【技术实现步骤摘要】
本专利技术涉及数据处理领域，特别涉及基于改进金枪鱼群算法优化gbdt对气温进行偏差订正的方法。
技术介绍
1、气温预测是气象学和环境科学领域的核心研究内容，对于了解和预测大气温度的变化具有重要意义。气温预测在多个领域中发挥着至关重要的作用，对于气象、农业、能源、建筑、健康和自然资源管理等多个领域都产生深远影响，有助于提高生活质量、降低风险和推动科学研究的进步。准确的气温预测可以帮助社会各个方面更好地应对气象变化带来的挑战。
2、数值天气预报作为现代天气预报的主流技术方法，近年来不断朝着精细化方向发展，但预报误差至今仍无法避免。近年来，人工智能技术迎来第三次发展浪潮，机器学习作为新兴方法被引入气象领域。机器学习的方法在用于包括温度、湿度、降水量等气象数据的预报的领域已经取得了不错的进步，在偏差订正领域的应用也有了一定的成果。然而机器学习的关键参数的调整极大的影响了模型的效果，如何调整参数也成为了一道难题。
技术实现思路
1、专利技术目的：针对以上问题，本专利技术目的是提供一种基于改进金枪鱼群算法优化gbdt对气温进行偏差订正的方法，解决数值天气预报中气温不准确的问题，并且可以在原有基础上进一步缩小气温预报误差值。
2、技术方案：本专利技术的一种基于改进金枪鱼群算法优化gbdt对气温进行偏差订正的方法，包括以下步骤：
3、步骤1，获取待测地历史气温实际数据和天气预报气象数据，并进行归一化处理；
4、步骤2，构建gbdt模型；
6、步骤4，筛选天气预报气象数据的天气要素，利用不同天气要素组合的数据对itso-gbdt模型进行训练，将训练之后的itso-gbdt模型作为气温预报偏差订正模型，筛选出用于气温预报偏差订正的预报要素组合；
7、步骤5，将筛选后的预报要素组合数据和时间步长输入至气温预报偏差订正模型，得到气温预报偏差订正后的结果。
8、进一步，步骤3具体包括以下步骤：
9、步骤301，初始化金枪鱼群优化算法的参数，包括种群数量、迭代次数和变量维度；设定参数 a和 z的取值， a用于确定金枪鱼在初始阶段跟随最佳个体和前一个体的程度，z为概率值且满足；
10、步骤302，初始化gbdt模型的超参数；
11、步骤303，使用cubic混沌映射初始化种群位置，计算表达式为：
12、，
13、其中，表示第次映射后的种群位置，为第个金枪鱼，是混沌映射的参数；
14、步骤304，用均方误差公式计算金枪鱼的适应值，将最小适应值对应的种群个体作为当前最优金枪鱼个体；其中均方误差公式为：
15、，
16、其中， m表示样本总数；
17、步骤305，表示第 i个样本的真实值，即历史气温实际值，表示第 i个样本气温预测值，即gbdt模型的输出值；
18、步骤306，对所有金枪鱼个体更新、和值；其中和为控制每个金枪鱼个体向莱维飞行个体和前一个金枪鱼个体移动的趋势，是随着迭代次数自适应变化参数，计算表达式分别为：
19、，
20、，
21、，
22、其中，表示迭代次数，表示最大迭代次数；
23、步骤307，产生随机数的值，满足，比较和z的相对大小，选择对应策略对金枪鱼位置进行更新；
24、步骤308，当迭代次数时，不断重复步骤304~步骤307进行迭代，直到到达最大迭代次数时输出最优个体 x，即gbdt模型的最优超参数。
25、进一步，步骤307中选择对应策略对金枪鱼位置进行更新包括：
26、策略一，当时，金枪鱼位置更新为：；其中，为第 n个金枪鱼个体次迭代后的位置，和分别为金枪鱼领域的上下界，为金枪鱼的总量；
27、策略二，当且时，金枪鱼采用抛物线觅食策略，金枪鱼位置更新为：；其中， f为随机数，取值范围；
28、策略三，当时，金枪鱼采用螺旋觅食策略，金枪鱼位置更新为：
29、，
30、其中，为当前最佳个体位置，为位置向量的维数，为个体与最优个体或随机个体的距离参数，计算表达式为：
31、，
32、其中，是均匀分布在0到1之间的随机数，是螺旋参数；为莱维飞行公式，计算表达式为：
33、，
34、其中，为常数，为从均值为0标准差为的正态分布中随机抽取的数，是从均值为0标准差为1的正态分布中随机抽取的数。
35、进一步，步骤4中的天气预报气象数据的天气要素包括气温、露点温度、降水量、10mu型风风速、10mv型风风速、地表气压以及太阳辐射值。
36、进一步，步骤4包括：
37、以6个不同天气要素为一组，将天气预报气象数据分为6组不同的组合，作为输入数据输入至itso-gbdt模型进行模型训练，且每一个输入数据中天气要素均包括气温，采用mse公式评价itso-gbdt模型的效果，将该6组作为输入数据的模型预测结果和以7个天气要素作为输入的mse比较，保留itso-gbdt模型性能最好时对应的预报要素组合，将该预报要素组合作为itso-gbdt模型的输入项。
38、进一步，gbdt模型的超参数包括学习率、基学习器个数、决策树最大深度、内部节点所需最小样本数以及叶子结点的最少样本数。
39、有益效果：本专利技术与现有技术相比，其显著优点是：
40、1、本专利技术采用了机器学习模型代替传统的线性模型，利用gbdt模型实现了对预报气温的订正，使气温得到更快速、准确的预测；
41、2、针对机器学习调参难的问题，本专利技术采用金枪鱼群优化算法对gbdt模型的超参数进行寻优，最大限度上发挥gbdt模型的性能，并针对金枪鱼群优化算法的初始收敛慢和容易陷入局部最优解的难题，采用混合策略对金枪鱼群算法改进；
42、3、由于输入模型的不同的预报天气要素组合对气温的影响是不同的，有些天气要素甚至对气温的订正产生负面影响，本专利技术采用了筛选预报要素的方法提高气温订正后的精度。
本文档来自技高网...【技术保护点】
1.基于改进金枪鱼群算法优化GBDT对气温进行偏差订正的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进金枪鱼群算法优化GBDT对气温进行偏差订正的方法，其特征在于，步骤3具体包括以下步骤：
3.根据权利要求2所述的基于改进金枪鱼群算法优化GBDT对气温进行偏差订正的方法，其特征在于，步骤307中选择对应策略对金枪鱼位置进行更新包括：
4.根据权利要求3所述的基于改进金枪鱼群算法优化GBDT对气温进行偏差订正的方法，其特征在于，步骤4中的天气预报气象数据的天气要素包括气温、露点温度、降水量、10mU型风风速、10mV型风风速、地表气压以及太阳辐射值。
5.根据权利要求4所述的基于改进金枪鱼群算法优化GBDT对气温进行偏差订正的方法，其特征在于，步骤4包括：
6.根据权利要求4或5所述的基于改进金枪鱼群算法优化GBDT对气温进行偏差订正的方法，其特征在于，GBDT模型的超参数包括学习率、基学习器个数、决策树最大深度、内部节点所需最小样本数以及叶子结点的最少样本数。
【技术特征摘要】
1.基于改进金枪鱼群算法优化gbdt对气温进行偏差订正的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进金枪鱼群算法优化gbdt对气温进行偏差订正的方法，其特征在于，步骤3具体包括以下步骤：
3.根据权利要求2所述的基于改进金枪鱼群算法优化gbdt对气温进行偏差订正的方法，其特征在于，步骤307中选择对应策略对金枪鱼位置进行更新包括：
4.根据权利要求3所述的基于改进金枪鱼群算法优化gbdt对气温进行偏差订正的方法，其...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。