[发明专利]基于小波去噪与Catboost的短时天气预报方法

说明书

本发明公开了一种基于小波去噪与Catboost的短时天气预报方法，包括以下步骤：S1：输入t时刻的历史气候特征数据，对由时刻t、O₁‑O_n和M₁‑M_m组成的输入数据进行数据清洗；S2：对O₁‑O_n和M₁‑M_m进行排序，剔除分值低于Q分的特征数据；S3：对待预测气候特征序列的P个站点进行one‑hot编码；对待预测气候特征序列的时间信息进行时钟投影以得到时间特征；S4：对待预测气候特征序列中的距地面2米高度处的温度、距地面2米高度处的相对湿度以及距地面10米高度处的风速进行小波去噪；S5：训练Catboost模型，将测试集输入到训练后的Catboost模型中，输出距地面2米高度处的温度、距地面2米高度处的相对湿度以及距地面10米高度处的风速的预测结果。本发明能够减少收敛时间，提高预测效率。

技术领域

本发明涉及天气预报领域，特别是涉及一种基于小波去噪与Catboost的短时天气预报方法。

背景技术

气象因素的变化(如风速、温度、湿度、降水等)都深刻地影响着人类的生活。准确预报未来气象要素，可广泛服务于人们日常生活(如穿衣着装)，交通运输(如航班起降)，农林畜牧业(如水产养殖)，致灾天气避险(如台风预警)等领域。随着地球观测卫星数量增长与气候模型日益增强，气象研究者们面临着更大规模的数据。机器学习可以在数据量增长时提升预测性能。一个高分辨率的气候模型的一次运行即可以产生千万亿字节的数据。近年发展迅速的深度学习模型也适用于天气预报中的时空序列预测问题。

目前，数值预报与基于人工智能的预报是天气预报的主要方法。对于数值天气预报方法而言，短期预报需要复杂的物理大气模型仿真。近年来，机器学习与深度学习已开始被应用于天气预报。比如，深层卷积神经网络被应用于检测气候数据集中的极端天气。多层长短期记忆(LSTM)模型也被广泛应用于时间序列问题。机器学习中基于决策树的模型，能有效地解决大数据问题，同时训练时间也较短。但是，现有技术中的利用机器学习和深度学习进行天气预报的方案部分存在模型训练收敛时间较长、影响实际预测效率的问题。

发明内容

发明目的：本发明的目的是提供一种基于小波去噪与Catboost的短时天气预报方法，能够解决现有技术中存在的“模型训练收敛时间长、影响实际预测效率”的技术问题。

技术方案：为达到此目的，本发明采用以下技术方案：

本发明所述的基于小波去噪与Catboost的短时天气预报方法，包括以下步骤：

S1：输入t时刻的历史气候特征数据，包含t时刻模式预测的特征数据M₁,…,M_m和t时刻实际观测的特征数据O₁,…,O_n，其中，m表示t时刻模式预测的特征数据的总数，n表示t时刻实际观测的特征数据的总数；对由时刻t、O₁-O_n和M₁-M_m组成的输入数据进行数据清洗；

S2：对O₁-O_n和M₁-M_m进行排序，按照重要性由高到低依次赋予以下分值：m+n分,m+n-1分,...,1分，然后剔除分值低于Q分的特征数据，Q的值预先设定；

S3：对待预测气候特征序列的P个站点进行one-hot编码，完成空间特征添加；对待预测气候特征序列的时间信息进行时钟投影以得到时间特征；

S4：对待预测气候特征序列中的距地面2米高度处的温度、距地面2米高度处的相对湿度以及距地面10米高度处的风速进行小波去噪；