KNN数据挖掘算法在北京地区霾等级预报中的应用

被引：45

作者：

熊亚军 ^{[1
,2
]}

廖晓农 ^{[1
,2
]}

李梓铭 ^{[1
,2
]}

张小玲 ^{[1
,2
]}

孙兆彬 ^{[1
,2
]}

赵秀娟 ^{[1
,2
]}

赵普生 ^{[1
,2
]}

马小会 ^{[1
,2
]}

蒲维维 ^{[1
,2
]}

机构：

[1] 京津冀环境气象预报预警中心

[2] 中国气象局北京城市气象研究所

来源：

气象 | 2015年 / 41卷 / 01期

关键词：

数据挖掘; KNN; 霾; 预报;

D O I：

暂无

中图分类号：

P456 [预报方法]; X513 [粒状污染物];

学科分类号：

摘要：

利用北京地区2013年气象数据以及PM2.5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PM2.5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PM2.5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（KNearest Neighbor）数据挖掘算法构建疆等级预报分类器,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。

引用

页码：98 / 104

页数：7

共 24 条

[1] 基于局部线性嵌入的人工智能台风强度集合预报模型 [J].