基于属性加权k最近邻算法的降雨预测

发布时间：2021-06-16 10:37

　　针对传统k最近邻算法处理多维数据分类时,没有考虑不同属性对分类结果的影响程度存在相异性这一问题,提出一种基于属性重要度的k最近邻算法。将大气压强、风向、风速、气温和相对湿度作为样本属性,将降水量作为类,利用属性空间上同类数据分布的内聚性和异类数据的耦合性确定样本属性的权重,通过属性加权欧氏距离进行近邻搜索,实现最优分类。实验结果表明,该降水模型在性能指标上表现更优,提高了预报结果的准确率、TS评分和正样本概括率,降低了降水预测的标准误差与漏报率。 

【文章来源】：计算机工程与设计. 2020,41(06)北大核心

【文章页数】：5 页

【部分图文】：

3种预报方法的漏报率对比

3种模型的降水预报标准误差

根据参考文献[12]和实验资料中类标签为4（暴雨）的样本数目，参数k取值从1～12，测试3种降水预报模型的性能，得到的晴雨预报效果如图2-图5所示。图2、图3、图4和图5分别显示了基于KNN算法、基WKNN算法和基于AKNN算法3种晴雨预报方法在不同k值情况下的准确率变化、TS评分变化、正样本概括率变化和漏报率变化。在晴雨预报中，准确率、TS评分和正样本概括率的数值越高说明模型对降水情况的预测性能越好。从图2-图4可以看出，本文提出的晴雨预报方法，在准确率、TS评分和正样本概括率上总是优于另外两种晴雨预报方法。也就是说，基于AKNN算法的晴雨预报不仅在总体上具有更好的分类精度而且对有雨的情况具有更好的预测性能。此外，在晴雨预报中，模型的漏报率越小说明模型的预测性能越好。从图5可以看出，在参数k取值相同的情况下，本文提出的模型可以更好地减少有雨类样本的漏报。以k=5为例，基于KNN算法的降水模型的漏报率为30.74%，而基于本文算法的降水模型的漏报率为22.65%，比前者降低了8.09%。图3 3种预报方法的TS评分对比

【参考文献】：
期刊论文
[1]一种新的基于伪最近邻算法的降水预报方法[J]. 黄明明,林润生,黄帅,邢腾飞.  科学技术与工程. 2018(17)
[2]基于距离权值的C4.5组合决策树算法[J]. 杜景林,严蔚岚.  计算机工程与设计. 2018(01)
[3]K最近邻算法理论与应用综述[J]. 毋雪雁,王水花,张煜东.  计算机工程与应用. 2017(21)
[4]基于属性重要度的数据补齐方法[J]. 吴康康,潘巍.  计算机工程与设计. 2016(03)
[5]Prediction and predictability of a catastrophic local extreme precipitation event through cloud-resolving ensemble analysis and forecasting with Doppler radar observations[J]. QIU Xue Xing,ZHANG Fu Qing.  Science China（Earth Sciences）. 2016(03)
[6]一种新的加权最近邻算法的降水预报试验[J]. 陈凯,王立松.  计算机仿真. 2014(06)



本文编号：3232920