[发明专利]基于Stacking集成学习的太阳10.7cm射电流量中期预报方法

权利要求书

1.一种基于Stacking集成学习的太阳10.7cm射电流量中期预报方法，其特征在于，包括以下步骤：

1)在原始训练集上利用K折交叉验证策略训练线性回归模型，记作CV-LReg；在原始训练集上利用K折交叉验证策略训练多层感知机模型，记作CV-MLP；

2)选择Lasso最小角回归模型作为元模型，构建训练集对其进行训练；所述的训练集的输入包括三部分，第一部分为CV-LReg在训练集上的预报值，第二部分为CV-MLP在训练集上的预报值，第三部分为原始训练集所有输入特征的平均值，输出和原始训练集的输出一致；

3)输入F10.7历史值，基于训练好的模型对未来一段时间的F10.7数据进行预报，得到预报结果。

2.根据权利要求1所述的基于Stacking集成学习的太阳10.7cm射电流量中期预报方法，其特征在于，所述的K折交叉验证为4折交叉验证。

3.根据权利要求2所述的基于Stacking集成学习的太阳10.7cm射电流量中期预报方法，其特征在于，所述的4折交叉验证策略训练模型步骤如下：首先将训练数据集随机分成4组；依次取出一组数据作为测试集，其余3组数据作为训练集训练一个子模型，得到4个子模型的组合体；若子模型为线性回归模型，则组合体记作CV-LReg；若子模型为多层感知机模型，则组合体记作CV-MLP；组合模型的预报值为4个子模型预报的平均值。

4.根据权利要求1所述的基于Stacking集成学习的太阳10.7cm射电流量中期预报方法，其特征在于，所述的Lasso最小角回归元模型设X为自变量，Y为因变量，n次取样得到观测数据的标准化值为(X,Y)，其中X为n×p矩阵，np，X的第i个观测值X_i＝(X_i1,X_i2,...,X_ip)^T与各观测值相互独立，i∈[1,2,...,n]；Y为n×1矩阵，Y＝(Y₁,Y₂,...,Y_n)^T；则Y对X的线性回归模型为y_i＝α_i＝∑β_jx_ij+ε_i，其中ε_i～N(0,σ²),对标准化的数据因此α＝0，进一步整理得到Y＝βX+ε；令约束范式表达式为s.t.∑_j|β|≤t，式中，t≥0，是一个调和参数，Lasso过程就是通过不断调整t的值，使得整体回归系数变小，压缩不显著变量的系数，直至为0。

5.根据权利要求4所述的基于Stacking集成学习的太阳10.7cm射电流量中期预报方法，其特征在于，所述的Lasso最小角回归元模型中假设为无约束最小二乘问题的解，则令约束范式表达式为采用交叉验证法来确定参数s定义统计量CV(s)＝∑(y_i-∑β_j(s)x_ij)²，CV取最小值时对应的s即为最终确定的参数。