基于机器学习的降水数据分析算法的研究

【摘要】：降水问题一直是气象预报中非常关键的课题。气象预报,特别是降水预报是一项复杂的任务,因为它依赖于各种参数变量如温度,湿度,风速和风向等来预测。这些变量随时都在变化,不同地理位置的天气计算也随之变化。为了提高降水预测模型的预测精度,本文提出了一种基于支持向量机的粒子群优化(PSO-SVM)预测模型,以取代传统降水中使用的线性阈值方法。在支持向量机算法中,选择参数是对其预测精度有重要影响的问题,针对该问题,提出了采用粒子群优化算法寻找支持向量机模型的最优参数。PSO-SVM算法通过使用历史数据训练模型进行降水预报,输出一个有效的结果,帮助各行各业的人做出最适合的决策。实验表明,在相同条件下,所提出的算法的性能比基于同一组实验数据的直接预测模型的准确度好得多。同时通过与其他优化方法的对比,说明PSO在优化SVM参数上的优势。另一方面,实验结果也证明了使用的SVM-PSO模型的有效性和优点。在上述研究的基础上,为了进一步提高模型的效率,采用深度置信网络对数据规模较大的气象数据进行分析预测。分析结果表明,由于其在数据处理上采用批处理技术减少模型建立的时间,在模型应用时不再重新建立模型的特性,在实际应用在大规模据集上时更加效率。