1、朴素贝叶斯降雨预测分类器,控制科学与工程学院 2011级 牛景昊2015年,朴素贝叶斯降雨预报分类器,控制科学与工程学院,2011级自动化 xxx,毕业设计答辩报告,2,写在最前，一点废话，跟模板无关。2015年时值本科毕业之际，毕业答辩却没找到“世一大”的专属模板，遗憾之余，略有伤感，故根据新的标识和色调做了这个模板，不是毕设使用大概也可以。私以为毕业论文的答辩，要兼顾学术的沉稳严谨，也要在风格上有所跟进。可惜很多陈旧的分享在色调风格上已经和最新的山大标识系统相去甚远。相信山大藏龙卧虎，只是网上能看到可以分享的却不多。思忖再三还是把这个半成的版本分享出来，拍砖也好，鼓励也罢，权当一个青春的注
2、脚。希望以开源的精神，后来者能有更多自己的分享，创作者最开心的事便是作品能被使用，有缘见到这个PPT的人，尽管去用吧，如果有额外的时间，给我发份邮件，让我也乐一乐。牛景昊 2015.6,目录,降雨预报与朴素贝叶斯 降雨预报的意义 应用朴素贝叶斯方法的历史2.朴素贝叶斯方法的优势3.数据的处理 地面观测数据的获取 预报因子的预处理4.分类器性能分析5.总结与展望,3,目录,降雨预报的意义 应用朴素贝叶斯方法的历史2.朴素贝叶斯方法的优势3.数据的处理 地面观测数据的获取 预报因子的预处理4.分类器性能分析5.总结与展望,4,1.降雨预报与朴素贝叶斯,降雨预报的意义：,长期降雨预测,中期降雨预测,
3、分钟级降雨预测,保证灌区粮食生产安全,指导阶段性计划安排,提醒出行是否携带雨具,5,1.降雨预报与朴素贝叶斯,降雨预报方法的发展史：,17世纪初,使用仪器测量进行预报,开始使用统计学进行预报,20世纪八十年代,20世纪初,数值预报产品开始发展,6,1.降雨预报与朴素贝叶斯,应用朴素贝叶斯方法的降水预报：,1983年 krzysztofowicz：将数值预报值作为预报因子，进行预报模型修订。,2001年 James N.K.Liu等：利用香港地区的气候数据资料作为预报因子，进 行了降雨量的分级预报模拟。,2013年 Valmik B Nikam等：利用印度气象部(IMD)的地面观测数据作为预报因
4、 子，进行了降雨强度预测，取得良好精度。,7,目录,降雨预报与朴素贝叶斯 降雨预报的意义 应用朴素贝叶斯方法的历史 3.数据的处理 地面观测数据的获取 预报因子的预处理4.分类器性能分析5.总结与展望,2.朴素贝叶斯方法的优势,8,2.朴素贝叶斯方法的优势,朴素贝叶斯分类器：,9,2.朴素贝叶斯方法的优势,朴素贝叶斯分类器：,本文中符号设定 定义Ai 是一个特征集合，其中的每个特征都有一个确定的值,对于整个特征集合，有 i=1,2,n；j=1,2,m 其中 n 是特征集合的样本数，也对应某一数据集的特征维数，m 等于数据集的样本个数。,归为Kmax 类别,根据类条件概率独立的设定,10,2.朴
5、素贝叶斯方法的优势,朴素贝叶斯的优势：,11,2.朴素贝叶斯方法的优势,朴素贝叶斯的优势：,朴素贝叶斯分类器类条件概率独立的假设，虽然在很多实际问题中难以满足，包括降水预测的问题，但很多研究表明15 16，即便在这一假设并不满足的的前提下，朴素贝叶斯相比与其他算法，依然可以保持较好的分类准确度。,15 P.Domingos and M.Pazzani,Beyond independence:conditions for the optimality of the simple Bayesian classier,Mach.Learn.29.103-130.1997 16 Zhang,Harry
6、.The Optimality of Naive Bayes.FLAIRS2004 conference.,12,目录,降雨预报与朴素贝叶斯 降雨预报的意义 应用朴素贝叶斯方法的历史2.朴素贝叶斯方法的优势 地面观测数据的获取 预报因子的预处理4.分类器性能分析5.总结与展望,3.数据的处理,13,3.数据的处理,输入,输出,分类器的结构,14,3.数据的处理,历史测量值和降雨情况,24小时降水量的分级预测,需要获得的数据,15,3.数据的处理,中国气象局(CMA),欧洲中期天气预报中心（ECMWF）,美国国家海洋和大气管理局（NOAA),地面观测数据的获取：,16,3.数据的处理,地面观测数
7、据的获取：,国外的气象交换数据存在部分遗失,17,3.数据的处理,地面观测数据的获取：,中国气象局URF_CLI_CHN_MUL_DAY_CES_V3.0数据库济南观测站2005年到2014年5-9月历史数据（1530条）,18,3.数据的处理,预报因子的预处理：,预报因子在形式上是连续值，如果要应用朴素贝叶斯分类器，主要有两种思路：1.假设特征值服从某种已知分布，如正态分布；2.另一种是对连续值进行离散化处理。,平均,最高,最低,19,3.数据的处理,预报因子的预处理：,1.假设特征值服从正态分布；2.对连续值进行离散化处理。,X k,n=,k k,=1 2 1 2,2,等宽离散化(Equa
8、l-width Discretization)：间隔宽度相等等频率离散化(Equal-frequency Discretization)：每个间隔中样本点数目相等计算熵值离散化(Entropy-based Discretization)：根据划分前后熵值做标准,20,结束,起始,imin,imin,E(S)E(Xj=T)MDLP Gain,21,3.数据的处理,济南市日最高温预报因子为例：,离散化后,天数,天数,离散化前,原本1030组训练数据被分为6个间隔,22,目录,降雨预报与朴素贝叶斯 降雨预报的意义 应用朴素贝叶斯方法的历史2.朴素贝叶斯方法的优势3.数据的处理 地面观测数据的获取 预
9、报因子的预处理 5.总结与展望,4.分类器性能分析,23,4.分类器性能分析,分类器,Rc=c 100%,+1,预报准确率Rc,24,4.分类器性能分析,分类器,Rr=rc 100%,+1,降雨预测准确率Rr,+0,济南市即使在5-9月，每天下雨的先验概率依然较低，所以Rr 对于评价分类器利用先验以外能力很有价值。,25,4.分类器性能分析,1.直接假设预报因子服从正态分布的效果并不理想,26,4.分类器性能分析,2.二分类的分类误差普遍比四分类要小,27,4.分类器性能分析,3.虽然消耗了更多时间，但基于熵值进行的离散化对有降水样本的分类更好，说明其更好的利用了先验概率以外的信息。,28,目
10、录,降雨预报与朴素贝叶斯 降雨预报的意义 应用朴素贝叶斯方法的历史2.朴素贝叶斯方法的优势3.数据的处理 地面观测数据的获取 预报因子的预处理4.分类器性能分析,5.总结与展望,29,5.总结与展望,主要挑战与收获：1530条数据存储在736个文件中，每个文件数据维度大约为10，需要从中提取出有效数据，并识别和改写噪声数据、空测量点。预报因子皆为连续值，为获得较好的分类效果需要尝试多种离散方法。分类器算法实现皆为个人独立编写，熟悉了收集实际数据到分析结构、设计模型和实现算法的过程，实践能力得到很好提升。,30,本模板完全原创，根据山大新标识系统色调设计，无版权费用问题。如有幸被您使用，请邮件告知我，作者会感到欣慰。牛景昊 2015.6,P.S.如需无水印版本，请邮件与我联系,同学你好，我是隐蔽的水印,目录,降雨预报与朴素贝叶斯 降雨预报的意义 应用朴素贝叶斯方法的历史2.朴素贝叶斯方法的优势3.数据的处理 地面观测数据的获取 预报因子的预处理4.分类器性能分析5.总结与展望,31,P4,P8,P13,P23,P29,Thanks for Your Attention!,如需无水印版本，请邮件与我联系,同学你好，我是隐蔽的水印,
