多組合分類器在局部區(qū)域氣溫預測中的研究與應用.pdf

1、隨著科技的進步、信息化的發(fā)展、氣象研究技術的提高，氣象領域積累的數據量與日俱增。如何從海量的氣象數據中發(fā)現有價值的信息是氣象科研人員的一項重要任務。氣象信息與人民的生活息息相關，人民的生活和生產制造直接受天氣的影響。如果能將數據挖掘應用到氣象數據中充分挖掘出可用的信息，不僅能提高天氣預報準確率和災害天氣預警能力，還能指導當地的工農業(yè)生產和提高人民的生活水平，造福人民。
　　在數據挖掘中，分類是一種非常重要的技術。現有的分類技術有決

2、策樹、貝葉斯、支持向量機、神經網絡等，這些分類器都是單分類器。隨著人們對分類器性能要求的提高，相關領域學者提出了集成學習的概念。所謂集成學習就是對同一個問題用多個單一的個體學習器進行組合學習，組合分類器就是將多個不同的分類器（基分類器）通過一定的方法組合起來構建而成的一個組合分類器。因此，組合分類器就是分類器的集成，同時也叫分類器的組合。實驗證明，多個分類器組合在性能上超越于單分類器的性能。
　　本文在對氣象數據的特點、氣象數據挖

3、掘現狀和常用的氣象數據挖掘方法進行了分析的基礎上。利用數據挖掘中的決策樹分類方法和集成學習思想構建組合分類器，并用來對廣州某局部區(qū)域氣象站搜集的歷史氣象數據進行分析和研究。
　　本文主要開展了下列研究:
　　1.設計并實現了基于決策樹的并行組合分類器預測模型，將組合分類器和決策樹分類方法用于局部區(qū)域的氣溫預測中，各基分類器分別對局部區(qū)域的氣溫進行預測，組合分類器綜合各基分類器的結果，最后獲得各基分類器的協同預測。
　　

4、2.基于C4.5決策樹算法，設計并實現了Bagging、Adaboost兩種組合模型，同時基于CART決策樹設計了隨機森林模型。
　　3.針對局部區(qū)域氣象數據，應用了Bagging、Adaboost和隨機森林三種組合分類器，分別設計并實現了局部區(qū)域氣溫預測模型。
　　4.應用某局部區(qū)域的氣象數據，驗證了Bagging、Adaboost和隨機森林三種氣溫組合預測模型的有效性，進而對三種模型的預測結果從準確率和性能上進行了細致的