我国地域广阔,所跨纬度广,海岸线长,每天都有海量的风速相关数据产生,对这些大量的历史风速相关数据进行处理成为非常重要的环节之一。气象预测中风速预测是必不可少的一项,风速预测之前就必须预先处理历史测量数据,而对风速进行聚类分析是非常重要的处理手段。由于风速具有突发性与随机性,这将给风速预测带来巨大的挑战,对风速进行聚类,针对不同类别进行具体分析,挖掘出影响风速的因素,最终能够为风速预测提供更准确的数据。首先,优化了K-medoids聚类算法的初始化过程。作为聚类算法中的经典算法之一,K-medoids算法具有对初始中心敏感,聚类准确度不高及时间复杂度大的缺点。基于此,文中提出一种优化的K-medoids算法;该算法将粒计算的思想运用于K-medoids聚类算法的初始化过程,并对选取初始中心的方法进行了改进:在选取K个初始聚类中心时,以对象之间的相似性作为判断依据,结合最大最小法初始化聚类中心,能有效地获取最佳或近似最佳的聚类中心,为下一步搜索策略的提出提供依据。然后,提出了基于微粒子动态搜索的策略。在优化的粒计算前提下,提出了基于微粒子动态搜索策略,以初始中心点作为基点,粒子内所有对象到其中心的平均距离为半径,形成一个微粒子;在微粒子内部,采用离中心点先近后远的原则进行搜索,能有效地缩小搜索范围,提高聚类准确率。实验结果表明:在UCI(University of California Irvine)不同类型的标准数据集中测试,且与其他优化的K-medoids算法比较分析,该算法在加快了收敛速度的同时保证了算法聚类的正确率。最后,将改进的算法应用到实际当中,对风速进行聚类分析,分别从一天时间段内和一个月时间段内,分析了影响风速变化的因素,为风速的预测提供可靠的参考。