基于关联规则的立体栅格气象要素短临预报方法

1.本发明涉及气象要素短临预报方法，尤其涉及一种基于关联规则的立体栅格气象要素短临预报方法。


背景技术：

2.气象要素通常包括气温、气压、湿度、降水等因素。为了研究气象要素在一定时间内的动态变化，需要进行监测评价。气象栅格是一种用于监测评价的模型，不仅可以用于存储数据信息，还可以通过一定的方式将数据特征表征出来。
3.目前针对气象栅格的研究大多基于二维栅格，即通过大范围下的数据特征来研究全国或是某个流域数据的整体情况；但基于立体栅格气象要素短临预报的实现方法较少。


技术实现要素：

4.发明目的：本发明的目的是提供一种有效降低扫描事务数据库的次数、提高短临预报速率的基于关联规则的立体栅格气象要素短临预报方法。
5.技术方案：本发明的立体栅格气象要素短临预报方法，采用多元线性回归模型，利用dem高程信息和栅格坐标搭建立体栅格，通过关联规则算法分别设置最小项支持度、频繁项集和最小信任度来产生时空关联规则，包括步骤如下：(1)数据预处理；(2)建立趋势面模型；(3)气象数据栅格化；(4)识别立体栅格内用户感兴趣的气象数据，并结合时间，记为独立事务；(5)挖掘关联规则；(6)根据步骤(5)得到的关联规则，实现短临预报；所述步骤(5)中的关联规则为不同数据项目在时空间出现的相关性，是从大量数据中挖掘出时间、空间及气象要素间的关系。
6.进一步，步骤(1)中，在预测时刻前获取某站点的高分辨率气温和降水数据，删除缺少属性值和孤立点的数据，填写空缺的值。
7.进一步，步骤(2)中，获取某站点的坐标作为自变量，站点对应的趋势面拟合值作为因变量，建立两者间的多元线性回归关系如下：
8.φ
′
＝a0+a1x
r
+a2y
r
+a3z
r
+a4x
r2
+a5y
r2
+a6z
r2
+a7x
r
y
r
+a8x
r
z
r
+a9y
r
z
r
φ＝φ
′
+ε
9.其中，x轴方向坐标x
r
,y轴方向坐标y
r
，z轴方向坐标z
r
作为自变量，站点对应的气象数据的观测值为φ，趋势面的拟合值φ
′
作为因变量，ε为观测值与趋势面拟合值的残差；
10.根据观测值与坐标间的关系来确定多项式系数a0～a9，使得残差平方和最小，得到地理空间的趋势面模型。
11.进一步，步骤(3)中，将选定区域的dem高程信息及每个栅格的x坐标和y坐标代入到趋势面模型，获得栅格图层，得到选定区域气象数据的空间分布。
12.进一步，步骤(4)中，识别立体栅格内用户感兴趣的气象数据，并结合时间，记为独立事务，在此基础上建立独立的数据库。
13.进一步，步骤(5)中，采用关联规则算法挖掘关联规则，首先设置最小项支持度，属性有时间、空间、降水与温度，属性的值为属性变量，利用msapriori算法设置各个属性变量
的最小项支持度mis(i)，表达式为：
[0014][0015][0016]
其中，sup
[i]
是系统属性i在事务数据库t中发生的频率；count(i)表示系统属性i在事务数据库t中的支持数；count(t)表示事务数据库t中记录的总数；p
[i]
为用户为每个属性变量设置的感兴趣等级；m(i)为级别个数，级别越高，用户对该属性变量的感兴趣值越大；v值为最小支持度的下限；
[0017]
然后应用基于最小数据立方体的apriori_cube算法连接频繁项集，根据最小信任度原则从频繁项集的集合中产生时空关联规则，得到选定区域某时间段内气温变化、降水变化以及气温变化与降水变化间的关系；d
k
表为包含所有长度为k的候选集，实现步骤如下：
[0018]
(51)通过算法搜索出各属性的1维频繁项集后，对其进行判断，若某个属性不存在1维频繁项集则说明属性层次定的过低，通过上钻提高属性层次，若某个属性上所有的1维项集都是频繁项集则说明属性层次定的过高，通过下钻降低维层次；接着根据d1表中mis值的顺序查找第一个满足最小支持度的属性变量i，加入到产生长度为1的候选集f中，对于d1表中i的后续属性变量j，若sup(j)≥mis(i)，将属性变量j也加入到候选集f中；
[0019]
(52)按顺序遍历候选集f中的属性变量，若属性变量k满足sup(j)≥mis(k)且候选集f中k的后续属性变量l与k来自不同维度，且sup(l)≥mis(k)，则将l与k加入到产生长度为2的候选集；
[0020]
(53)其余长度为k的候选集(k＞2)的产生：先采用apriori_cube算法合并项集，再通过剪枝步骤完成；
[0021]
(54)通过d
k
表获取长度为k的候选集的任意子集c的支持度,若sup(c)≥mis(c[1])，则将c项集加入到最大频繁项集l
k
中，最终获得最大频繁项集的集合l，其中c[1]为c的第一个元素。
[0022]
本发明与现有技术相比，其显著效果如下：1、充分利用站点坐标及数据，得到了区域气象数据的空间分布；2、建立立体栅格，使得观感更为明显；3、使用msapriori算法结合数据立方体建立关联规则，使得时间和空间相互联系，并有效降低扫描事务数据库的次数，提高短临预报速率。
附图说明
[0023]
图1为本发明的流程示意图。
具体实施方式
[0024]
下面结合说明书附图和具体实施方式对本发明做进一步详细描述。
[0025]
如图1所示为本发明的流程示意图，实现步骤如下：
[0026]
步骤一，数据预处理。
[0027]
选取在预测时刻前2小时获取某站点的高分辨率气温和降水数据的观测值，删除缺少属性值和孤立点的数据，填写空缺的值。
[0028]
步骤二，建立趋势面模型。
[0029]
获取站点的x轴方向坐标x
r
,y轴方向坐标y
r
，z轴方向坐标z
r
作为自变量，站点对应的气象数据的观测值为φ，趋势面的拟合值φ
′
作为因变量，ε为观测值与趋势面拟合值的残差，则有多元线性回归关系如下：
[0030]
φ
′
＝a0+a1x
r
+a2y
r
+a3z
r
+a4x
r2
+a5y
r2
+a6z
r2
+a7x
r
y
r
+a8x
r
z
r
+a9y
r
z
r
[0031]
φ＝φ
′
+ε
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0032]
根据观测值与坐标间的关系，来确定多项式系数a0～a9，使得残差平方和最小，得到地理空间的趋势面模型。
[0033]
步骤三，气象数据栅格化。
[0034]
将选定区域的dem(digital elevation model数字高程模型)高程信息及每个栅格的x坐标和y坐标代入到公式(1)中得到的趋势面模型，获得栅格图层，得到研究区域内气象数据的空间分布。
[0035]
步骤四，独立事务识别。
[0036]
识别立体栅格内用户感兴趣的气象数据，并结合时间，记为独立事务，如a地某时的气温降低a度，b地某时的气温升高b度，c地某时的降水量降低c毫米，在此基础上建立独立的事务数据库t。
[0037]
步骤五，挖掘关联规则。
[0038]
在msapriori算法基础上引入数据立方体。在msapriori算法中，属性有时间、空间(x、y、z)、降水与温度等等，属性的值称为属性变量。首先利用msapriori算法设置各个属性变量的最小项支持度mis(i)，表达式为：
[0039][0040][0041]
公式(2)中，sup
[i]
是系统属性i在事务数据库t中发生的频率；count(i)表示系统属性i在事务数据库t中的支持数；count(t)表示事务数据库t中记录的总数；p
[i]
为用户为每个属性变量设置的感兴趣等级；m为级别个数，级别越高，用户对该属性变量的感兴趣值越大；v值为最小支持度的下限。
[0042]
通过公式(2)的最小项支持度能得到用户感兴趣的规则。接着采用apriori_cube算法中对频繁项集的连接策略，若两个l
k
‑1项集前(k
‑
2)项相同而最后一项来自不同维度，则将两项集的前(k
‑
2)项与各自的最后一项合并得到一个新的k项集，最后直接对基于支持度的d
k
表进行搜索，可快速得到各项集的支持度，若项集的支持度大于等于最小项支持度，则得到频繁项集。d
k
表为包含所有长度为k的候选集，具体步骤如下：
[0043]
(51)首先通过算法搜索出各属性的1维频繁项集后，对其进行判断，若某个属性不存在1维频繁项集则说明属性层次定的过低，通过上钻提高属性层次，若某个属性上所有的1维项集都是频繁项集则说明属性层次定的过高，通过下钻降低维层次。接着根据d1(包含
所有长度为1的候选集)表中mis值的顺序查找第一个满足最小支持度的属性变量i，加入到f(产生长度为1的候选集)中，对于d1表中i的后续属性变量j，若sup(j)≥mis(i)，将属性变量j也加入到f中。
[0044]
(52)按顺序遍历f中的属性变量，若属性变量k满足sup(j)≥mis(k)且f中k的后续属性变量l与k来自不同维度，且sup(l)≥mis(k)，则将l与k加入到c2(产生长度为2的候选集)。
[0045]
(53)其余长度为k的候选集(k＞2)的产生：先采用apriori_cube算法合并项集，再通过剪枝步骤完成。
[0046]
(54)通过d
k
表获取长度为k的候选集的任意子集c的支持度,若sup(c)≥mis(c[1])，则将c项集加入到最大频繁项集l
k
中，最终获得最大频繁项集的集合l。其中c[1]为c的第一个元素。
[0047]
根据最小信任度原则从l中产生时空关联规则，得到研究区域某时间段内气温变化、降水变化及两者间的关系。
[0048]
步骤六，预报。
[0049]
根据步骤五得到的关联规则，能够得到a地上一时刻气温降低a，b地下一时刻降水升高b的组合效果，实现短临预报。该预报效果可通过用户自行设定气象要素的属性来实现。