基于Weka的江蘇13個(gè)地級市溫度聚類分析

孫濤+高軍暉

摘 要：該文利用機(jī)器學(xué)習(xí)軟件Weka，對江蘇13個(gè)地級市的溫度數(shù)據(jù)進(jìn)行聚類分析研究。我們的數(shù)據(jù)來自中國氣象數(shù)據(jù)網(wǎng)，采用1981—2010年日平均氣溫。我們在Weka中分別用HierarchicalCluster、SimpleKMeans、Cobweb三種方法按3個(gè)簇進(jìn)行聚類。從三種聚類方法得出的結(jié)果來看，第1、2種方法結(jié)果更加相近，第3種方法更加細(xì)致，導(dǎo)致每個(gè)情況各成一類。對照溫度聚類的結(jié)果和城市之間的空間距離，蘇北城市之間的溫度互相之間更加靠近，蘇中、蘇南城市由于處于長江兩側(cè)，互相之間溫度也更加靠近。

關(guān)鍵詞：聚類分析 Weka 城市溫度

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-098X（2016）07（c）-0092-03

氣溫是重要的氣候指標(biāo)，對人類的生產(chǎn)生活狀況以及農(nóng)業(yè)生產(chǎn)都有著非常重要的影響，并且在自然科學(xué)領(lǐng)域中建立的諸多氣候模型中，氣溫已經(jīng)成為一個(gè)不可或缺的影響因素，因此有關(guān)氣溫空間分布規(guī)律的研究一直都是地理、氣象、生態(tài)等研究和應(yīng)用領(lǐng)域廣泛關(guān)注的熱點(diǎn)問題之一[1]。影響氣溫分布的主要因素包括：宏觀的地理?xiàng)l件，觀測點(diǎn)的海拔高度、地形（坡向、坡度等）、下墊面性質(zhì)等，其中尤以海拔高度和地形的影響最顯著[2]。

聚類分析是數(shù)據(jù)挖掘的重要研究內(nèi)容[3，4]，是計(jì)算機(jī)科學(xué)中較為前沿的研究方式，因?yàn)榈乩?、氣象等?shù)據(jù)有時(shí)間性和空間性并具的特點(diǎn)，所以聚類分析方法在地理數(shù)據(jù)研究上從傳統(tǒng)上的空間聚類發(fā)展成帶有時(shí)間性質(zhì)的時(shí)空聚類，其中代表性的聚類分析方法有基于密度的，有基于層次的，還有基于劃分的，比如FCM算法[5，6]，在聚類分析與地理結(jié)合研究這方面，國外學(xué)者如Bilgin T T等對土耳其的氣象站每日的溫度數(shù)據(jù)進(jìn)行了聚類分析，得到趨勢相同的溫度區(qū)域，從而根據(jù)土耳其的氣溫特性進(jìn)行氣象區(qū)域劃分[7]；Moller-Levet等[8]利用模糊c均值聚類算法對短時(shí)間序列進(jìn)行了聚類[9]。

1 數(shù)據(jù)來源

該文所有數(shù)據(jù)均來自中國氣象數(shù)據(jù)網(wǎng)[10]，使用的溫度為1981—2010年日平均氣溫，單位：℃。

獲取數(shù)據(jù)時(shí)，共有9列數(shù)據(jù)，分別是城市、日序、累年日平均氣溫、累年平均日最高氣溫、累年平均日最低氣溫、累年日平均水汽壓、累年20-20時(shí)日降水量、累年08-08時(shí)日降水量、累年日平均風(fēng)速。

該文基于平均氣溫做數(shù)據(jù)分析，時(shí)間是365天，城市為江蘇省13所地級市。數(shù)據(jù)采集時(shí)的城市排序?yàn)椋簾o錫、蘇州、常州、徐州、連云港、鹽城、淮安、南京、揚(yáng)州、泰州、南通、宿遷、鎮(zhèn)江。

由于部分地級市數(shù)據(jù)并未給出，所以，該文中的數(shù)據(jù)由地理位置最近的相關(guān)縣級市或區(qū)的數(shù)據(jù)代替，常州數(shù)據(jù)由金壇代替，宿遷數(shù)據(jù)由宿豫代替，鎮(zhèn)江數(shù)據(jù)由丹陽代替，南通數(shù)據(jù)由于本身產(chǎn)生時(shí)間分段難以處理，由通州代替。

2 聚類分析介紹

我們這里借用MBA智庫百科[11]來描述聚類分析。聚類分析，英文Cluster Analysis，是根據(jù)“物以類聚”的道理，對樣品或指標(biāo)進(jìn)行分類的一種多元統(tǒng)計(jì)分析方法。它們討論的對象是大量的樣品，要求能合理地按各自的特性來進(jìn)行合理的分類，沒有任何模式可供參考或依循，即是在沒有先驗(yàn)知識的情況下進(jìn)行的。聚類分析起源于分類學(xué)，在古老的分類學(xué)中，人們主要依靠經(jīng)驗(yàn)和專業(yè)知識來實(shí)現(xiàn)分類，很少利用數(shù)學(xué)工具進(jìn)行定量的分類。隨著人類科學(xué)技術(shù)的發(fā)展，對分類的要求越來越高，以致有時(shí)僅憑經(jīng)驗(yàn)和專業(yè)知識難以確切地進(jìn)行分類，于是人們逐漸地把數(shù)學(xué)工具引用到了分類學(xué)中，形成了數(shù)值分類學(xué)，之后又將多元分析的技術(shù)引入到數(shù)值分類學(xué)形成了聚類分析。

聚類是將數(shù)據(jù)分類到不同的類或者簇的一個(gè)過程，所以同一個(gè)簇中的對象有很大的相似性，而不同簇間的對象有很大的相異性。聚類分析的目標(biāo)就是在相似的基礎(chǔ)上收集數(shù)據(jù)來分類。聚類源于很多領(lǐng)域，包括數(shù)學(xué)、計(jì)算機(jī)科學(xué)、統(tǒng)計(jì)學(xué)、生物學(xué)和經(jīng)濟(jì)學(xué)。在不同的應(yīng)用領(lǐng)域，很多聚類技術(shù)都得到了發(fā)展，這些技術(shù)方法被用作描述數(shù)據(jù)，衡量不同數(shù)據(jù)源間的相似性，以及把數(shù)據(jù)源分類到不同的簇中。

聚類分析計(jì)算方法主要有如下幾種：分裂法（partitioning methods），層次法（hierarchical methods），基于密度的方法（density-based methods），基于網(wǎng)格的方法（grid-basedmethods），基于模型的方法（model-based methods）。

3 數(shù)據(jù)分析方法

Weka[12]的全名是懷卡托智能分析環(huán)境（Waikato Environment for Knowledge Analysis），是一款免費(fèi)的、非商業(yè)化的、基于JAVA環(huán)境下開源的機(jī)器學(xué)習(xí)以及數(shù)據(jù)挖掘軟件。Weka作為一個(gè)公開的數(shù)據(jù)挖掘工作平臺，集合了大量能承擔(dān)數(shù)據(jù)挖掘任務(wù)的機(jī)器學(xué)習(xí)算法，包括對數(shù)據(jù)進(jìn)行預(yù)處理，分類，回歸、聚類、關(guān)聯(lián)規(guī)則以及在新的交互式界面上的可視化。選擇HierarchicalCluster聚類方法，操作流程如下[13]：

加載天氣-江蘇.csvs數(shù)據(jù)集，切換到Cluster選項(xiàng)卡，單擊Choose按鈕，在打開的算法選擇對話框中，選擇HierarchicalCluster聚類算法。

設(shè)置相似度度量方法。單擊Choose按鈕后面的算法文本框，在設(shè)置算法屬性對話框中，設(shè)置距離函數(shù)distanceFu nction為歐氏距離EuclideanDistance，設(shè)置num集群nu mClusters為3。

在Cluster mode面板中選擇Use training set選項(xiàng)，單擊Start按鈕執(zhí)行挖掘，結(jié)果如表1所示。

在Result-list（right-click for options）列表中選擇本次訓(xùn)練條目，右擊，從彈出的快捷菜單中選擇Visualize tree命令，打開分層聚類樹，如圖1所示。

從空間角度看，蘇北城市之間的溫度互相之間更加靠近，蘇中、蘇南城市由于處于長江兩側(cè)，互相之間溫度也更加靠近，靠近太湖的幾個(gè)城市中，只有蘇州市一個(gè)離群值，推測有由于蘇州的地理位置在長江和太湖之間，以及蘇州市內(nèi)湖泊較多使得溫度產(chǎn)生了偏離。

4 討論

考慮到不同的聚類方法結(jié)果可能不一樣，我們有必要選擇其他的方法進(jìn)行聚類。

使用Weka中的SimpleKMeans聚類方法。與第1 種方法相比，加入了隨機(jī)種子，數(shù)量為3。其他參數(shù)如下： displayDevs：False，distanceFunction：EuclideanDist ance -Rfirst-last，dontReplaceMissingValues： False，maxTterations：500，numClusters：3，preserveInstancesOrder：False。得到的聚類結(jié)果如表2所示。

使用Cobweb聚類方法。與第1種方法相比，加入了隨機(jī)

種子，數(shù)量為3。其他參數(shù)如下：acuity：1.0，cuteoff：0.002

8209479177387815，saveInstanceData：False。結(jié)果與前面兩種方法有很大的差別。除了無錫、泰州、南通、鎮(zhèn)江4個(gè)城市在一個(gè)簇里面，其他9個(gè)城市分別形成一個(gè)簇。圖2是對應(yīng)的聚類樹。

從三種聚類方法得出的結(jié)論看，第1、2種方法結(jié)果更加相近，第3種方法更加細(xì)致，導(dǎo)致每個(gè)情況各成一類。

5 結(jié)語

該文利用機(jī)器學(xué)習(xí)軟件Weka，對江蘇13個(gè)地級市的溫度數(shù)據(jù)進(jìn)行聚類分析研究。

首先回顧了其他學(xué)者對氣候數(shù)據(jù)進(jìn)行聚類分析的工作，接著，我們分別描述了數(shù)據(jù)來源和聚類分析的原理。在數(shù)據(jù)分析部分，我們用HierarchicalCluster進(jìn)行聚類分析，指定3個(gè)簇。得到的結(jié)果是無錫、常州、南京、揚(yáng)州、泰州、南通、鎮(zhèn)江7個(gè)城市在一個(gè)簇里面，徐州、連云港、鹽城、淮安、宿遷5個(gè)城市在一個(gè)簇里面，蘇州單獨(dú)在一個(gè)簇里面。

考慮到不同的聚類方法結(jié)果可能不一樣，我們在討論部分還利用SimpleKMeans、Cobweb兩種方法對同樣的數(shù)據(jù)進(jìn)行聚類。我們發(fā)現(xiàn)第1、2種方法結(jié)果更加相近，第3種方法更加細(xì)致，導(dǎo)致每個(gè)情況各成一類。

對照溫度聚類的結(jié)果和城市之間的空間距離，蘇北城市之間的溫度互相之間更加靠近，蘇中、蘇南城市由于處于長江兩側(cè)，互相之間溫度也更加靠近。

參考文獻(xiàn)

[1] 曾燕，邱新法，何永健，等.復(fù)雜地形下黃河流域平均氣溫分布式模擬[J].中國科學(xué)，2009，39（6）：774-786.

[2] 袁淑杰，谷曉平，廖啟龍，等，貴州高原復(fù)雜地形下月平均日最高氣溫分布式模擬[J].地理學(xué)報(bào)，2009，64（7）：888-896.

[3] 馮立娟.基于Web數(shù)據(jù)挖掘的推薦系統(tǒng)算法研究[D].河北：河北工程大學(xué)，2014.

[4] 屈家安，曹杰.主成分分析與聚類分析在青島夏季氣溫變化研究中的應(yīng)用[J].大氣科學(xué)學(xué)報(bào)，2014，37（4）：517-520.

[5] Dunn J.C.Well-separated clusters and the optimal fuzzy partitions[J].Cybernet，1974（4）：95-105.

[6] Bezdek J.C.Pattern recognition with fuzzy objective function algorithns[J].Plenum Press，1981，22（1171）：203-209.

[7] Bilgin T T，Camuren A Y.A Data Ming Application on Air Temperature DataBase[J].Lecture Notes in Computer Science，2005（3261）：68-76.

[8] C S Moller levet，F(xiàn) Klawonn，KH Cho，et al.Fuzzy clustering of short time-series and unevenly distributed sampling points[C]//Proceedings of the 5th International Symposium on Intelligent Data Analysis.2003.

[9] 謝娟英，蔣帥，王春霞，等.一種改進(jìn)的全局K-均值聚類算法[J].陜西師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，38（2）：18-22.

[10] 聚類分析[EB/OL].http：//wiki.mbalia.com/wiki/.

[11] 氣候數(shù)據(jù)源：http：//data.cma.cn/.

[12] Weka 3：Date Mining Software in Java [EB/OL].http：//www.cs.waikato.ac.nz/ml/weka/.

[13] 戴紅，常子冠，于寧.數(shù)據(jù)挖掘?qū)д揫M].清華大學(xué)出版社，2015.