基于气象数据的数据挖掘算法研究

论文摘要

随着计算机技术的快速发展和普及,时间序列数据挖掘作为数据挖掘技术的一个重要组成部分和研究热点,逐渐被应用到金融、电信、医疗、气象等各领域中。而时间序列数据挖掘方法并不是一套通用的挖掘方法,无法直接应用到各领域中。论文针对气象领域,以华北地区的干旱问题为研究背景,以华北地区各观测站的降水量数据为研究对象,对时间序列数据挖掘方法进行了研究。本文研究的主要工作包括以下几方面：1.结合实际的气象数据序列,总结了气象数据的周期性、季节性、随机性、时空相关性等特点。针对分析某一地区气象问题的应用,提出了一种将聚类挖掘和趋势挖掘相结合的分析框架。2.基于气象观测的特点,结合经纬度信息,提出了一种基于权重的欧式距离度量方式。并在此基础上,结合传统的层次聚类和K-means聚类方法,提出了一种基于加权相似性的BIRCH聚类方法。3.根据Savitzky A和Golay M提出的多项式拟合方法设计了七阶平滑滤波器,作为数据序列趋势挖掘前的预处理工具。根据比较查找和排序的思想,提出了一种基于比较的遍历模式分割方法。最后利用模式属性的抽取方法对分割的各模式进行了趋势分析。

论文目录

• 摘要
• Abstract
• 引言
• 1.1 研究背景和研究意义
• 1.2 时间序列数据挖掘的研究现状
• 1.2.1 趋势分析
• 1.2.2 相似性分析
• 1.2.3 序列聚类
• 1.3 本文的研究目标和组织结构
• 2 气象数据分析
• 2.1 气象数据
• 2.2 数据分析
• 2.3 降水量数据挖掘框架
• 2.4 本章小结
• 3 基于气象数据的聚类分析
• 3.1 时间序列数据的相似性度量
• 3.1.1 相似系数函数
• 3.1.2 距离函数
• 3.1.3 基于权重的欧式距离度量
• 3.2 聚类准则
• 3.3 基于加权相似性的聚类分析
• 3.3.1 基本层次聚类方法
• 3.3.2 BIRCH层次聚类方法
• 3.3.3 基于加权相似性的BIRCH聚类
• 3.4 实验分析
• 3.4.1 相似性度量分析
• 3.4.2 聚类分析
• 3.5 本章小结
• 4 基于气象数据的趋势挖掘
• 4.1 气象数据的平滑处理
• 4.1.1 移动平均法
• 4.1.2 低通滤波器法
• 4.1.3 基于气象数据的平滑滤波器设计
• 4.2 基于气象数据的趋势挖掘
• 4.2.1 基于气象数据的模式分割
• 4.2.2 基于气象数据的模式属性抽取
• 4.3 实验分析
• 4.4 本章小结
• 结论
• 参考文献
• 在学研究成果
• 致谢