[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

说明书

本发明提供了一种基于Stacking集成学习的太阳10.7cm射电流量中期预报方法，首先应用线性回归和多层感知机作为基准模型对F10.7进行预报，然后应用Stacking学习策略将多个模型预报结果进行整合，利用Lasso最小角回归方法融合基准模型的预报值得出最终的预报结果。本发明有效规避了每个单一模型的缺点，得到了准确率更高、鲁棒性更强的预报结果；采用Lasso最小角回归方法作为元模型，自动忽略贡献度低的特征以突出最重要的特征，在一定程度上避免过拟合问题的出现，使得预报结果优于其它元模型。

技术领域

本发明属于空间环境参数预报领域，适用于太阳10.7cm射电流量的中期预报。

背景技术

太阳活动及其近地空间环境对人类的生存环境有着广泛的影响。近年来，随着人类科学技术的不断进步及信息化水平的持续提高，各种技术系统之间的耦合性日益增强，而太阳活动造成航天器、电力系统、通信装备、雷达及导航装备异常或故障的事件屡见不鲜。因此，对太阳活动的预报逐渐发展成为一项空间环境研究领域的热点课题。

太阳10.7cm射电流量(以下简称F10.7)与太阳活动密切相关，是衡量太阳活动的典型参数，也是太阳活动影响地球环境预报的一个重要指数(王歆.基于深度学习的太阳10.7cm射电流量日值的中期预报[J].飞行器测控学报.2017，36(2):118-122.)。F10.7指波长为10.7cm的太阳射电发射量，隶属厘米波段的太阳缓变射电，是日面上所有源区总射电辐射流量值，它是综合衡量太阳色球、过渡区和日冕极紫外辐射强度的一种常用指数(刘四清,钟秋珍,温靖,等.太阳10.7cm射电流量中期预报模型研究(Ι).空间科学学报,2010,30(1):1-8)，在大气模型研究中多用F10.7指数作为太阳活动的表征量。因此，F10.7指数的预报成为空间环境参数预报，特别是大气密度预报中的重要研究内容。

F10.7指数预报的难点在于预报精度的提高及应用场景的拓展。长期以来，国内外学者开展了多种用于F10.7预报的技术及方法研究，如傅立叶分析法、曲线拟合法、气象法、先兆法、神经网络法和人工智能法等(焦焱.基于McNish-Lincoln线性回归技术的F10.7cm射电流量预报方法比较[J].空间环境.2004,1:56-63；张勤.10.7cm射电流量月平均变化的动力行为和可预报性研究[J].天体物理学报.1993,13(1):67-72；钟秋珍,刘四清,何卷雄,等.奇异谱分析在太阳10.7cm射电流量中期预测中的应用[J].空间科学学报.2005,25(3):199-204)。各种技术及方法均各有利弊，但大多有其各自的局限性，普遍存在精度不够，泛化性不高的缺点。

发明内容

为了克服现有技术的不足，本发明提供一种基于Stacking集成学习的太阳10.7cm射电流量中期预报方法，首先应用线性回归和多层感知机作为基准模型对F10.7进行预报，然后应用Stacking学习策略将多个模型预报结果进行整合，利用Lasso最小角回归方法融合基准模型的预报值得出最终的预报结果。本发明能够有效整合不同基准模型的优势，其预报性能明显好于单个基准模型。

本发明解决其技术问题所采用的技术方案包括以下步骤：

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。

所述的K折交叉验证为4折交叉验证。