انتخاب ویژگیهای مرتبط با پیش بینی بادجستی براساس مجموع داده های میدانی
پذیرفته شده برای ارائه شفاهی ، صفحه 1-7 (7) XML اصل مقاله (711.48 K)
عنوان دوره: نوزدهمین کنفرانس ژئوفیزیک ایران
نویسندگان
fhabibi@ut.ac.ir
چکیده
این تحقیق با استفاده از کمیت‌های‌ اندازه‌گیری‌شده توسط سنجنده‌های ایستگاه‌خودکار فرودگاه‌مهرآباد در بازه زمانی ژانویه تا می 2013 انجام شده‌است. در این بازه بیشترین تعداد وقوع بادجستی در ایستگاه رخ‌داده است. نتایج سنجنده شماره 29 در اینجا ارائه شده‌است. تمامی داده‌ها به‌غیر از جهت و سرعت باد گاستی به بازه 9/0-1/0 بهنجارسازی شدند. برای انتخاب‌ویژگی70 درصد کل داده‌ها جهت‌آموزش، 15 درصد جهت‌آزمون و 15 درصد نیز جهت‌اعتبارسنجی در نظر گرفته‌شدند. کمیت‌ها با استفاده از روش‌های انتخاب‌ویژگی پی‌در پی پیشرو، پسرو و اطلاعات متقابل پردازش‌شده، سپس ویژگی‌های‌انتخابی در رگرسیون‌ خطی برای پیش‌بینی بکار رفتند. نتیجه نشان می‌دهد که ویژگی‌های‌انتخابی برای سرعت بادجستی با روش پسرو بهتر از دو روش دیگر است. بین ماه‌ها نیز ویژگی‌های‌انتخابی برای ماه فوریه دارای تعداد خطای کمتری است. در مقایسه دو فصل نیز نتایج فصل‌زمستان بهتر از فصل‌بهار است. اما ویژگی‌های‌انتخابی برای جهت بادجستی نشان می‌دهد که میزان خطای هر سه روش تقریبا یکسان است.
کلیدواژه ها
 
Title
Related features selection with Gust-wind prediction, Based on limited data
Authors
faride habibi
Abstract
This study has been conducted using the quantities measured by the Mehrabad Airport Automatic Station Sensors during January to May 2013. During this period, the largest number of Gusty wind occurred at the station. Results for Sensor of Band No. 29 are presented here. All data, except the data of Gusty wind direction and speed have been normalized to interval 0.1-0.9. Then 70% of all data were selected for training, 15% for test and 15% for validation.
Measured quantities were processed using the sequential forward and backward feature selection, and mutual information (MI) with the maximum-relevance minimum-redundancy criterion. Then, the selected features were used in linear regression to predict Gusty wind direction and velocity.
The result shows that the selected features form the sequential backward method for velocity of gusty wind is better than the other two methods. Among the months, the selection features for February have fewer errors. Comparing the two seasons, the results of winter are better than spring. But the selected features for the Gusty wind direction show that the error rates of all three methods are approximately the same.
Keywords
Gust-wind, feature selection, mutual information, Forward Feature Selection (SBS), backward Feature Selection (SBS), regression, Mehrabad airport