[论文解读] Data Mining for Extreme Behavior with Application to Ground Level Ozone

Brook T. Russell, Daniel Cooley+3 more|arXiv (Cornell University)|Apr 30, 2015

Financial Risk and Volatility Modeling参考文献 27被引用 1

一句话总结

本文提出了一种基于正则变化的数据挖掘框架，用于分析导致极端地面臭氧事件的气象条件。通过基于优化的方法聚焦尾部分布行为，该方法识别出臭氧极端事件的关键大气预测因子，从而提高了对罕见、高影响污染事件的检测能力。

ABSTRACT

This project aims to increase understanding of the meteorological conditions which lead to extreme ground level ozone conditions. Our approach focuses only on the tail behavior by utilizing the framework of regular variation. Our approach has two parts. The rst is an optimization problem: given a set of

研究动机与目标

• 理解导致极端地面臭氧事件的气象条件。
• 开发一种专门聚焦于尾部分布行为而非完整分布建模的数据挖掘方法。
• 利用极值理论改进对罕见、高影响臭氧污染事件的检测与预测。
• 应用基于正则变化的优化框架，识别臭氧极端事件的关键大气预测因子。

提出的方法

• 本研究采用正则变化的数学框架，对臭氧和气象变量的重尾行为进行建模。
• 构建一个优化问题，以识别在臭氧分布极端尾部中最具影响力的气象预测因子组合。
• 该方法仅关注联合分布的上尾部分，避免对中心或下尾行为做出假设。
• 利用多元极值理论对极端条件下变量间的依赖结构进行建模。
• 该方法本质上是非参数的，依赖于经验尾部分布行为，而非参数分布假设。
• 优化框架选择能最大化极端臭氧事件发生概率的最相关预测因子组合。

实验结果

研究问题

• RQ1 哪些气象条件与极端地面臭氧事件关联最为紧密？
• RQ2 如何对大气变量在其联合分布极端尾部中的依赖结构进行建模？
• RQ3 基于正则变化的优化方法是否能相比传统方法提升极端臭氧事件的检测能力？
• RQ4 哪些气象变量组合最能预测分布尾部的高臭氧浓度？

主要发现

• 该框架成功识别出特定气象条件（如高温、低风速和强太阳辐射）是极端臭氧事件最具预测性的因素。
• 与标准回归模型相比，该优化方法在罕见事件场景下对极端臭氧事件的检测灵敏度更高。
• 正则变化为多个大气变量联合尾部分布行为的建模提供了稳健的数学基础。
• 该方法揭示了极端条件下预测因子之间非线性依赖关系，而线性模型则难以捕捉此类关系。
• 结果表明，最极端的臭氧事件始终与温度、湿度和风速在各自分布上尾部分布中的特定组合密切相关。
• 该框架能够识别出在重大臭氧污染事件发生前，气象变量中关键的阈值条件。