数据挖掘技术在气象预测中的应用

摘要

随着全球天气的不断变化，依靠天气预报来及时发现灾害天气的出现显得尤为重要。大数据时代的来临，将数据挖掘技术应用于气象预报中，分析各种气象因子之间的关联，提高气象预报的准确性，具有十分重要的现实意义。传统的气象预报是基于统计的预测模型，采用概率领域的相关方法将历史数据建立一个或多个模型。但是，传统的统计方法往往适用于大量预报对象，预报对象越多，找出的预报因子和预报对象之间的关联越多，得到的统计结果越精确。然而，在实际应用中，往往需要针对某一特定天气对象进行预报，传统的统计方法存在一定的局限性。使用数据挖掘技术可以针对某一特定天气对象，快速处理海量天气数据，挖掘出潜在的、人们不易发觉的预报因子之间的关联，有助于提高天气预报的准确性。
　　目前智能算法在数据挖掘领域的应用受到越来越多学者的关注。引力移动算法GMA是近年提出的一种启发式群体优化算法，性能比传统粒子群算法有着很大提高，但仍然存在着缺陷。
　　为提高引力移动算法搜索性能，针对引力移动算法解决一些高维空间优化问题时存在的收敛速度慢、搜索精度不高的问题，本文提出一种基于亲和度的改进引力移动算法PGMA，即基于引力移动算法原理，通过构造一个基于亲和度概念的系数，对种群个体受到的引力合力公式作适当的变换来改造基本引力移动算法。改进后的算法对种群中个体的位置更新方向加以引导，提高算法的搜索精度和算法搜索能力。用13个基准函数对改进算法进行试验，验证了改进算法在求解精度和稳定性上优于基本引力移动算法。然后将PGMA算法应用到了关联规则挖掘领域，并通过实验证明其性能在关联规则挖掘领域中的提高，并将对这种关联规则挖掘方案进行独立性检验改进并应用到气象预测领域中。通过上海市气象数据集证明了具有独立性检验的TI-PGMA关联规则挖掘方案的准确性和有效性。

目录

声明

摘要

第一章 绪论

1．1 论文研究背景及意义

1．2 论文的国内外研究现状

1．2．1 气象数据挖掘现状

1．2．1 关联规则挖掘现状

1．3 论文组织结构

第二章 数据挖掘与关联规则挖掘理论基础

2．1 数据挖掘概述

2．1．1 数据挖掘定义

2．1．2 数据挖掘过程

2．1．3 数据挖掘方法

2．2 关联规则理论基础

2．2．1 关联规则的基本概念

2．2．2 关联规则价值的衡量

2．2．3 经典算法Apriori

2．2．4 经典算法Apriori的不足之处

2．2．5 Apriori算法的改进优化算法

2．5 本章小结

第三章 基于亲和度的引力移动算法

3．1 引力移动算法(GMA)

3．1．1 算法思想

3．1．2 粒子移动规则

3．1．3 质量函数

3．2 基于亲和度的引力移动算法

3．2．1 基于亲和度的引力移动算法简述

3．2．2 算法流程

3．3 实验及结果分析

3．2．1 基准函数

3．2．1 仿真实验

3．4 本章小结

第四章 基于PGMA的关联规则挖掘

4．1 个体编码

4．2 适应度函数设计

4．3 仿真实验及结果分析

4．3．1 适应度值结果及分析

4．3．2 运行时间对比

4．4 本章小结

第五章 关联规则挖掘方案在气象预测上应用

5．1 PGMA关联规则挖掘方案不足

5．2 TI-PGMA关联规则挖掘方案

5．3 仿真实验及结果

5．3．1 数据清理

5．3．2 实验结果

5．3 本章小结

第六章 总结与展望

6．1 回顾与总结

6．2 未来展望

参考文献

研究生期间发表论文及参加科研情况说明

致谢