一种基于集成学习的微观路段降雨量插值方法技术

本发明专利技术公开了一种基于集成学习的微观路段降雨量插值方法。所述方法通过组合多个弱学习器构建和训练具有强稳健性的集成插值模型，解决了现有技术中仅采用单一插值方法导致插值结果不准确、不全面的问题，实现时空插值计算，进而提高微观路段降雨量估算的精度。本发明专利技术保证了弱学习器的多样性，综合了不同模型的优点，减小了插值偏差，提高了插值精度，有效避免了单一模型导致的插值结果准确性差、稳定性不高的问题。

【技术实现步骤摘要】

本专利技术涉及降雨量估计，具体涉及一种基于集成学习的微观路段降雨量插值方法。

技术介绍

1、降雨天气下，道路通行能力会受到损失，路段具体降雨量的估计对于制定应急交通管控措施，防止交通拥堵、交通事故等一系列问题的发生具有重要的指导意义。但是区域内，不同位置处的道路实际降雨量不同，由于气象观测站部署的限制，气象观测站降雨数据往往不足以直接用于分析道路的降雨情况。

2、气象观测站点覆盖多边形内路段总长度长，且距离中心观测站距离远。经统计，各站点覆盖多边形内的路段总长集中于30-80千米，多边形内路段总长度甚至可达200千米，各路段与站点相距较远，间距集中于1千米，距离观测站最远距离甚至达到了5千米以上。因此，当分析降雨对城市道路交通的影响时，如简单使用均值来表示整个区域内所有道路的情况，分析的精度以及分析的效果将受到影响。

3、传统的降雨量插值方法包括基于空间距离的方法、基于不规则三角网的方法和各种基于克里金的方法，但是单个模型都各有局限，同时，由于气象的地方性特点，不同时间、空间尺度下的最优估计模型往往不同，这一问题也就导致了各模型的适本文档来自技高网...

【技术保护点】

1.一种基于集成学习的微观路段降雨量插值方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于集成学习的微观路段降雨量插值方法，其特征在于，步骤S1中，除考虑文献常用的日、月时间统计单元外，发挥研究数据集细粒度特点，以分析时段内最大降雨小时为中心，增加考虑最大降雨1小时、最大降雨3小时两类统计时间窗口，选择不同降雨时段统计长度构建降雨事件库。

3.根据权利要求1所述的一种基于集成学习的微观路段降雨量插值方法，其特征在于，步骤S2中，基于区域均值模型、基于空间距离选取最近邻算法和反距离加权算法、基于不规则三角网选取线性插值和三次样条插值模型、基于克里金选...

【技术特征摘要】

1.一种基于集成学习的微观路段降雨量插值方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于集成学习的微观路段降雨量插值方法，其特征在于，步骤s1中，除考虑文献常用的日、月时间统计单元外，发挥研究数据集细粒度特点，以分析时段内最大降雨小时为中心，增加考虑最大降雨1小时、最大降雨3小时两类统计时间窗口，选择不同降雨时段统计长度构建降雨事件库。

3.根据权利要求1所述的一种基于集成学习的微观路段降雨量插值方法，其特征在于，步骤s2中，基于区域均值模型、基于空间距离选取最近邻算法和反距离加权算法、基于不规则三角网选取线性插值和三次样条插值模型、基于克里金选取简单克里金和普通克里金插值模型共七种插值模型构建基学习器，其中通过区域均值模型对比其他各模型的效果。

4.根据权利要求1所述的一种基于集成学习的微观路段降雨量插值方法，其特征在于，步骤s3中，选取一种融合模型作为元学习器，包括线性回归模型、岭回归模型、lasso回归模型或logistic回归模型。

5.根据权利要求1所述的一种基于集成学习的微观路段降雨量插值方法，其特征在于，步骤s3中，选取...

【专利技术属性】
技术研发人员：林永杰，吕端雅，杨生娇，卢凯，赖成光，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：