×
S.Monira苏米;M.费萨尔·扎曼;Hirose、Hideo

使用机器学习模型的降雨量预测方法及其在福冈市案例中的应用。 （英语） Zbl 1283.68305号

国际期刊申请。数学。计算。科学。 22，第4期，841-854（2012）。
小结：在本文中，尝试导出最佳数据驱动机器学习方法，用于预测日本福冈市的日平均和月平均降雨量。本对比研究集中在三个方面：建模输入、建模方法和预处理技术。将线性相关分析与平均互信息进行比较，以找到最佳输入技术。对于降雨的建模，提出了一种新的混合多模型方法，并与其组成模型进行了比较。这些模型包括人工神经网络、多元自适应回归样条、最近邻和径向基支持向量回归。这些方法中的每一种都被应用于日降雨量和月降雨量的建模，并结合了包括移动平均值和主成分分析在内的预处理技术。在混合方法的第一阶段，使用不同的参数设置构建上述每种方法的子模型。在第二阶段，使用变量选择技术对子模型进行排序，并根据遗漏交叉验证误差选择排名较高的模型。通过对最终选择的模型进行加权组合，对混合模型进行预测。

引用于5文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
86A10美元 气象学和大气物理学

关键词：

降雨量预报;机器学习;多模型方法;预处理;模型排名

软件：

预测;预测;ElemStatLearn（电子状态学习）
PDF格式BibTeX公司 XML格式引用
\textit{S.M.Sumi}等人，国际期刊应用。数学。计算。科学。22，第4号，841--854（2012；Zbl 1283.68305）
全文： 内政部

参考文献：

[1] Abrahart，R.J.和See，L.（2002年）。河流流量预测的多模型数据融合：基于两个对比流域的六种备选方法的评估，水文学和地球系统科学6（4）：655-670·doi:10.5194/小时-6-655-2002
[2] Baruque，B.、Porras，S.和Corchado，E.（2011年）。使用拓扑保持聚类的混合分类集成，新一代计算29（3）：329-344·文件编号：10.1007/s00354-011-0306-x
[3] Chalimourda，A.，Scho“lkopf，B.和Smola，A.J.（2004）。不同噪声模型和参数设置下支持向量回归的实验最优值，神经网络：国际神经网络学会官方期刊17（1）：127-41·Zbl 1072.68541号 ·doi:10.1016/S0893-6080（03）00209-0
[4] Cherkassky，V.和Ma，Y.（2004）。SVM参数的实际选择和SVM回归的噪声估计，神经网络：国际神经网络学会官方期刊17（1）：113-26·Zbl 1075.68632号 ·doi:10.1016/S0893-6080（03）00169-2
[5] Coulibaly，P.、Hache，M.、Fortin，V.和Bobeé，B.（2005）。利用模型组合改进每日水库流入量预测，《水文工程杂志》10（2）：91·doi:10.1061/（ASCE）1084-0699（2005）10:2（91）
[6] Dawson，C.W.和Wilby，R.L.（2001）。使用人工神经网络进行水文建模，《自然地理学进展》25（1）：80-108。
[7] De Vos，N.J.和Rientjes，T.H.M.（2005）。人工神经网络对降雨径流建模的限制：水文状态表示和模型评估的权衡，《水文学与地球系统科学》9（1-2）：111-126·doi:10.5194/hesss-9-111-2005
[8] 邓玉凤、金霞和钟玉霞（2005）。用于时间序列预测的集成SVR，《机器学习与控制论国际会议论文集》，中国广州，第2卷，第734-748页。
[9] Diebold，F.X.和Mariano，R.S.（1995年）。比较预测准确性，《商业与经济统计杂志》13（3）：253-263。
[10] Efron，B.、Hastie，T.、Johnstone，I.和Tibshirani，R.（2004）。最小角回归，《统计学年鉴》32（2）：407-499·Zbl 1091.62054号 ·doi:10.1214/009053604000000067
[11] Everingham，Y.L.，Smyth，C.W.和Inman-Bamber，N.G.（2009年）。集成数据挖掘方法预测区域甘蔗作物产量，农业和森林气象149（3-4）：689-696·doi:10.1016/j.agrformet.2008.10.018
[12] Fraley，C.和Hesterberg，T.（2009年）。大数据集的最小角度回归和LASSO，统计分析和数据挖掘1（4）：251-259。
[13] Fraser，A.M.和Swinney，H.L.（1986年）。来自相互信息的奇怪吸引子的独立坐标，《物理评论》A 33（2）：1134-1140·Zbl 1184.37027号 ·doi:10.1103/PhysRevA.33.1134
[14] Friedman，J.H.（1991）。多元自适应回归样条，统计年鉴19（1）：1-67·Zbl 0765.62064号 ·doi:10.1214操作系统/1176347963
[15] Gheyas，I.A.和Smith，L.S.（2011年）。用于时间序列预测的新型神经网络集成架构，神经计算74（18）：3855-3864。
[16] Hastie，T.、Tibshirani，R.和Friedman，J.（2009年）。《统计学习的要素：数据挖掘、推断和预测》，第二版。，纽约州纽约州施普林格·Zbl 1273.62005年 ·doi:10.1007/978-0-387-84858-7
[17] Hong，W.（2008）。通过技术机器学习模型进行降雨量预测，应用数学与计算200（1）：41-57·Zbl 1164.86025号 ·doi:10.1016/j.amc.2007.10.046
[18] Hyndman，R.J.、Slava R.和Schmidt，D.（2012年）。预测：时间序列和线性模型的预测功能，R包3.19版，http://CRAN.R-project.org/package=预测
[19] Kim，T.、Heo，J.-H.和Jeong，C.-S.（2006年）。使用多目标遗传算法对汉江流域多水库系统进行优化，水文过程20（9）：2057-2075·doi:10.1002/hyp.6047
[20] Kitanidis，P.K.和Bras，R.L.（1980）。概念水文模型实时预测，2：应用和结果，水资源研究16（6）：1034-1044·doi:10.1029/WR016i006p01034
[21] Lee，C.F.、Lee，J.C.和Lee，A.C.（2000）。《商业和金融经济学统计》，第二版。，新加坡世界科学·Zbl 1281.62225号 ·数字对象标识代码：10.1007/978-1-4614-5897-5
[22] Legates，D.R.和McCabe，G.J.（1999）。《评估在水文和水文气候模型验证中使用“质量”指标的情况》，《水资源研究》35（1）：233-241·doi:10.1029/1998WR900018
[23] Li，P.W.和Lai，E.S.T.（2004）。香港短期定量降水预报，发展288（1-2）：189-209。
[24] Myers，R.H.（1990年）。经典和现代回归与应用，马萨诸塞州波士顿市达克斯伯里。
[25] Nash，J.和Sutcliffe，J.（1970年）。通过概念模型进行河流流量预测，I：原理讨论，《水文学杂志》10（3）：282-290·doi:10.1016/0022-1694（70）90255-6
[26] Newbold，P.、Carlson，W.和Thorne，B.（2007年）。《商业与经济统计》，第6版。，新泽西州上鞍河普伦蒂斯·霍尔。
[27] Pucheta，J.、Patino，D.和Kuchen，B.（2009年）。基于单点观测的月降雨量预测的统计相关方法，D.Li和Z.Chunjiang，《农业中的计算机和计算技术II》，第2卷，IFIP信息和通信技术进展，第294卷，Springer，Boston，MA，第787-798页。
[28] Racine，J.（2000）。依赖数据的一致交叉验证模型选择：高压区块交叉验证，计量经济学杂志99（1）：39-61·Zbl 1011.62118号 ·doi:10.1016/S0304-4076（00）00030-0
[29] Siwek，K.、Osowski，S.、Szupiluk，R.（2009）。电力系统准确负荷预测的集成神经网络方法，国际应用数学与计算机科学杂志19（2）：303-315，DOI:10.2478/v10006-009-0026-2·Zbl 1167.93338号 ·doi:10.2478/v10006-009-0026-2
[30] Schölkopf，B.和Smola，A.J.（2002年）。使用内核学习：支持向量机、正则化、优化及其超越，自适应计算和机器学习，第98卷，麻省理工学院出版社，马萨诸塞州剑桥。
[31] Schoölkopf，B.和Smola，A.J.（2004）。支持向量回归教程，统计与计算14（3）：199-122。
[32] Shrestha，D.L.和Solomatine，D.P.（2006）。模型输出预测区间估计的机器学习方法，神经网络19（2）：225-235·Zbl 1160.68516号 ·doi:10.1016/j.neunet.2006.01.012
[33] Solomatine，D.P.和Ostfeld，A.（2008）。数据驱动建模：一些过去的经验和新方法，《流体信息学杂志》10（1）：3。
[34] Sudheer，K.P.、Gosain，A.K.和Ramasastri，K.S.（2002年）。用于构建人工神经网络降雨径流模型的数据驱动算法，水文过程16（6）：1325-1330·doi:10.1002/hyp.554
[35] Syed，A.R.（2011）。交叉验证和自适应模型选择综述，《统计学，数学论文》，乔治亚州立大学，佐治亚州阿兰塔，论文99。
[36] Timmermann，A.（2006）。预测组合，见G.Elliott、C.Granger和A.Timmermann，《经济预测手册》，阿姆斯特丹爱思唯尔，第4章，第135-196页。
[37] Wichard，J.（2011）。用混合模型预测NN5时间序列，国际预测杂志27（3）：700-707。
[38] Wichard，J.和Ogorzalek，M.（2007年）。将集合模型应用于CATS基准的时间序列预测，神经计算70（13-15）：2371-2378。
[39] Wu，C.、Chau，K.和Li，Y.（2008）。基于分布式支持向量回归的河道水位预测，《水文学杂志》358（1-2）：96-111。
[40] Xiong，L.、Shamseldin，A.Y.和Oconnor，K.（2001）。一阶Takagi-Sugeno模糊系统对降雨径流模型预测的非线性组合，《水文杂志》245（1-4）：196-217·doi:10.1016/S0022-1694（01）00349-3
[41] Yang，Y.，Lin，H.，Guo，Z.和Jiang，J.（2007）。基于卫星图像序列分析的暴雨预报数据挖掘方法，计算机地球科学33（1）：20-30·doi:10.1016/j.cageo.2006.05.010
[42] Zaman，M.和Hirose，H.（2011年）。带小训练集的打包和增强型集成方法的分类性能，新一代计算29（3）：277-292·doi:10.1007/s00354-011-0303-0
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。