降雨是气候系统中的一个关键现象，其混乱的性质对水资源规划、农业和生物系统有直接影响。在金融领域，一段时间内的降雨量对于估计金融证券的价值至关重要。在这项研究中，我们评估了在天气衍生品的背景下用于降雨预测的七种机器学习方法。

回归问题在机器学习和更广泛的智能系统领域提供了一些最具挑战性的研究机会，其中一些目标变量的预测对特定应用至关重要。降雨就是一个很好的例子，因为它表现出在其他时间序列数据中不存在的高波动性和混沌模式的独特特征。这项工作的主要影响是展示了机器学习算法的好处，更广泛的智能系统比目前最先进的降雨预测技术在降雨衍生品中。我们应用并比较了当前最先进的(马尔可夫链扩展到降雨预测)和其他六种流行的机器学习算法的预测性能，即:遗传规划，支持向量回归，径向基神经网络，M5规则，M5模型树和k-最近邻。为了协助广泛的评估，我们使用42个气候特征非常不同的城市的数据集的降雨时间序列进行了测试。这一彻底的检查表明，机器学习方法能够超越目前最先进的技术。这项工作的另一个贡献是检测不同气候和预测准确性之间的相关性。因此，这些结果表明，基于机器学习的智能系统对基于预测准确性和跨气候存在的最小相关性的降雨预测具有积极影响。

这项研究已发表在专家系统与应用它是Sam Cramer、Michael Kampouridis博士、Alexa . Freitas教授和Antonis K. Alexandridis博士的合作成果．