[发明专利]一种基于梯度提升回归GBR模型的气温数据空间插值方法

权利要求书

1.一种基于梯度提升回归GBR模型的气温数据空间插值方法，其特征在于，本方法包括气温数据采集模块、数据清洗模块、特征缩放模块、梯度提升回归GBR训练模块和格点化应用模块，具体按以下步骤执行：

S1：首先通过气温数据采集模块采集气象局地面自动观测站最新时次的气温数据；

S2：通过数据清洗模块筛除掉异常数据；

S3：引入经度、纬度、海拔高度作为特征值，用来训练气温和各个特征值之间的相关关系，特征值缩放模块对特征值进行缩放；

S4：以站点数据的特征值及其对应的气温数据作为训练样本，代入梯度提升回归算法，经过多次迭代训练得到最终的GBR模型；

S5：首先将每个格点的经度、纬度、海拔高度等固定信息作为特征值缩放，再基于步骤S4输出的GBR模型得到每个格点上特征值所对应的气温数值，最终将格点化的气温数据输出。

2.根据权利要求1所述的一种基于梯度提升回归GBR模型的气温数据空间插值方法，其特征在于，在步骤S1中，自动气象站观测的最高频次为5分钟，数据采集模块每5分钟刷新采集最新气温数据。

3.根据权利要求1所述的一种基于梯度提升回归GBR模型的气温数据空间插值方法，其特征在于，在步骤S2中，首先结合大气温度变化特征设定一定阈值将极端不合理的异常数据筛除，再在数据清洗模块中分别采用时间一致性和空间一致性两种筛选机制筛除掉除极端值外的不可信样本；

时间一致性筛选机制，获取到的最新气温数据将与上个时次相同站点气温作差，差值大于所有样本的n倍标准差时将被剔除，即满足下列情况的样本将被剔除，如式(1)：

abs(xⁱ(t)-xⁱ(t-1))＞n*σ_x 式(1)

其中t表示时间，i表示站点编号，σ_x代表所有样本的标准差，

空间一致性筛查机制将筛除掉与周围气温相差较大的异常站点数据，即采集到某站点气温数据后，先基于站点分布信息选取周围k个最近点，并计算该站点与周围k个站点的平均气温差，若高于所有样本的气温标准差，则对该站点进行剔除，具体如下如式(2)；

其中i表示站点编号，l表示周围站点编号，代表周围k个站点的平均值，σ_x代表所有样本的标准差。

4.根据权利要求1所述的一种基于梯度提升回归GBR模型的气温数据空间插值方法，其特征在于，在步骤S3中，引入经度、纬度、海拔高度作为特征值，用来训练气温和各个特征值之间的相关关系，特征值在训练前需进行特征缩放，具体方法如下所示，特征缩放后的特征值将会帮助步骤S4模型更快地收敛，具体如式(3)。

其中其中i表示样本点编号，j表示特征值编号，μ代表平均值。

5.根据权利要求1所述的一种基于梯度提升回归GBR模型的气温数据空间插值方法，其特征在于，在步骤S4中，在梯度提升回归训练模块中，梯度提升回归算法GBR将首先根据最终的输出形式给出一个虚假的初猜场，其后将以站点数据的特征值及其对应的气温数据作为训练样本，在所有样本上经过多次迭代获得最终的模型结果，该算法在每一轮迭代中，首先计算出当前模型在所有样本上的负梯度，然后以该值为目标拟合出一个新的弱回归器并计算出该弱回归器的权重，从而实现对模型的更新，具体实现方式如下：

S4.1:初始化模型函数如式(4)：

S4.2:使用损失函数负梯度在当前模型F_m-1(x)上的值近似代替残差,如式(5)

S4.3:使用基学习器h(x)拟合近似的残差值，如式(6)

S4.4:计算最优的参数γ，如式(7)；

S4.5:最终更新模型如式(8)；

F_m(x)＝F_m-1(x)+γh(x) 式(8)。

6.根据权利要求5所述的一种基于梯度提升回归GBR模型的气温数据空间插值方法，其特征在于，在梯度提升回归训练模块中串行地生成多个弱回归器，每个回归器的目标是拟合先前累加模型的损失函数负梯度，使其加上该弱回归器后的累积模型的损失函数减少。