基于改进CART算法的降雨量预测模型.docxVIP

基于改进CART算法的降雨量预测模型 李正方 杜景林 周芸 摘 ?要： 降雨量预测对于水资源的管理非常重要，可以帮助决策者提前做出应对举措，降低灾情发生时带来的经济损失和人员伤亡。同时，降雨量预测对人们的日常生活、出行等也有着非常重要参考意义。通过分类回归树算法构建两个预测降雨量的模型，然后通过粒子群算法对模型中的参数进行优化。此外，为解决原算法不具备处理数据流问题的能力，根据dsCART算法的思想，对原算法生成决策树的过程做出了调整，使其具有增量学习的能力，提高其在气象信息系统中的实用性。最终通过实验验证了该改进方法的可行性、有效性。 关键词： 降雨量预测; CART算法; 粒子群优化算法; 增量学习; 性能评价; 实验验证 中图分类号： TN98?34 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文献标识码： A ? ? ? ? ? ? ? ? ? ? ?文章编号： 1004?373X（2020）02?0133?05 Rainfall prediction model based on improved CART algorithm LI Zhengfang， DU Jinglin， ZHOU Yun Abstract： Rainfall forecasting is very important for water resources management， which can help decision makers to take measures in advance to reduce the economic losses and casualties caused by disasters. At the same time， rainfall forecasting is of great significance to people"s daily life， travel and so on. In this paper， two models for predicting rainfall are constructed by means of the classified regression tree algorithm， and the parameters in the models are optimized by means of the particle swarm optimization （PSO）. In addition， the process of generating decision tree on the basis of original algorithm is adjusted according to the thought of the dsCART algorithm， which makes it have the ability of incremental learning and improve the practicability in the meteorological information system， so as to solve the problem that the original algorithm does not have the ability to deal with data flow. Finally， the feasibility and effectiveness of the improved method are verified with the experiments. Keywords： rainfall forecast; CART algorithm; particle swarm optimization algorithm; incremental learning; performance evaluation; experimental verification 0 ?引 ?言 天氣预测对于应对极端气候状况及重大灾情有着十分重要的作用。常见的用于预测天气状况的方法包括神经网络[1] 、K?最近邻[2]、决策树[3]等方法。本文针对降雨问题提出了一种基于决策树的降雨量预测模型。该模型基于公知的分类回归树（Classification And Regression Tree，CART）算法。 CART算法是由Breiman等人在1984年提出的，其目的是构造一个有效的算法让其能从观测的训练样本中给出分类器的分段常数估计或回归函数估计。本文就这两种估计方式构建了回归树模型和模型树模型，并将这两种模型用于预测降雨量时的性能做出了比较。 由于天气预测时效性较强，