[发明专利]一种基于Stacking集成策略的沙尘暴等级预测方法

说明书

一种基于Stacking集成策略的沙尘暴等级预测方法，以循环神经网络R和卷积神经网络C作为一级分类器，将原始天气样本数据分别输入循环神经网络R和卷积神经网络C，得到对应的一级学习特征；利用Stacking集成策略，引入一个元分类器Q作为二级分类器，将所述一级学习特征组合并作为二级分类器的输入；以二级分类器的输出作为最终预测的沙尘暴等级量。本发明融合了RNN的时序数据处理能力和CNN的高维特征提取能力，具有更广泛的预测角度和更好的泛化能力，默认激活函数的选择可提升模型的灵活性和泛化能力，1*1卷积核代替全连接层，可整合更多的特征，提供更好的泛化性能，采用L2正则化和Batch‑Normalization或Dropout技术，提高了各级分类器的泛化能力以及整体分类器预测准确度和精度。

技术领域

本发明属于计算机技术领域，特别涉及一种基于Stacking集成策略的沙尘暴等级预测方法。

背景技术

沙尘暴作为一种自然灾害，在干旱和半干旱地区频发，早在距7000万年前，地球上就有沙尘暴现象。自近代以来，由于水土流失，土地荒漠化，植被破坏等环境原因，我国北方，特别是西北区域沙尘暴发生数量明显上升，沙尘暴对人们生产生活的影响越来越大。

传统的气象预报天气预报是根据气象观测资料，应用天气学、动力气象学、统计学的原理和方法，对某区域或某地点未来一定时段的天气状况作出定性或定量的预测。在先前几十年中，气象预报技术和机制得到了长足发展，但到了近期，传统方法已很久没有取得质的飞跃。随着气象信息化建设越来越完善，提高普通气象和危害性气象预测的准确率逐渐成为现今相关领域研究的热点方向。由于沙尘暴发生原因的复杂性和气象数据的数量巨大，普通的神经网络对此或难以拟合，或难以泛化。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于Stacking集成策略的沙尘暴等级预测方法，采用集成深度神经网络对沙尘暴气象等级进行建模并预测，并具体采用循环神经网络R作为一个一级分类器，采用卷积神经网络C作为另一个一级分类器，对上述一级分类器，尽可能提高其预测预测性能，即提高其特征提取能力，并提供一个能较好利用上述一级分类器R提取的时序特征和一级分类器C提取的高维数据特征的二级元分类器模型，以及提供一种有效的，能使提取的特征充分融合的集成方法。

为了实现上述目的，本发明采用的技术方案是：

一种基于Stacking集成策略的沙尘暴等级预测方法，包括：

以循环神经网络R和卷积神经网络C作为一级分类器，将原始天气样本数据分别输入循环神经网络R和卷积神经网络C，得到对应的一级学习特征；

利用Stacking集成策略，引入一个元分类器Q作为二级分类器，将所述一级学习特征组合并作为二级分类器的输入；

以二级分类器的输出作为最终预测的沙尘暴等级量。

所述原始天气样本数据通过如下方式获取：

将“中国地面气候资料日值数据集”和“中国强沙尘暴序列及其支撑数据集”根据日期整合为一个整体数据集；

将所述整体数据集进行数据清洗，属性规约等数据预处理；

将预处理的数据进行时序排列，属性从左到右展开，时序从上到下排列，并为每一个数据打上沙尘暴等级标签，最终得到原始天气样本数据。

本发明利用所述循环神经网络R提取原始天气样本数据的时序特征，利用所述卷积神经网络C提取原始天气样本数据的高维特征，用元分类器融合两个深度神经网络的优点，取得良好的泛化预测分类性能。