Meteorológiai Előrejelzés Adatbányászati Támogatással

Putnoki Gyula GTK ISZAM II.évf.

Társszerzők: az ISZAM-os Meteor-team

TDK-konferencia 2007 Gödöllő

Bevezetés

•magyar és angol automatikusan generált időjárás-prognózisok

•Budapest, Győr, Szeged

•újszerű szoftveres előrejelzés (mely meteorológiai szaktudást nem igényel)

Elgondolásunk szerint az élet számos területén nem csak szakmai kompetenciával oldhatunk meg felmerülő problémákat:

•az eseménnyel kapcsolatos múltbéli megfigyelések

•a történések sora törvényszerűségeket rejt magában

•az események lezajlásában megfigyelhető hullámszerű ismétlődések

•felfedésükhöz algoritmusokat kell lefuttatnunk

•coco, weka…

Inputok forrásai

• www.met.huwww.met.hu

• www.weatheronline.com

• Az OMSZ 400eFt-értékű adatvagyona, melyet térítésmentesen rendelkezésünkre bocsájtott

• Tanulói nyári „adatgyűjtő tábor”

Mi is a coco?

•Gazdasági és Informatikai tanszék által fejlesztve

•Component-based Object Comparison for Objektivity

•A hatókomponensek objektív megkeresésére, súlyuk meghatározására

Coco bővebben

• Excel-es alapú• Input adatok adatmátrix formájában• Célérték• Input adatok: történések/tulajdonságok

melyek befolyásolhatják a célértéket• Lépcsős függvény hátterében solver fut• Lépcsők: tömbökre osztott tulajdonságok,

hogy véges számú elemet kelljen vizsgálni

Hogyan is működik a coco?

• Matematikai képletekkel leírható görbéket igazít hozzá a tulajdonságok időbeni változásához/ismétlődéseihez

• Megtalálja azokat az attribútumokat amelyek befolyással vannak a célértékre, a többit kiszűri

Jövőgenerálás

• Ha már tudjuk: milyen matematikai görbékkel írhatók le a célértéket befolyásoló tulajdonságok…

• A jövőbeli célértéket nem ismerve, az elmúlt történések/tulajdonságok a kapott matematikai képletekkel módosítva, megkapjuk a legnagyobb valószínüséggel előálló „jövőképet”

Weka

• A weka egy Új-Zélandi által fejlesztett adatbányászati keretrendszer(hiv.)

• Oktatási és kutatási célokra díjmentesen használható• Számos adatbányászati szoftver került bele

implementálásra• Döntési fák• Neurális hálók• Lineáris és logisztikus regressziós eljárások• Klaszterező eljárások

Weka-döntési fák módszertana•A döntési fa az entrópia minimalizálásával bontja részhalmazokra az eredeti halmazt

•A végső halmazokat hívjuk a fa leveleinek

váro

s

elő

reje

lzés f

oka(n

ap)

att

ribútu

m

Weath

er-

onlin

e

Om

sz%

att

ribútu

m

Weath

er-

onlin

e

Om

sz%

Bp. 1 max. hőm. 48 14 min. hőm. 51 53Bp. 2 max. hőm. 76 20 min. hőm. 71 50Bp. 3 max. hőm. 79 18 min. hőm. 69 45Bp. 4 max. hőm. 77 13 min. hőm. 70 42Bp. 5 max. hőm. 78 19 min. hőm. 66 49Bp. 6 max. hőm. 67 29 min. hőm. 61 47Bp. 7 max. hőm. 62 26 min. hőm. 49 40Szeged 1 max. hőm. 85 86 min. hőm. 80 64Szeged 2 max. hőm. 79 93 min. hőm. 81 60Szeged 3 max. hőm. 80 73 min. hőm. 75 47Szeged 4 max. hőm. 77 79 min. hőm. 74 50Szeged 5 max. hőm. 82 62 min. hőm. 75 46Győr 1 max. hőm. 86,4 86 min. hőm. 74,6 73Győr 2 max. hőm. 54,9 84 min. hőm. 58,1 73Győr 3 max. hőm. 86,8 90 min. hőm. 76,9 67Győr 4 max. hőm. 86,3 84 min. hőm. 70 71

75,275 54,75 68,85 54,8125

váro

s

előr

ejel

zés

foka

(nap

)

attr

ibút

um

Wea

ther

-onl

ine

Om

sz%

coco

%

wek

a%

OM

SZ

RM

SE

OM

SZ

MA

E

wek

a R

MS

E

wek

a M

AE

Bp. 1 sz.irány 19 5,78 3,74 4,55 3,91Bp. 1 min. hőm. 51 53 51 59Szeged 1 min. hőm. 80 64 53 59Szeged 1 szélseb. 53 54Szeged 3 szélseb. 40 59Győr 1 min. hőm. 74,6 73 54Győr 4 max. hőm. 86,3 84 70

68,85 54,8125

Az adatgyűjtés problémái:

•Gyűjtési pontatlanságok

•Különböző online felületeken való nehéz eligazodás

•Hallgatói adatgyűjtési pontatlanság

Egyazon hazai városokra vonatkoztatva ki ért el pontosabb

előrejelzést:• Az OMSZ

• Illetve az angol meteorológiai szolgálat?

•Vajon mi az oka az eltérésnek?

•Mi az oka, hogy nem teszik közzé találati arányaikat?

•Ez minőségbiztosítási és fogyasztóvédelmi problémákat vet fel?

Köszönöm a figyelmet!