极端天气情况一直困扰着人们的工作和生活。部分企业或者工种对极端天气的要求不同，但是目前主流的天气推荐系统是直接将天气信息推送给全部用户。这意味着重要的天气信息在用户手上得不到筛选，降低用户的满意度，甚至导致用户的经济损失。我们计划开发一个基于图神经网络的天气靶向模型，根据用户的历史交互行为，判断不同天气对他的利害程度。如果有必要，则将该极端天气情况推送给该用户，让其有时间做好应对准备。该模型能够减少不必要的信息传递，提高用户的体验感。 模型介绍 （一）数据集共有三个txt文件，分别是user.txt，weather.txt，rating.txt。这些文件一共包含900名用户，1600个天气状况，95964条用户的历史交互记录。 （1）user.txt 用户的信息记录在user.txt中。格式如下： 用户ID\t年龄\t性别\t职业\t地理位置 （2）weather.txt 天气的信息记录在weather.txt中。格式如下： 天气ID\t天气类型\t温度\t湿度\t风速 （3）rating.txt 用户的历史交互记录在rating.txt中。格式如下： 用户ID\t天气ID\t评分

LSTM 多变量预测，天气等影戏因素，可以执行，完全可以执行，思想也很简单

神经网络预测天气的气温数据集，包括了：year,moth,day,week分别表示的具体的时间；temp_2：前天的最高温度值；temp_1：昨天的最高温度值；average：在历史中，每年这一天的平均最高温度值；actual：这就是我们的标签值了，当天的真实最高温度；friend：这列用不到暂不用管

使用贝叶斯方法预测天气状况，运用Matlab软件来实现，通过天气的好坏来预测今天是否需要出去打球

温度预测是当今世界最重要和最具挑战性的任务之一。 温度预测是气象学家试图预测未来某个时间的大气状态。 本文介绍了使用历史数据集进行天气预报的研究。 由于大气格局是复杂的非线性系统，传统方法效率不高。 人工神经网络是解决此类问题的一种有影响力的方法。 提议的人工神经网络通过应用不同的传递函数、隐藏层和神经元来预测一年 365 天的温度来评估开发模型的性能。 用于适当模型选择的标准是均方误差 (MSE)。 与类似的研究相反，论文中建议的数据模型和工作流程产生了较小的 MSE（即更准确的结果），同时降低了计算复杂性（即更好的性能）。

year month day week temp_2 temp_1 average actual friend 0 2016 1 1 Fri 45 45 45.6 45 29 1 2016 1 2 Sat 44 45 45.7 44 61 2 2016 1 3 Sun 45 44 45.8 41 56 3 2016 1 4 Mon 44 41 45.9 40 53 4 2016 1 5 Tues 41 40 46.0 44 41 以上是实例，资源包完整

使用机器学习预测天气 使用多项式Lo​​gistic回归，决策树，朴素贝叶斯多项式和支持向量机进行天气预报 资料集 我们的数据集如下所示，是我们从收集的 我们拥有过去30年[1988-2017]的天气数据。训练和测试集分为两个部分，其中两个类别的数据分别占70％和30％。 参数： 天 月 年 湿度（％） 最高温度（单位⁰C） 最低温度（inC） 雨量（毫米） 海平面压力（以MB为单位） 阳光（小时） 风速（结） 云（在okta中） 训练和测试模型的准确性： 模型 训练准确率（％） 测试精度（％） 逻辑回归 74.2 76.9 决策树 76.8 74.05 多项式N

大数据模型预测未来天气数据集.zip

机器学习预测天气-逻辑回归-线性回归

神经网络预测天气的气温数据集，包括了：year,moth,day,week分别表示的具体的时间；temp_2：前天的最高温度值；temp_1：昨天的最高温度值；average：在历史中，每年这一天的平均最高温度值；actual：这就是我们的标签值了，当天的真实最高温度；friend：这列用不到暂不用管