PREDICCIÓN METEOROLÓGICA

PREDICCIÓN
METEOROLÓGICA
Inteligencia en Redes de
Comunicaciones
Pablo Galarza Heredero
Miguel Ángel Fuente Rodríguez
DATOS DE ENTRADA
Preprocesado de los datos
– Selección de los atributos
– Selección de los instantes de referencia
[i]
[i-1]
[i-2]
[i-48]
[i-50]
[i-96]
[i-98]
[i-17520]
[i+2]
Ahora
½ hora
1 hora
1 día
1 día
1 hora
2 días
2 días
1 hora
1 año
+ 1 Dia
– Creación de la matriz mediante un programa en C, el
uso del comando “cut” de Linux y el uso de editores
de texto.
DATOS DE ENTRADA
Necesidad de muestrear por el gran
tamaño del archivo
Uso de un script de bash que automatice
el proceso
Selección de 1 registro de cada 14.
Total: unos 10000 registros.
Introducción de cabeceras para Weka.
PREDICCIÓN A 1 HORA
Mejor resultado obtenido con el algoritmo M5P
Resultado:
Correlation coefficient
Mean absolute error
Root mean squared error
Relative absolute error
Root relative squared error
Total Number of Instances
Ignored Class Unknown Instances
0.9906
1.5778
2.2193
11.7764 %
13.6802 %
2849
279
PREDICCIÓN A 24 HORAS
Mejor resultado obtenido con el algoritmo
Bagging, en conjunción con REPTree
Resultado:
Correlation coefficient
Mean absolute error
Root mean squared error
Relative absolute error
Root relative squared error
Total Number of Instances
Ignored Class Unknown Instances
0.9456
3.9174
5.1752
29.7004 %
32.534 %
2824
305
PREDICCIÓN DE CONDICIONES
Mejor resultado obtenido con el algoritmo
DecisionTable
Resultado:
Correctly Classified Instances
Incorrectly Classified Instances
Kappa statistic
Mean absolute error
Root mean squared error
Relative absolute error
Root relative squared error
Total Number of Instances
Ignored Class Unknown Instances
1715
1179
59.2605
40.7395
0.1818
0.1108
0.2385
91.3018
96.3945
2894
227
%
%
%
%
CONCLUSIONES
Resultados poco satisfactorios para las
predicciones a 24 horas.
Necesidad de incluir otros parámetros,
como los valores medios mensuales.
Mayor efectividad en los algoritmos de
árboles, por tiempo y prestaciones.