[发明专利]基于GBDT+LR模型的冰雹和短时强降水预报方法

权利要求书

1.一种基于GBDT+LR模型的冰雹和短时强降水预报方法，包括以下步骤：

S1，原始数据获取：获取某一地区往年每年3月至9月冰雹和短时强降水发生前三小时的地面气象观测站点数据，获取该地区上游的多个探空站点数据；

S2，通过SMOTE过采样算法对上述数据中数据量相对较小的冰雹过程数据进行扩充，得到过采样后的数据集；

S3，采用PCA方法对所述过采样后的数据集进行降维；

S4，数据集的划分：将降维后的数据集中的样本划分为训练集和测试集；

S5，构建GBDT+LR模型，将GBDT模型的叶节点所提取的特征作为LR模型的输入特征，通过所述训练集和测试集的样本对GBDT+LR模型进行训练和测试；

S6，采集所述地区待预测时间点之前三小时的地面气象观测站点数据，获取该地区上游的多个探空站点数据；

S7，将S6中的数据经PCA降维后代入训练好的GBDT+LR模型，判定所述预测时间点出现的是冰雹还是短时强降水。

2.根据权利要求1所述的冰雹和短时强降水预报方法，其特征在于：所述GBDT+LR模型的构建过程如下：

(1)构建GBDT模型，如下式：

式中：β为每一个基础学习器的相应权重；α为每一个基础学习器的参数；参数为M个数据(x_i,y_i)的损失函数最小最优解P，

设损失函数L：

其中，l为每次迭代的基础学习器的损失函数，

则：

对于每一个样本x_i，都可以得到一个梯度下降方向，即：

优化公式(8)得到：

进而求得β_n：

最终获得GBDT算法模型的迭代描述：

F_n(x)＝F_n-1(x)+β_nh(x；α_n) (13)

(2)在所述GBDT模型后面串接基于sigmoid函数的LR二分类模型，Sigmoid函数如下式所示：

其中，θ为模型的权重系数，x为GBDT模型所提取的叶节点的参数。

3.根据权利要求2所述的冰雹和短时强降水预报方法，其特征在于：所述GBDT+LR模型的最大迭代次数为10，学习率为0.02，树的最大深度设置为4。

4.根据权利要求3所述的冰雹和短时强降水预报方法，其特征在于：步骤S2中，通过SMOTE过采样算法对冰雹过程数据进行扩充的步骤如下：

1)对于冰雹过程数据的每一个样本x_i,计算它到冰雹过程数据中其他样本的欧氏距离；

2)根据样本的比例设置采样倍率，选取多个相近的冰雹过程数据中的样本，设其选择的近邻点为

3)对于每一个随机选择的近邻点依据式(1)构建新的样本点：

对冰雹过程数据进行扩充。

5.根据权利要求4所述的冰雹和短时强降水预报方法，其特征在于：步骤S1中，所述地面气象观测站点数据包括地平面气压、海平面气压、温度、露点温度、相对湿度、水汽压、2分钟平均风向、2分钟平均风速、10分钟平均风向和10分钟平均风速。