基于C4.5决策树算法的天气预警系统的手机终端设计

doi:10.3724/SP.J.1087.2013.01467

计算机应用 ›› 2013, Vol. 33 ›› Issue (05): 1467-1481.DOI: 10.3724/SP.J.1087.2013.01467

基于C4.5决策树算法的天气预警系统的手机终端设计

唐慧强,杭丽娜,范海娟

南京信息工程大学信息与控制学院，南京 210044

收稿日期:2012-11-21 修回日期:2013-01-09 出版日期:2013-05-01 发布日期:2013-05-08
通讯作者: 杭丽娜
作者简介:唐慧强(1965-)，男，浙江嘉兴人，教授，博士生导师，主要研究方向：智能仪器及气象仪器、无线传感器网络；杭丽娜(1988-)，女，江苏丹阳人，硕士研究生，主要研究方向：智能仪器；范海娟(1988-)，女，江苏如皋人，硕士研究生，主要研究方向：智能仪器。

Design of mobile phone terminal of weather warning system based on C4.5 decision tree

TANG Huiqiang,HANG Lina,FAN Haijuan

School of Information and Control，Nanjing University of Information Science and Technology,Nanjing Jiangsu 210044,China

Received:2012-11-21 Revised:2013-01-09 Online:2013-05-08 Published:2013-05-01
Contact: HANG Lina

摘要/Abstract

摘要： 为满足现代社会对气象预警预报服务的需求，研发了Android系统平台下实时天气预测和异常天气预警系统。根据决策树算法中的C4.5算法，解决天气预警分类问题。该方法通过提取训练样本中最大增益率属性作为属性特征建立决策树，经剪枝后得到天气预警评估的决策树模型，并对此模型进行分析和应用。实验结果表明这种方法在分类评估准确率上具有优势，分类正确率达到85.8%.

关键词: Web Service, 天气预报, 决策树, C4.5算法, 剪枝, 警报

Abstract: In order to meet the needs of modern society for weather forecast and early warning service, a real-time weather forecast and abnormal weather early warning system was researched and implemented in the Android system. Based on the decision tree algorithm of C4.5 algorithm, the warning classification problem was resolved. By means of extracting the attributes with maximum gain rate as the features of training sample, a decision tree was built. A model of decision tree was got by the pruning weather warning evaluation and analysis and application were made on this model. The experimental results show that this method has advantages in the assessment of classification accuracy, with correct classification rate up to 85.8%.

Key words: Web Service, weather forecast, decision tree, C4.5 algorithm, pruning, alert

中图分类号:

TP301.6

唐慧强杭丽娜范海娟. 基于C4.5决策树算法的天气预警系统的手机终端设计[J]. 计算机应用, 2013, 33(05): 1467-1481.

TANG Huiqiang HANG Lina FAN Haijuan. Design of mobile phone terminal of weather warning system based on C4.5 decision tree[J]. Journal of Computer Applications, 2013, 33(05): 1467-1481.

[1]	张明明, 卢庆宁, 李文中, 宋浒. 基于联合动态剪枝的深度神经网络压缩算法[J]. 计算机应用, 2021, 41(6): 1589-1596.
[2]	郭文旭, 苏远歧, 刘跃虎. 基于ZYNQ平台的YOLOv3压缩和加速[J]. 计算机应用, 2021, 41(3): 669-676.
[3]	王雅辉, 钱宇华, 刘郭庆. 基于模糊优势互补互信息的有序决策树算法[J]. 计算机应用, 2021, 41(10): 2785-2792.
[4]	周翔, 翟俊海, 黄雅婕, 申瑞彩, 侯璎真. 基于随机森林和投票机制的大数据样例选择算法[J]. 计算机应用, 2021, 41(1): 74-80.
[5]	王忠锋, 徐志远, 宋纯贺, 张宏宇, 蔡颖凯. 基于梯度的深度网络剪枝算法[J]. 计算机应用, 2020, 40(5): 1253-1259.
[6]	陈程军, 毛莺池, 王绎超. 基于激活-熵的分层迭代剪枝策略的CNN模型压缩[J]. 计算机应用, 2020, 40(5): 1260-1265.
[7]	谢斌红, 钟日新, 潘理虎, 张英俊. 结合剪枝与流合并的卷积神经网络加速压缩方法[J]. 计算机应用, 2020, 40(3): 621-625.
[8]	赵一, 段兴, 谢仕义, 梁春林. 面向特定目标自识别的交通图像语义检索方法[J]. 计算机应用, 2020, 40(2): 553-560.
[9]	巩凯强, 张春梅, 曾光华. 卷积神经网络模型剪枝结合张量分解压缩方法[J]. 计算机应用, 2020, 40(11): 3146-3151.
[10]	王伟, 谢耀滨, 尹青. 针对不平衡数据的决策树改进方法[J]. 计算机应用, 2019, 39(3): 623-628.
[11]	莫赞, 盖彦蓉, 樊冠龙. 基于GAN-AdaBoost-DT不平衡分类算法的信用卡欺诈分类[J]. 计算机应用, 2019, 39(2): 618-622.
[12]	杜媛, 张世伟. 基于重构的改进自然排序树算法[J]. 计算机应用, 2019, 39(2): 441-445.
[13]	郭冰楠, 吴广潮. 基于改进的代价敏感决策树的网络贷款分类[J]. 计算机应用, 2019, 39(10): 2888-2892.
[14]	颜宏文, 盛成功. 基于层次聚类和极限学习机的母线短期负荷预测[J]. 计算机应用, 2018, 38(8): 2437-2441.
[15]	折蓉蓉, 张丽萍, 侯敏, 闫盛. 基于决策树推荐克隆重构的方法[J]. 计算机应用, 2018, 38(7): 2037-2043.

基于C4.5决策树算法的天气预警系统的手机终端设计

Design of mobile phone terminal of weather warning system based on C4.5 decision tree

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics