论文总字数：16223字

摘 要

天气预测对人类社会的正常运转起到了不可忽视的作用。信息技术的快速发展为天气预测提供了新的更高效的方法。

本文完成了基于BP神经网络的天气温度预测。主要阐述了人工神经网络和BP神经网络理论，并介绍了基于BP神经网络进行天气预测的意义和背景。为了进行天气预测，收集了2015年1月1日至2016年5月15日林肯内布拉斯加州500天的天气数据，对其进行处理并将其汇总为适合数据分析的格式，然后进行清理。为了构建神经网络，利用Tensorflow来构建一个DNN Regressor神经网络回归器，能够根据收集的数值特征来预测第二天的平均温度。

本文的主要目的是实现以下目标：

1.分析使用BP神经网络进行天气温度预测的意义，阐述人工神经网络和BP神经网络理论。

2.演示使用TensorFlow的高级API ——Estimator API提供的神经网络回归器DNN Rrgressor来建立BP神经网络模型，并直观了解所有这些抽象层下正在发生的事情。

3.演示机器学习神经网络构建的过程：从数据的收集、分析处理到模型的选择、构建、训练和评估，最后进行预测结果分析。

4.讨论与过度拟合模型相关的问题。

关键词：机器学习；天气预测；BP神经网络；DNN Regressor；数据分析

Abstract

Weather forecasting has important significance for the development of many social and economic sectors and people's lives. The rapid development of information technology provides a new and more efficient method for weather prediction.

In this paper, Python and machine learning are used to predict the weather based on BP neural network. This paper mainly introduces the significance and background of weather prediction based on BP neural network, and expounds the theory of artificial neural network and BP neural network. In order to predict the weather, 500 days of weather data from January 1, 2015 to May 15, 2016 in Lincoln, Nebraska were collected, processed and summarized into a format suitable for data analysis, and then cleaned up. In order to construct the neural network, a DNN regression neural network regressor is constructed by using tensorflow, which can predict the average temperature of the next day according to the collected numerical characteristics.

The main purpose of this paper is to achieve the following goals:

1. Analyze the significance of using BP neural network for weather prediction, and elaborate the theory of artificial neural network and BP neural network.

2. Demonstrate the general process of analyzing projects from data collection, data processing, exploratory data analysis, model selection, model construction and model evaluation.

3. Demonstrate how to use the advanced tensorflow API and intuitively understand what is happening under all these abstraction layers.

4. Discuss the problems related to over fitting model.

Key Words：Machine learning; weather prediction; BP neural network; DNN regression; Data analysis

目录

第1章 绪论 1

1.1 研究背景和意义 1

1.2 研究现状 1

1.3 设计思想 2

1.4 论文章节安排 2

第2章 预测原理及技术手段 3

2.1 天气预测原理 3

2.2 人工神经网络理论 3

2.3 BP神经网络 3

2.4 深度神经网络回归器 5

第3章 天气数据收集与处理 7

3.1 数据收集 7

3.2 数据处理 8

3.3 数据分析 10

第4章 建立天气预测模型 13

4.1 激活函数与优化算法 13

4.１.1 ReLU激活函数 13

4.１.2 Adagrad 算法 14

4.2 基于BP神经网络的天气预测流程 14

4.2.1 分割数据 14

4.2.2 构建并训练BP神经网络模型 15

4.3 预测结果分析 17

第5章 总结与展望 18

5.1 研究总结 18

5.2 未来展望 18

致 谢 19

参考文献 20

第1章 绪论

1.1 研究背景和意义

天气预测对人类的发展和社会的正常运转起到了不可忽视的作用。对人民日常生活来说，天气预报能够提醒人民每天合理安排各种活动；对于政府来说，气象部门提供的的气象警告信息可以让相关部门提前采取预防措施，减少暴雨、雷电、冰雹、高温等极端天气和自然灾害给社会经济和人身安全带来的损失。

不仅为水电、航空、工业、旅游等产业提供了便利，天气预测还是重要的农业生产资源。在进行农业生产时，若能根据天气变化及时地调整生产、运输、储藏和销售计划，能够有效地提高产量和经济效益。在遇到灾害天气时还有提前做好准备，减少或避免经济损失。因此，研究天气信息，提高天气预测水平已经成为当前不容忽视的问题。

信息技术的快速发展为天气预测提供了新的更高效的方法。政府及各级相关人事通过天气信息系统了解天气的动态，从而制定各种方针政策。相关科技工作者们也踊跃的尝试各种方法对天气变化进行全面的分析和研究，提高人民的生活水平[^[1]]。这些也都要求有较高的信息技术要求。

BP人工神经网络算法在天气预测中已经有了广泛的应用。同传统的处理线性问题的数理统计方法相比，BP神经网络非线性、高拓展性和容错性使它在处理天气预测问题时有着更大的优势。经过数据分析和处理，预测因子的异常值更不容易影响到BP神经网络。综上所述，BP神经网络非常适合天气预测。在天气预测系统中，BP神经网络已经得到了广泛的应用。

1.2 研究现状

随着时代的发展，天气预测的方法主要有以下几种[^[2]]：

（1）生活经验预测法：根据长期记录的天气状况变化和大气信息（气压、空气湿度等），预估未来的天气变化；

（2）物理预测法：确定初始值，限制边界条件，用数学和物理学方法从理论上研究大气现象和过程。对大气拟合函数进行积分运算，进行天气预测；

（3）统计学预测法：基于统计学方法来进行数据统计分析，通过计算一段时间内某种环境下某一天气状况出现的次数推测未来一段时间内相似环境下这种天气状况出现的概率；

（4）综合预测法：结合不同的天气预测方法，得到更优的预测结果。

以下是一些国内外学者在使用BP神经网络进行天气预测的成果：

沈艺高[^[3]]对BP神经网络进行了改进，解决了传统的BP神经网络迭代次数多，运算速度慢的问题。他将粒子群算法与BP神经网络结合起来应用于天气预测中，不仅满足了较大的全局搜索能力，还增加了小范围局部搜索的精度。

艾洪福[^[4]]和石莹研究了基于BP人工神经网络的雾霾天气预测。他们以长春市的PM2.5实时监测数据为时间序列数据样本，建立了基于时间序列的BP神经网络雾霾天气预测模型，提高了预测的有效性和实用性。

陆雪华^[[5]]等人使用BP神经网络对雾霾趋势进行了预测。他们分析了桂林市的PM2.5含量、污染物浓度实测数据资料，未来10天的PM2.5预测值与实际值拟合效果好。该模型对PM2.5预测有较好的应用价值。

Sankaralingam B P[^[6]]等人使用机器学习技术建立了农用气象模型来预测降雨量，他们基于支持向量机和回归算法建立了天气预报模型，预测准确的降水量对于农业生产具有重要作用。

1.3 设计思想

本文的主要设计思想基于BP神经网络预测天气温度，以下是训练过程：

1. 将影响天气温度的天气因素（数据特征）传递给BP人工神经网络输入层的神经元；
2. 对这些数据特征经过加权计算输送给隐含层单元；
3. 隐含层各节点对数据特征进行分析后，选择一种激活函数其进行处理；
4. 处理后的数据特征经过加权计算输送给输出层单元；
5. 输出层各节点对数据进行分析，产生预测结果；
6. 输出预测结果与期望的输出值之间的误差，根据预测结果与期望值之间的误差重新调整各个连接权重。
7. 不断重复网络神经训练，直到神经网络模型能够产生误差足够小的预测结果。

1.4 论文章节安排

　　本文主要完成了一个基于BP神经网络的天气预测，根据收集到的前三天的天气因素来预测第二天的平均温度，一共分为四个章节：

第1章：绪论。本章主要介绍了天气预测在生产生活中的重要作用，分析了天气预测信息化的重要性。最后是对本文的设计思想和论文的章节结构的说明。

第2章：预测原理及技术手段。本章主要介绍了该研究所需要掌握的天气预测原理、人工神经网络理论和BP神经网络以及相关的算法。

第3章：天气数据收集与处理。本章主要介绍了2015年1月1日起林肯内布拉斯加州500天的天气数据的收集、清理和分析。

第4章：建立天气预测模型。本章主要描述了BP神经网络的激活函数和优化算法，说明了构建BP神经网络预测天气温度的流程，对预测结果进行了分析。

第5章：总结与展望。本章主要是对本次研究的总结，并对本研究的不足提出了改进的方向。

第2章 预测原理及技术手段

2.1 天气预测原理

根据监测站每天的监测数据对天气的预测描述如下：设影响天气变化的因素为

y = (,,, …, ) （2.1）

请支付后下载全文，论文总字数：16223字

相关图片展示：