針對傳統(tǒng)k最近鄰算法處理多維數(shù)據(jù)分類時,沒有考慮不同屬性對分類結(jié)果的影響程度存在相異性這一問題,提出一種基于屬性重要度的k最近鄰算法。將大氣壓強、風向、風速、氣溫和相對濕度作為樣本屬性,將降水量作為類,利用屬性空間上同類數(shù)據(jù)分布的內(nèi)聚性和異類數(shù)據(jù)的耦合性確定樣本屬性的權(quán)重,通過屬性加權(quán)歐氏距離進行近鄰搜索,實現(xiàn)最優(yōu)分類。實驗結(jié)果表明,該降水模型在性能指標上表現(xiàn)更優(yōu),提高了預報結(jié)果的準確率、TS評分和正樣本概括率,降低了降水預測的標準誤差與漏報率。 

【文章來源】：計算機工程與設(shè)計. 2020,41(06)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

3種預報方法的漏報率對比

3種模型的降水預報標準誤差

根據(jù)參考文獻[12]和實驗資料中類標簽為4（暴雨）的樣本數(shù)目，參數(shù)k取值從1～12，測試3種降水預報模型的性能，得到的晴雨預報效果如圖2-圖5所示。圖2、圖3、圖4和圖5分別顯示了基于KNN算法、基WKNN算法和基于AKNN算法3種晴雨預報方法在不同k值情況下的準確率變化、TS評分變化、正樣本概括率變化和漏報率變化。在晴雨預報中，準確率、TS評分和正樣本概括率的數(shù)值越高說明模型對降水情況的預測性能越好。從圖2-圖4可以看出，本文提出的晴雨預報方法，在準確率、TS評分和正樣本概括率上總是優(yōu)于另外兩種晴雨預報方法。也就是說，基于AKNN算法的晴雨預報不僅在總體上具有更好的分類精度而且對有雨的情況具有更好的預測性能。此外，在晴雨預報中，模型的漏報率越小說明模型的預測性能越好。從圖5可以看出，在參數(shù)k取值相同的情況下，本文提出的模型可以更好地減少有雨類樣本的漏報。以k=5為例，基于KNN算法的降水模型的漏報率為30.74%，而基于本文算法的降水模型的漏報率為22.65%，比前者降低了8.09%。圖3 3種預報方法的TS評分對比

【參考文獻】：
期刊論文
[1]一種新的基于偽最近鄰算法的降水預報方法[J]. 黃明明,林潤生,黃帥,邢騰飛.  科學技術(shù)與工程. 2018(17)
[2]基于距離權(quán)值的C4.5組合決策樹算法[J]. 杜景林,嚴蔚嵐.  計算機工程與設(shè)計. 2018(01)
[3]K最近鄰算法理論與應用綜述[J]. 毋雪雁,王水花,張煜東.  計算機工程與應用. 2017(21)
[4]基于屬性重要度的數(shù)據(jù)補齊方法[J]. 吳康康,潘巍.  計算機工程與設(shè)計. 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]一種新的加權(quán)最近鄰算法的降水預報試驗[J]. 陳凱,王立松.  計算機仿真. 2014(06)



本文編號：3232920