基于改进CART算法的降雨量预测模型.docx

PAGE 1 - 基于改进CART算法的降雨量预测模型 基于改良CART算法的降雨量预报模型 -endprint--由表1和图3可以看出，随着训练集数目的增大，两个模型的预报性能也在波动性的上升，整体来看，回来树的预报性能优于模型树，但模型树受训练集数目改变的影响更小，其预报结果相对来说更加稳定。需要指出的是，此结果是在固定参数最小Gini增益值Gmin与叶节点最少样本数Cmin的条件下得出的，可以看到，该参数值在数据样本量为1600和1800时能取得较好的预报性能，而在小数据样本量时，随训练集数目增加，模型的预报性能提升不大，这说明了该模型对参数Gmin与Cmin的值较为敏感。于是，本文利用粒子群算法对预报性能更好的回来树模型进行了进一步的优化。 3.3PSO?CART模型预报结果分析 利用PSO算法将上述回来树预报模型根据图1的流程进行优化后，得出了优化后预报模型的性能指标。图4是在数据样本量为1800条时优化前后两个模型的预报结果对比图。图5、图6是随着数据样本量改变，模型优化前后的误差改变状况。 由图3、图4可以看出，优化后的模型预报结果与实际值拟合程度更高，相关指数、均方根误差、平均肯定误差整体上也都优于优化前的模型，且随着参数Gmin与Cmin的调整，该模型在全局的表现也更加稳定。由图5可知，该模型的相关指数随训练数据集数值增加，整体呈上升趋势，而误差函数整体呈下降趋势，当训练集到达1800条时，相关指数R?Square值到达0.65，平均肯定误差下降为4.42，平均肯定误差下降为7.02。试验结果说明，该优化模型对实际值的拟合程度更高、误差更小、更加稳定，证明了该优化方法的可行性。 同时，将训练好的优化模型根据表1的步骤对CART算法的执行流程进行调整之后，该模型便具有了处理数据流问题的能力，整体而言，本文提出的优化及改良方法到达了预期效果。 4结论 本文首先就回来树与模型树两种模型对降雨量预报的性能做出了对比。试验结果说明，模型树的稳定性更好，其受训练集样本数量的影响较小，但整体的预报精确度要差于回来树;同时发觉该算法对参数最小Gini增益值Gmin与最小叶节点样本数Cmin的大小较为敏感，于是对性能表现相对更好的回来树模型进行了优化，通过PSO算法在二维目标空间搜寻参数Gmin与Cmin的全局最优值。试验结果证明，优化后的模型性能有了较为明显的提升，且更加稳定。最终，将优化后的模型中CART算法选择划分属性及生成、标记叶子节点的过程做了调整，使其具有了增量学习的能力，大大提高了该算法模型在气象信息系统中的有用性。