跳到主要內容

臺灣博碩士論文加值系統

(44.192.22.242) 您好!臺灣時間:2021/07/28 06:12
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:張富翔
研究生(外文):Jang, Fushiang
論文名稱:資料探勘技術應用於台灣地區颱風路徑與終點預測
論文名稱(外文):The Application Of Data Mining Techniques On Forecasting Typhoon Track And Terminal Point In Taiwan
指導教授:楊棋堡
口試委員:楊棋堡陳宗煦鍾健雄陳善泰唐啟儀
口試日期:2012-05-18
學位類別:碩士
校院名稱:國防大學理工學院
系所名稱:資訊工程碩士班
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2012
畢業學年度:100
語文別:中文
論文頁數:62
中文關鍵詞:資料探勘調適性網路模糊推論系統K-Means
外文關鍵詞:Data miningANFIS(Adaptive Neural Fuzzy Inference System)K-Means
相關次數:
  • 被引用被引用:2
  • 點閱點閱:244
  • 評分評分:
  • 下載下載:8
  • 收藏至我的研究室書目清單書目收藏:0
灣位於西太平洋為全球遭受颱風侵襲頻率最高之處,近半世紀以來颱風對台灣造成的損失已近兆元,並已危害將近5千人的生命,因此預測颱風的路徑成為重要的議題。目前中央氣象局預測颱風的整體流程中,所需花費的人力、時間與成本過於大量、頻繁與繁雜,因此本論文希望能夠結合資料探勘技術的優點,運用少量的歷史颱風資料預測颱風路徑的走向,並結合過去學者預測颱風之優點,提出能夠有效預測颱風路徑的方法,有助於降低颱風可能造成的危害與損失。
本論文所提出改良類比法預測路徑演算法(Improved Analog based Trajectory Prediction Algorithm, IATP),主要包含三個部分,第一部分為透過二階段重複使用ANFIS來建構颱風路徑終點位置經緯度之預測模型;第二部分為利用第一部分所得之預測颱風的預測終點經緯度,利用K-Means演算法進行颱風路徑的分群,進而尋找出相似程度最高的歷史颱風,產生預測路徑R_1;第三部分為終點修正,產生預測路徑R_2。為驗證IATP演算法,實驗中所用訓練資料採用1996年至2009年之間中央氣象局有發佈警報之颱風路徑的經緯度、中心風速和颱風型態,並以發生於2010與2011年的凡那比、梅基、桑達和南瑪督颱風為測試資料。實驗結果顯示, IATP演算法所建立的颱風路徑與終點預測模型,對於2010年中央氣象局有發佈陸上颱風警報的颱風之預測結果,較分群路徑預測演算法(Clustering-based Trajectory Prediction Algorithm, CTPA)準確,而對於2010與2011年中央氣象局有發佈陸上颱風警報的颱風,針對在相同所在位置的預測結果,整體的颱風路徑趨勢大致上亦較香港、日本、美國、中國、韓國、台灣六國的預測準確。

Taiwan, an island located in the Western Pacific ocean, has the highest frequency of being invaded by typhoon. In the last half century, nearly one trillion dollars of damages and 5,000 people’s lives have lost due to such tropical cyclones. Therefore, forecasting the track of typhoon has become an increasingly important issue. Currently, the process that the TCWB (Taiwan Central Weather Bureau) uses to forecast typhoons requires significant manpowers, much time, and many costs. This thesis demonstrates a way to integrate both data mining techniques, which use a small amount of historical typhoon data to predict the typhoons track, and the advantages of existing prediction methods. The proposed technique improves forecast confidence and, as a result, helps to reduce some harms and losses any typhoon may cause.
In this thesis, we propose an Improved Analog based Trajectory Prediction (IATP) algorithm, which consists of three major parts. The first part is to construct the latitude and longitude of the terminal point of typhoon through using the ANFIS prediction model repeatly in the two-stage prediction (TSP). Secondly, we utilize the predicted typhoon terminal point information in the K-Means algorithm to categorize the typhoon track clusters, then the histories typhoon with the highest degree of similarity can be found and used in predicting the track R_1. The third step is a terminal point correction, which is used to produce a final predicted track〖 R〗_2. In our study, we use the data of typhoons occurring between 1996 and 2009 and between 2010 and 2011 released by TCWB as the training data and test data, respectively. Experimental results show that the proposed IATP algorithm is more accurate than CTPA(Clustering-based Trajectory Prediction Algorithm). Furthermore, the overall prediction performance and trend of typhoon track forecasted by the IATP algorithm is generally better than those officially forecasted by six countries, including Hong Kong, Japan, United States, China, South Korea, and Taiwan.

摘要 ii
ABSTRACT iv
目錄 v
表目錄 viii
圖目錄 ix
1. 緒論 1
2. 文獻探討 4
2.1. 颱風路徑型態 4
2.2. 調適性網路模糊推論系統 7
2.3. K-Means 演算法 10
2.3.1. K-Means 演算法的特性 10
2.3.2. K-Means 演算法的流程 10
2.4. 颱風路徑預測類比法 11
2.4.1. 類比法 11
2.4.2. 類比法於颱風路徑預測的運用 11
2.4.3. 向量修正 14
2.5. 分群路徑預測演算法 15
3. 改良類比法預測路徑架構 18
3.1. 演算法概念 18
3.2. 二階段預測之架構 19
3.3. 改良類比法架構 21
3.4. 修正終點 24
3.5. IATP演算法實例說明 24
4. 實驗設計與分析 34
4.1. 實驗架構與設計 34
4.1.1. 資料來源 34
4.1.2. 實驗工具與參數設定 34
4.2. IATP演算法之實驗 35
4.2.1. 凡那比颱風之實驗數據與結果 35
4.2.2. 梅基颱風之實驗結果 37
4.2.3. 桑達颱風之實驗結果 41
4.2.4. 南瑪督颱風之實驗結果 42
4.3. 六國颱風路徑預測之比較 43
5. 結論與未來研究 48
5.1. 結論 48
5.2. 未來研究 48
參考文獻 50
自傳 52
[1]http://www.cwb.gov.tw/V7/index.htm (2012. 07. 31)
[2]http://zh.wikipedia.org/ (2012. 07. 31)
[3]曾龍譯,資料採礦-概念與技術,維科圖書有限公司,臺北,第 280-282 頁,
2003。
[4]台大生工系水資源資訊系統研究室:ANFIS適應式類神經網路之使用說明。
[5]Jang, J.S.R. “ANFIS: Adaptive-network-based fuzzy inference systems,” IEEE Transactions on Systems Man and Cybernetics, Vol. 23, No. 3, pp. 665–685, 1993.
[6]台大生工系水資源資訊系統研究室:最佳化搜尋法。
[7]J. MacQueen, “Some Methods for Classification and Analysis of Multivariate Observations,” In Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability, Vol. 1, pp. 281-297, 1967.
[8]http://cgm.cs.ntust.edu.tw/etrex/kMeansClustering/kMeansClustering2.html (2012. 07. 31)
[9] http://wiki.mbalib.com/ (2012. 07. 31)
[10]陳熙楊,“利用類比法預測颱風路徑之研究” ,氣象學報,1980。
[11]蒙恕凡,“植基於分群演算法於台灣地區颱風路徑預測之研究” ,碩士論文,國防大學中正理工學院,桃園,2011。
[12]Ueda, N., and Nakano, R., “EM algorithm with split and merge operations for mixture models,” Systems and Computers in Japan, Vol. 32, pp. 1–11, 2000.
[13] http://www.typhoon2000.ph/imatcf (2012. 07. 31)
[14] Camargo, S. J.and Robertson, A. W. “Cluster Analysis of Typhoon Tracks. Part I:General Properties,” Journal of Climate, Vol. 20, pp. 3635-3653, 2006.
[15]Terry, James. P. and Feng, Chen-Chieh. “On quantifying the sinuosity of typhoon tracks in the western North Pacific basin,” Applied Geography, Vol. 30, No. 4, pp. 678-686, 2010.

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊