数据挖掘技术在精细化气温预报中的应用

论文摘要

本文介绍了国内外精细化天气预报的现状和气象数据挖掘现状,及数据挖掘的定义、分类、过程模型、数据挖掘的技术、数据挖掘步骤等基础知识,并简要介绍了时间序列数据的特点、分析技术和应用。在对BP神经网络预测方法详细分析的基础上,本文研究了基于时间序列数据挖掘方法实现精细化气温预报方法。该方法在挖掘过程中结合时序分析技术,建立起适合于数据挖掘中BP神经网络的输入样本模型,通过反复学习从气温时序中发现其背后的规律,并将其用于未来二十四小时的精细化气温预报。同时,对BP神经网络算法和步骤做了简要介绍,针对原有的BP算法存在的收敛速度慢、存在局部极小值等的不足,对其做了增加动量因子、学习步长自适应调节的一些改进。最后,通过对预测挖掘系统的设计和在Matlab6.5仿真平台上的试验,建立了气温预报模型。以兰州市区域气象观测网数据为主要的时间序列研究对象,对乡镇精细化气温预报进行了仿真实现。对基于时序的数据挖掘理论的应用和开发精细化气温预报方法做了有益的探索。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 精细化天气预报
• 1.1.1 精细化天气预报定义
• 1.1.2 精细化天气预报国内外现状
• 1.2 气象数据挖掘研究及应用现状
• 1.3 兰州市区域气象观测网
• 1.4 研究的意义
• 第二章 时间序列数据挖掘基本理论
• 2.1 数据挖掘概述
• 2.1.1 数据挖掘的定义
• 2.1.2 数据挖掘的分类
• 2.1.3 数据挖掘过程
• 2.1.4 数据挖掘系统的主要组成
• 2.1.5 数据挖掘的方法分类
• 2.1.6 数据挖掘的常用方法概述
• 2.1.7 数据挖掘发现的知识类型
• 2.2 时间序列数据挖掘
• 2.2.1 时间序列的定义
• 2.2.2 时间序列的特点
• 2.2.3 时间序列分析技术
• 2.2.4 时间序列分析技术应用
• 2.2.5 时间序列的数据挖掘方法
• 2.2.6 本文所使用的数据挖掘方法
• 第三章 实现精细化气温预报方法的研究
• 3.1 传统的时间序列分析预报方法及缺点
• 3.2 数据挖掘中的神经网络预报方法
• 3.2.1 人工神经网络定义
• 3.2.2 人工神经网络的基本结构和模型
• 3.3 基于时间序列数据挖掘实现精细化气温预报方法的提出
• 3.3.1 用神经网络解决气温预报问题的思路
• 3.3.2 BP神经网络算法简介
• 3.3.3 BP神经网络算法的具体实现步骤
• 3.3.4 BP算法存在局限性
• 3.3.5 BP算法的改进方法
• 第四章 基于气温序列的即神经网络预报挖掘系统的设计及实现
• 4.1 BP神经网络结构设计
• 4.2 对输入、输出数据的预处理
• 4.3 气温序列的仿真试验
• 4.4 系统实现
• 4.4.1 数据抽取、清理和转换
• 4.4.2 系统开发
• 结论与展望
• 1、结论
• 2、展望
• 参考文献
• 在学期间的发表论文
• 致谢