4）： 983-987.
21	颜金彪，吴波，何清华. 顾及各向异性的多参数协同优化IDW插值方法［J］. 测绘学报， 2021， 50（5）：675-684.
	YAN J B， WU B， HE Q H. An anisotropic IDW interpolation method with multiple parameters cooperative optimization［J］. Acta Geodaetica et Cartographica Sinica， 2021， 50（5）： 675-684.
22	张均，叶庆卫. 基于PSO的改进AdaBoost人脸检测算法［J］. 计算机应用， 2020， 40（S1）：61-64.
	ZHANG J， YE Q W. Improved AdaBoost face detection algorithm based on particle swarm optimization［J］. Journal of Computer Applications， 2020， 40（S1）： 61-64.
23	熊志斌. 基于改进粒子群模糊神经网络的信用评估［J］. 统计与决策， 2019， 35（5）：55-58.
	XIONG Z B. Credit evaluation based on improved particle swarm fuzzy neural network［J］. Statistics and Decision， 2019， 35（5）： 55-58.
24	HUANG X Y， XIANG C. Peak density algorithm based on KD-tree optimization［J］. Journal of Physics： Conference Series， 2021， 1955： No.012042. 10.1088/1742-6596/1955/1/012042
25	FERNÁNDEZ JARAMILLO J M， MAYERLE R. Sample selection via angular distance in the space of the arguments of an artificial neural network［J］. Computers and Geosciences， 2018， 114： 98-106. 10.1016/j.cageo.2018.02.003
26	CARLISLE A， DOZIER G. An off-the-shelf PSO［EB/OL］. ［2021-02-12］..

[1]	张诗文, 邓春华, 张俊雯. 各向异性非极大值抑制在工业目标检测中的应用[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2210-2218.
[2]	武旭晨, 朴春慧, 蒋学红. 基于GPU并行计算的电动出租车新建充电站选址模型[J]. 计算机应用, 2019, 39(10): 3071-3078.
[3]	王庆荣, 王瑞峰. 基于改进粒子群算法的配电网重构策略[J]. 计算机应用, 2018, 38(9): 2720-2724.
[4]	杨文霞, 张亮. 基于对数函数的非局部总变分图像修复模型[J]. 计算机应用, 2018, 38(6): 1784-1789.
[5]	黄志标, 姚宇. 基于像素聚类的超声图像分割[J]. 计算机应用, 2017, 37(2): 569-573.
[6]	谢红侠, 马晓伟, 陈晓晓, 邢强. 基于多种群的改进粒子群算法多模态优化[J]. 计算机应用, 2016, 36(9): 2516-2520.
[7]	韩雪, 程奇峰, 赵婷婷, 张利民. 基于粒子滤波重采样与变异操作的改进粒子群算法[J]. 计算机应用, 2016, 36(4): 1008-1014.
[8]	何莉, 刘晓东, 李松阳, 张倩. 多核环境下并行粒子群算法[J]. 计算机应用, 2015, 35(9): 2482-2485.
[9]	闫华, 高黎, 刘国勇, 王红旗. 基于多时间窗的油料保障模型[J]. 计算机应用, 2015, 35(7): 2096-2100.
[10]	尚俊娜, 刘春菊, 岳克强, 李林. 基于改进双系统协同进化算法的无线传感器网络节点定位[J]. 计算机应用, 2015, 35(6): 1514-1518.
[11]	于泉, 孙顺远, 徐保国, 陈淑娟. 基于改进粒子群算法的无线传感器网络节点定位[J]. 计算机应用, 2015, 35(6): 1519-1522.
[12]	徐华, 张庭. 改进离散粒子群算法求解柔性流水车间调度问题[J]. 计算机应用, 2015, 35(5): 1342-1347.
[13]	海涛, 席志红. 各向异性四阶偏微分方程耦合二阶偏微分方程的图像放大[J]. 计算机应用, 2015, 35(4): 1084-1088.
[14]	刘建磊, 刘晓亮. 基于拐点线的大雾能见度检测算法[J]. 计算机应用, 2015, 35(2): 528-530.
[15]	黄会群孙虹. 粒子群选择特征和信息增益确定特征权值的入侵检测[J]. 计算机应用, 2014, 34(6): 1686-1688.

粒子群局部优化的反距离权重插值算法

Inverse distance weight interpolation algorithm based on particle swarm local optimization

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 26

相关文章 15

编辑推荐

Metrics