常规思想:
首先,如果采用一般适用性思想,如果要做一个预测系统,要先建立数学建模,然后对其进行仿真,然后将多种样本结果的规律总结出一种预测函数。
但对于有些事件,比如说天气预测,天气受到多种因素影响,以天气结果作为因变量,其自变量包含多种影响因素(气温,风速,湿度),所以其数学建模是比较不好建立的,就算建立出来了,其不确定性也比较大(因为受到多种不确定因素影响)。综上所述,对已有的样本结果推出一个替代模型。如图
这个替代模型也就是拟合函数,一般采用线性回归的方法,作为样本回归函数,但是对于天气来说,其不确定性很大,异常值会经常出现,异常值是指与其他数据明显不同的数据,它们可能会对线性回归方程的结果产生负面影响。此外,线性回归方程也受到多重共线性的影响,这意味着它可能无法准确地拟合数据。
所以我推出一种,基于高斯回归思想的天气预测系统。它的优点就是不会受到类似线性回归方程的参数的影响,就算天气波动比较大,不确定性非常强,也能相对准确预测出天气情况。
基于高斯回归思想(原来的函数模型不好推算出数据,就换成基于已有的数据,来对下一个数据进行推算)的天气预报系统:根据已有的天气数据,这些数据符合高斯分布,是一种联合正太分布,会有其期望和协方差。
其协方差公式有多种,需要的可以自行查询。如下给出一个比较常用的协方差公式。
协方差公式:COV[f(x),f(x1)]=k(x,x1)
根据这些数据和下一个数据形成条件模型。
y|D,x*,y*~N(u,∑)
这个条件模型也会趋于一种高斯分布,其高斯分布里面的期望就是下一次数据值。
u=μ(D)+K(D,X*)K(X*,X")-1(y-μ(D))。
方差就是其不确定性的衡量标准(不确定性量化的值)。
∑=K(D,D)-K(D,X*)K(X*,X*)-1K(X*,D)。
有这些数据就可以得出天气的预测,不用建立数学模型,以及仿真,而是直接根据原有数据进行下一次推测。在这里高斯分布相当于我们建立的一个拟合函数(通过高斯过程来拟合函数)。