雷电灾害是严重的气象灾害之一,研究可靠有效且预测准确度高的雷电预测模型具有重要的学术意义和应用价值。目前,我国的雷电灾害潜势预报还没有统一的模式,少量可借鉴的文献以单一的预报模式为主,而单一的预报模型难以适应气象要素多且具有时空特性的特点,导致模型的适应性差且预测准确度不高的问题。随着气象科技发展,气象领域采集和存储了大量的气象历史数据。从这些历史气象数据中挖掘雷电预测模型是该领域目前的研究热点。首先,本课题针对现有雷电预测模型存在适应性差的问题,提出基于多Agent的雷电预测方法,即借助智能体(Agent)对不同适应性的预测模型进行智能选择。其次,针对现有雷电预测模型的预测准确度不高问题,本课题基于四种学习方法进行雷电预测模型的构建。在雷电知识获取和表示阶段,为了能有效获取和表示具有不确定特性的雷电气象知识,本课题采用粗糙集和数据挖掘技术进行雷电知识的获取,并基于本体技术实现雷电知识的表示,构建具有时空特性的雷电本体知识。在雷电预测模型构建阶段,为了能使预测模型具有时空适应性和预测准确性,本课题分别构建了基于人工神经网络学习的雷电预测模型、基于遗传算法的雷电预测模型、基于支持向量机(SVM)的雷电预测模型和基于贝叶斯的雷电预测模型。这4个AGENT机器学习模型优势互补:BP神经网络模式有较强的知识分类和识别能力,遗传算法模式适合实时参数与历史雷电发生数据关联的挖掘,贝叶斯模式适合增量学习训练,支持向量机的模式将待预测状况线性化。基于这些理论研究成果,本课题对系统进行需求分析和设计,并通过C/S架构进行系统的初步实现,以验证所构建的模型有效性。所设计的系统主要功能模块包括系统登录模块、本地知识获取模块、雷电预测模型生成模块、数据预测模块、参数设定模块、信息查看模块和数据预处理模块等。通过在真实数据集上进行测试,结果表明所构建的基于多Agent模型的雷电预测方法具有较好的适应性。另外,通过实际测试发现基于贝叶斯与SVM的预测模型在学习能力上要远大于神经网络与遗传算法,而在学习过样本数据之后对于未知数据的预测能力也是明显较高于其他方法的,对雷电灾害的预测有较好的参考价值。