文献回顾与探讨.ppt

2006/10/28 資料挖掘在時序資料上之應用－以颱風雨量預測為例 國立中興大學行銷學系 報告人： 周世玉 教授 呂瑞麟 教授 林金賢 教授 Outline 文獻回顧與探討 雨量的相關研究共分為以下幾類 降雨特性與降雨趨勢 吳明進（1992）使用傳統統計理論-主成分分析法與t-檢定法，發現台灣降雨有明顯的下降趨勢，並且地域性差異極大。 蕭正宗（2002）等則採用無母數統計法Mann-Kendall來預測台灣地區降雨變化趨勢，發覺兩個極端：不降雨日數與不連續降雨日數在各地皆有上升趨勢。 雨量對農作物的損害 吳宗堯等（1989）研究指出雨量只要每小時大於20公釐，就會對作物造成損害 。 申雍與陳守泓（1994）的研究也顯示降雨累積雨量達150 公釐以上，也可能對大部分作物的生長造成損害。 文獻回顧與探討 雨量的預測 (基本上預測雨量的文獻可大致概分為長期與短期預測 ) 吳明進（1994）利用月平均溫度與降雨資料，解釋台灣彭佳嶼長期的降雨變化，發現長時間的變化比短時間來的複雜，每年的變化也較大。 吳明進等（2002）將台灣分成北、中、南、東四區，使用倒傳遞類神經網路模式(Backpropagation Artificial Neural Network, ANN/BP)，探討不同季節的降雨量分析，所採用的解釋變數包括地形，氣候，雨量等因素。 颱風路徑與颱風的面積、強度變化對雨量的影響 李天浩、王時鼎和張志霖（1996）於淡水河流域發展颱風面積定量降雨氣候預報模式。 陳正改(1987)應用水氣保守定律和Fulks的降雨公式探討新店溪流域的颱風降雨預報之模式。 文獻回顧與探討 降雨量的研究 French等人（1992）使用倒傳遞網路配合實際的雨量資料和模擬的降雨強度，預測一小時後的降雨量。 張斐章和孫建平（1995）比較倒傳遞網路與自組性演算法模擬能力在時雨量預測之研究。 颱風期間降雨量預測 周乃昉、鄭子璉和林柏丞（2000）採用颱風特性和雨量站特性兩部份來預測降雨量，結合倒傳遞類神經網路模式來建立颱風期間降雨量的預測模式。 文獻回顧與探討 小結 颱風相關議題的文獻不少，但是特定用來預測颱風期間降雨量之文獻並不很多。 1.影響降雨量的變數與降雨量間之關係很可能是複雜的非線性關係，使得一般傳統統計工具不容易捕捉到其關係外。 2.資料集的取得也是一重要因素。 就變數間的非線性關係來說，資料採礦工具中的類神經網路可以提供一建構輸入變數與輸出變數間非線性關係對應函數之選擇。 克服資料欠缺困難的可能性之一便是採用時間序列資料。基於預測雨量問題的本質以及資料的有限性，本研究將以雨量的時序資料為解釋變數結合資料採礦工具中的類神經網路技術來建構颱風期間降雨量的預測模型。 文獻回顧與探討 資料採礦 Cabena 等人(1997)認為資料採礦是從資料庫中，攫取可利用的資訊以作出正確的商業決策。 Berry Linoff, 2000，認為資料採礦是在發現有意義的規則或模型。 Han Kamber, 2001，透過資料採礦可以挖掘出珍貴的知識。 Berry(2001)等人也認為没有任何一種處理資料採礦的技術能夠同時解決上述的所有問題。故針對不同的任務(歸類、估計、預測、描述、關聯分組、集群)將有其適合的技術來完成任務。 資料採礦發展至今，已有許多技術或方法被提出並應用在不同領域上。藉助於電腦軟硬體的急速進步，類神經網路也已大量的被應用到各種不同的應用上。 文獻回顧--資料採礦 文獻回顧與探討 倒傳遞類神經網路 葉怡成(1994)對類神經網路的定義如下：「類神經網路是一種算系統，包括軟體與硬體，它使用大量簡單相連人工神經元(artificial neuron)所構成之網路系統，具有模仿生物神經網路的能力。」 基本架構包含三層，每一層又包含若干個處理單元，其中輸入層(input layer)負責輸入外在環境的訊息，輸出層(output layer)輸出訊息給外在環境，隱藏層(hidden layer)則提供處理單元間的交互作用。 常被使用到的類型即為「倒傳遞網路模式」。透過不斷的自我修正，來調整網路權重值使得誤差函數值越小，當誤差函數值收斂到小於某一特定門檻值，則網路學習工作即告完成。 在建構類神經網路模型時，會先將資料集分成二部份，第一部份稱之訓練集，用來建構模型確定參數值；第二部份則稱之測試集，用來測試訓練集所得到的模式之有效度。 文獻回顧與探討 集群分析 集群分析簡單來說，是一種「物以類聚」的精神，其作法是先辨認事物的屬性，屬性相似的歸為同一群，所以具有「同群相同性高」、「異群相異性高」等特質。 集群分析困難在於如何分群分得準確，這方面學者Punj and Stewart(1983)提出華德法(Ward’s met