使用神经网络的天气预报答案

【问题标题】：Weather forecast using a neural network使用神经网络的天气预报
【发布时间】：2011-01-14 03:20:49
【问题描述】：

我正在尝试使用backpropagation 编写一个天气预报程序。我是这个领域的初学者。我有不同参数的历史数据，如温度、湿度、风速、降雨量等。

我对如何将这些数据提供给输入层感到困惑。是否要为每个输入节点提供给定日期的全部数据，或者我是否需要为每个参数设置不同的网络？我也对输出层感到困惑。

【问题讨论】：

标签： neural-network prediction backpropagation

【解决方案1】：

在输入层中，输入数据的每个维度（天气、风等）都有 X 个单独的节点，其中 X 是要回顾的天数（比如说 4-7）。然后你应该在一个合适的范围内标准化每个输入维度，比如说 [-1.0, 1.0]。

让第二个“隐藏”层与第一层完全互连（并且还有一个固定 1.0 输入“偏置”节点作为固定点）。这里的节点应该比输入层少，但这只是经验法则，您可能需要进行实验。

最后一层是与第二层完全互连的输出层（也有偏差）。每个维度都有一个单独的输出神经元。

不要忘记使用输入和输出的标准化值进行训练。由于这是一个时间序列，您可能不需要随机化训练数据的顺序，而是及时提供它们 - 您的网络也会学习时间关系（运气好 :)

（另请注意，有一种称为“时间反向传播”的方法针对时间序列数据进行了调整。）

【讨论】：

假设包含的相关变量越多越准确是否正确？即使用{Temp, Pressure, Humidity}，优于{Rainfall, Windspeed, UV Index}？
@Aaron：使用更多相关的变量总是更好，但是如果有很强的关系，网络也可以使用其他变量来学习。另请注意，为了更好地研究网络，可能需要转换一些数据（例如对数尺度等）。

【解决方案2】：

在我看来，决策树可能是比神经网络更好的解决方案。 Here 是对决策树如何工作的描述。此外，还有一些软件可以实现各种分类器，包括神经网络。我与Weka 合作过，效果很好。还有一些库可用于将 Weka 的功能与 Java 和 C# 等编程语言结合使用。如果您决定使用 Weka，请确保您熟悉 here 中描述的 .arff 格式。

【讨论】：

如果您对使用 Weka 感兴趣，一个选择可能是尝试 Knime，这是一个基于 Eclipse 的工作流包，其中包含 Weka 原语。
我很好奇你会如何将决策树应用到这个问题上。

【解决方案3】：

我已经使用（并拥有）这本书：Introduction to Neural Networks with Java

我发现它是一个有用的参考。它涵盖了相当多的 NN 主题，包括反向传播。

【讨论】：