基于多机器学习竞争策略短时雷电预报.docVIP

基于多机器学习竞争策略短时雷电预报 　　摘要： 　　传统的雷电数据预测方法往往采用单一最优机器学习算法，较少考虑气象数据的时空变化等现象。针对该现象，提出一种基于集成策略的多机器学习短时雷电预报算法。首先，对气象数据进行属性约简，降低数据维度；其次，在数据集上训练多种异构机器学习分类器，并基于预测质量筛选最优基分类器；最后，通过对最优基分类器训练权重，并结合集成策略产生最终分类器。实验表明，该方法优于传统单最优方法，其平均预测准确率提高了9.5%。 　　关键词： 　　雷电预报；属性约简；集成学习；机器学习 　　中图分类号： 　　TP181 　　文献标志码：A 　　Abstract： 　　The traditional lightning data forecasting methods often use single optimal machine learning algorithm to forecast， not considering the spatial and temporal variations of meteorological data. For this phenomenon，an ensemble learning based multimachine learning model was put forward. Firstly， attribute reduction was conducted for meteorological data to reduce dimension； secondly， multiple heterogeneous machine learning classifiers were trained on data set and optimal base classifier was screened based on predictive quality； finally， the final classifier was generated after weighted training for optimal base classifier by using ensemble strategy. The experimental results show that，compared with the traditional single optimal algorithm， the prediction accuracy of the proposed model is increased by 9.5% on average. 　　英文关键词Key words： 　　lightning forecast；attribute reduction；ensemble learning；machine learning 　　0引言 　　雷电是人类面临的最严重的自然灾害之一，以江西省为例，6～8月为江西省雷电活动频发月份，1～2月和10～12月雷电活动少发月份。根据文献[1]统计，过去几年当中，江西省雷电活动比例在冬季最高，秋季次之，午后为雷电活动最频发时刻，12～21时是江西省雷电活动最频繁的时间段，约占总雷电活动数的79.4%。另据文献[2]统计，江西省2005―2013年总共发生2808次雷电灾害，造成437人死亡，246人受伤，直接经济损失达到21697万元，间接经济损失达到22430万元。因此，必须加强雷电灾害监测及雷电防御工作。 　　国内外雷电预报是在筛选出与雷电发生相关性高的大气不稳定参数作为预报因子的基础上，构建雷电发生的概率预报方程，并区分强雷电与弱雷电。雷电预报所利用的资料主要有探空、雷达和卫星等观测资料及雷电探测资料。当前业内主要的预报研究方法有： 　　1）常规预报方法，预报员利用天气学方法制作出来的，但准确度不高。 　　2）利用卫星云图和天气雷达资料预报对流性天气，在卫星云图和雷达回波图上，通过对流云团的动态显示，以及对流天气的预报，从而确定雷电发生和落区的预报。 　　3）数值预报方法，利用强对流天气数值模式，对历史数据建模，从而模拟各个区域出现雷电的情况。 　　4）闪电定位仪监测是目前对雷电天气的最佳监测手段，要求不断地把监测的闪电强度、频数、闪电性质、落区、时间显示在雷电预报系统中，应用雷电发生发展理论和引导气流方法对闪电的未来强度作出预报，显示未来可能影响本地的雷电。 　　目前采用机器学习较成功的预报方法有：用决策树方法制作的，为机场提供自动雷电探测和严格导航系统的美国AWIPS雷电产品；澳大利亚气象局结合数值预报产品制作的雷电预报决策树方法；印度德里地区用点聚图方法、多元线性回归方程法制作的季