全文总字数：2359字

1. 研究目的与意义及国内外研究现状

气象数据是典型的时空数据，既具有空间性，又具有时序性。在短期内，气象数据或可称之为“气象大数据”，对其时空特性的分析和建模是进行气象数据扩展应用的基础。由于气象数据来自离散分布的气象台站，仅反映气象特征在单一地点随时间的变化过程，所以以往的研究或偏重于对较短时间的空间分布描述，或局限于对少量站点的时间序列分析。缺少时间和空间面面俱到的分析方法，这些单独面向空间或时间的分析方法都会导致有价值信息的缺失。因此，有必要寻找适合用来分析气象数据时空特性的方法。

气象数据客观、稳定、量非常大，而且气象数据和各行各业的相关性非常高。进一步设想，如果将气象数据加上外部数据来找到气象对其他领域的影响规律并对未来做出一些预测，那么获得新的应用将是可以期待的。一些学者的研究表明这样的应用大量存在，比如说能源，可以观测到电力负荷历史，加上气象条件进行用电量估算，农业也是一样，建筑行业也是，通过工期历史加上历史天气就可以知道工期预测；还有交通，航班准点率历史加上机场历史天气，就可以航班延误预测，准确性非常高；还有公共卫生，通过门诊量和药品销量加上气象历史就可以知道发病率预测；还有旅游，我们通过有客对旅游景区的评价和评价条件可以知道什么样的景区适合什么天气旅游。

概括来说，本文要找到一种程序化的方法来确定应用对象相对于各气象要素的影响因子，进而根据这些影响因子以及最新的气象要素来预测应用对象短时间内的路径变化。考虑到整个过程分为多个步骤，对数据按照时间进行划分、实现粗粒度的并行化较为可行。

2. 研究的基本内容

根据气象科学数据共享服务网中的“中国地面气候资料日值数据集”分析出气温变化路径及时间影响，降雨路径及时间影响，风速路径及时间影响。并考虑在形成算法的基础上进行并行化。

通过空间数据挖掘算法分别获得各气象要素（温度、降雨、辐射）的空间分布特征。划定出同一时间针对某个气象要素具有相同特征的地区。再将这些地区作为对象通过时间数据挖掘算法找出它们随时间的变化路径。将其他领域应用对象采集到的时空数据也做类似处理并得到它们随时间的变化路径，探索一种加权融合算法，将气象要素路径同应用对象路径进行拟合，得出各要素对该对象影响的权值，根据权值和新增的气象要素数据对应用对象短期内的变化进行预测。

在hadoop平台下，让现有的mahout提供的k-means算法应用于实际数据，对k-means算法的并行化进行研究和实践，在多台计算机组成的集群上完成庞大的计算过程。

3. 实施方案、进度安排及预期效果

实行方案：

1.分析和学习以确定实现课题所需的算法组合，给出初步的方案。

2.搭建hadoop集群以及实现算法需要的环境。

4. 参考文献

1.时间序列数据挖掘综述贾澎涛,何华灿,刘 丽,孙 涛

2.空间数据挖掘理论与应用（第二版） 李德仁

3.基于气象数据的数据挖掘算法研究 赵方霞