文献阅读笔记

董亚

Precipitation Estimation Based on Weighted Markov Chain Model

概括

序号	研究方向	研究问题	研究方法	研究结论
1	数据处理	中长期降水预报	首先对数据平滑预处理；然后采用均值-方差法建立降水状态的分类标准；最后根据分类标准，确定历史降水状态，最终得到状态转移矩阵	略

方法/模型

• 对每年的降雨数据进行平滑预处理以消除异常值，本文采用三重移动平均线对数据进行平滑处理：$$X_i=(X_i+X_{i+1}+X_{i+2})/3$$
• 利用均值-方差法建立年降雨状态的分类标准，通常将降雨状态分为5类。
• k应该是转移步数

程序

# _*_ coding: utf-8 _*_
import numpy as np

def smoothing(data):#平滑处理
    newdata=[]
    n=len(data)-2
    for i in range(n):
        smresult=(data[i]+data[i+1]+data[i+2])/3
        newdata.append(smresult)
    return newdata

def datatostate(newdata):
    data=np.array(newdata)
    meanfdata=np.mean(data)
    stdofdata=np.std(data)
    state=[]
    for i in newdata:
        if i<(meanfdata-stdofdata):
            state.append(0)
        elif i>=(meanfdata-stdofdata) and i<(meanfdata-stdofdata*0.5):
            state.append(1)
        elif i>=(meanfdata-stdofdata*0.5) and i<(meanfdata+stdofdata*0.5):
            state.append(2)
        elif i>=(meanfdata+stdofdata*0.5) and i<(meanfdata+stdofdata):
            state.append(3)
        elif i>=(meanfdata+stdofdata):
            state.append(4)
    return state

def stpm(state):
    n=len(state)-1
    p=np.zeros((5,5),dtype=int)
    for i in range(n):
        a=state[i]
        b=state[i+1]
        if state[i]==a and state[i+1]==b:
            p[a,b]=p[a,b]+1
    return p

data=np.loadtxt("test",delimiter='\n')#数据的读取
newdata=smoothing(data)
state=datatostate(newdata)
print(state)
p=stpm(state)
print(p)
print(type(p))