基于Parsivel天气现象仪资料的郑州“7·20”罕见特大暴雨微物理特征分析

基于2016-2018年ECMWF模式温度预报和浙江省72个国家基本站观测资料,根据温度日变化特征,采用K-近邻(KNN)回归算法进行误差订正,改进浙江省172 h精细化温度预报。在KNN回归算法中,将模式起报时刻的温度视作“背景”,由模式预报减去起报时刻温度消除“背景”影响,得到温度日变化曲线,通过温度日变化曲线构建差异指标,选取历史相似个例。根据历史相似个例的误差特征,对温度预报进行订正,得到改进的温度预报。检验结果表明,KNN方案的温度预报平均绝对误差较ECMWF和30 d滑动平均误差订正方案(OCF)的分别减小26.2%和5.2%;日最高和最低温度预报误差绝对值小于2℃,准确率较ECMWF的分别提高14.8%和4.3%,较OCF的分别提高3.0%和1.3%。KNN方案对地形复杂地区的温度预报改进效果更为明显,对冷空气活动和夏季高温等天气过程预报改善效果也较稳定。     

基于自适应时序剖分与KNN的短时交通流量预测

在智能交通系统中,准确和高效的短时交通流量预测是交通诱导、管理和控制的前提。由于交通流量动态变化中表现出的时变性和非平稳性特征,其预测难度较大,是交通领域中亟待解决的难题。为提高短时交通流量的预测精度,本文设计与实现了基于自适应时序剖分与KNN（A-TS-KNN）的短时交通流量预测算法。① 基于动态时间规整（Dynamic Time Warping,DTW）动态剖分单日时序为不同的交通模式;② 在不同交通模式,采用互信息法求解每个预测时刻时间延迟的最大阈值,构造不同时间延迟的状态向量,生成交通流量历史数据库;③ 采用十次十折交叉验证的方法求解每个时刻不同时间延迟与不同K值的正交误差结果分布,提取误差最小的正交结果,得到自适应时间延迟与K值的参数组合;④ 采用K个最相似的近邻的距离倒数加权值作为预测结果。对比K近邻（K-nearest neighbors, KNN）、支持向量回归（Support vector regression,SVR）、长短期记忆神经网络（Long-short term memory neural network,LSTM）以及门控递归单元神经网络（Gate recurrent unit neural network,GRU）共4种主流预测模型,A-TS-KNN算法预测精度显著提升;将A-TS-KNN算法用于福州市城市路网中其他交叉路口的短时交通流量预测,结果表现出良好的泛化能力。     

基于KNN机器学习方法对青藏高原唐古拉地区表层土壤水热状况的模拟

利用唐古拉站2004—2012年气象观测资料,基于KNN算法,结合机器学习思想,建立了一个气象回归模型,模拟了2005年唐古拉地区表层土壤水热变化趋势,结合实测数据,将模拟值与观测值进行对比,并对模型模拟效果进行了评估.结果表明:KNN模型能够较好地模拟活动层表层土壤水热状况,各层土壤温度的模拟值与观测值的相关系数均在...     

高斯函数定权的改进KNN室内定位方法

室内某些区域无线访问接入点（AP）布设稀疏,以及信号指纹的时变特性等因素,均使得无线信号接收信号强度（RSSI）序列与射电地图（radio map）相应RSSI序列完全相同成为可能,计算得到信号空间的欧氏距离为0或非常小。利用欧氏距离定权的加权质心算法解算会出现错误,无法得到定位结果;取K个参考点坐标均值的KNN算法以1/K为权值,定位精度相对较低。本文提出了高斯函数定权的KNN定位算法,对K个最近邻欧氏距离进行了标准化处理,利用高斯函数分配权值,得到加权坐标值。与KNN和WKNN算法的定位结果相比,该方法提高了鲁棒性和定位精度。     

基于交叉验证技术的KNN方法在降水预报中的试验

利用2003—2005年4—9月国家气象中心T213的数值预报产品,通过动力诊断,从大量数值预报因子中提取不同层次、不同时效与降水关系较好的多个因子,使用K最邻近域（KNN）方法,制作不同代表站点的晴雨预报和大于或等于10 mm的降水预报试验。在搜索K邻近域的过程中,考虑天气事件出现的概率不同,而分别求取有天气事件的正样本K+值和无天气事件的负样本K-值,使该方法选择的最邻近域中的K值取得更为合理。利用交叉验证的方法,对历史资料依次选取部分样本作为预报测试集,通过预测结果的检验评分,选取获得最大准确率和最大概括率的K+和K-作为最佳邻近域的组合。确定了最优K值后,反算历史样本,通过比较,得到某站出现降水天气事件的预报判别值,在一定程度上减少了预报的空报率。经过对2006年4—9月的预报试验,改进后的KNN方法使24,48 h的晴雨预报和大于或等于10 mm降水预报的TS评分大多数高于未改进前的,也高于T213模式本身的降水预报和MOS方法动力统计释用的降水预报,特别是克服了模式降水预报和MOS方法预报中空报率较高的现象,达到了较好的预报效果。     

KNN数据挖掘算法在北京地区霾等级预报中的应用

利用北京地区2013年气象数据以及PM2.5浓度数据与能见度数据进行对比分析,结果发现气温、气压、相对湿度、露点温度、地面U风、地面V风以及PM2.5小时浓度这7个要素是影响北京地区霾等级的关键因素。利用气温、地面气压、相对湿度、露点温度、U风、V风分量以及PM2.5浓度作为7个属性特征,以霾等级做为标志量构建训练样本集,结合KNN（K Nearest Neighbor）数据挖掘算法构建霾等级预报分类器,并开展霾等级客观识别实验。结果表明K=3时该分类器的分类预报效果最佳,其13个站点的分类准确率高达88.2%。基于该算法构建的KNN模型预报无霾时的漏报概率很小,准确率高达91.8%;预报有轻度霾、中度霾以及重度霾时,空报的概率仅分别为4.7%、1.4%和2.6%。2014年8月29日至9月2日北京地区一次霾天气过程的预报结果表明：南郊观象台、密云和延庆3站的预报准确率分别达到74%、64%和84%,但霾等级的精度方面还有待于进一步提高。     

基于卷积神经网络的高分遥感影像内陆盐沼湿地信息提取

本文以宁夏盐池Landsat 8影像、高分二号影像、LiDAR数据插值生成的DEM数据、地理国情普查数据等为数据源,首先利用一年多期的Landsat 8影像确定提取内陆盐沼湿地的最佳时相;然后对最佳时相的高分二号(GF-2)融合影像等数据进行多尺度叠置分割,获取NDVI、DEM、穗帽变换等特征,采用最邻近分类器提取内陆...     

镁铁质-超镁铁质岩浆岩中单斜辉石的智能分析研究

区分不同构造环境中岩浆作用是认识地幔中岩浆形成过程的基本手段。目前较为成熟的是利用全岩去区分判别,而利用造岩矿物去判别构造环境、演绎岩浆演化的研究还不够深入。本文运用机器学习的方法,以全球新生代大洋中脊、洋岛以及岛弧构造背景中的镁铁质-超镁铁质岩浆岩中单斜辉石的地球化学数据为研究对象,试图区分这3 种不同构造环境的单斜辉石。通过机器学习方法中K-邻近（K-Nearest Neighbor,KNN）和随机森林（Random Forest,RF）的计算和比较,认为RF 是一种有效的地球化学区分方法,它的结果不仅可用来判别构造环境,同时还能够提取特征元素。同时我们发现,在镁铁质-超镁铁质岩浆岩单斜辉石构造环境判别图解中,Rb、La、Ba、Cr、Sr、Yb、V、Ti、Nd、Eu、Gd等微量元素具有较高的贡献率,而主量元素贡献率较低。在此基础上,我们结合前人的对单斜辉石的构造环境判别图的研究成果,提出几个判别效果较好的判别图解。但是整个研究由于缺少进一步可视化的成果,限制了机器学习方法的推广,这也是今后需要进一步研究的课题。     

基于安卓平台的室内实时定位

针对目前利用WiFi信号进行室内定位实时精度较低的问题,该文提出了一种改进的K最近邻算法。由于室内人体走动对于WiFi信号的不规律干扰,使得室内实时定位的精度带有很大的不确定性。为了实时地消除外界干扰带来的误差,改进的K最近邻算法增加了外部节点来监测周围WiFi信号的强度变化,通过将获取的信号强度与指纹数据库中对应节点的信号强度比对,获取差值,并应用于节点周围的客户端,来实时地校正客户端的定位结果。利用此算法在Android平台上的实验表明,该算法定位简单,可以较为明显地改善节点周围2.4m范围内的实时定位精度,使平均精度能提高0.8~1m左右。     

基于相似数据聚合与变K值KNN的短时交通流量预测

短时交通流量预测是交通控制和诱导涉及的关键技术问题,由于短时交通流量存在不确定性和时变性,其预测难度较大,是相关研究领域与工程实践中亟待解决的难题。为提高短时交通流量预测的准确性,本文设计与实现了基于相似数据聚合和变K值KNN(KNN-SDA)的短时交通流量预测算法。该算法首先采用互信息法在经过预处理的交通流量数据集提取交通流量序列最佳延迟时间信息,生成状态向量,并构建交通流量历史数据库;然后以本文所提出的相似数据聚合方法完成历史数据的聚合与清洗得到训练数据集;最后通过交叉验证确定每个时刻的最优K近邻数,完成算法实现。实验结果表明,本文提出的变K值KNN-SDA算法在保证执行效率的同时能明显提高短时交通流量的预测精度。