[发明专利]一种短时邻近雾能见度预测方法

权利要求书

1.一种短时邻近雾能见度预测方法，其特征在于：包含如下步骤：

第一步，获取雾能见度预测相关的实时数据；

第二步，对第一步中的实时数据进行预处理；

第三步，将第二步中预处理的数据输入至利用XGBoost方法训练好的不同预警时间雾能见度预测的模型中，得到每条实时数据在不同预测时间的雾能见度预测值。

2.根据权利要求1所述的一种短时邻近雾能见度预测方法，其特征在于：第一步中，雾能见度预测相关的实时数据包括该预测时间段的气压、温度和相对湿度的实际采集数据。

3.根据权利要求1所述的一种短时邻近雾能见度预测方法，其特征在于：第二步中预处理实时数据的方法包括根据实际雾能见度预测属性阈值依次对数据清理、各站点数据合并和相似雾能见度预测属性数据最小值化。

4.根据权利要求1所述的一种短时邻近雾能见度预测方法，其特征在于：第三步中的雾能见度预测的模型构建方式如下：

S1、获取并处理雾能见度预测相关的原始数据集；

S2、对S1步中的原始数据进行预处理，得到与雾能见度预测相关的全部特征属性数据；

S3、标注得到与雾能见度预测相关的全部特征属性数据，并根据对应该预测范围的标注建立不同预警时间的雾能见度预测样本训练数据；

S4、利用XGBoost方法对S3步骤中训练数据进行不同时刻雾能见度预测样本进行训练，得出不同预警时间各预测雾能见度值及气象属性特征空间的关系，并根据该关系建立不同预警时间雾能见度预测模型。

5.根据权利要求4所述的一种短时邻近雾能见度预测方法，其特征在于：

S2、步骤中所述的获得新的雾能见度预测属性的方法包括：预处理：实时数据的方法包括根据实际雾能见度预测属性阈值依次对数据清理、各站点数据合并和相似雾能见度预测属性数据最小值化：

数据增加特征：每一个雾能见度预测数据属性中增加不同时刻属性、利用雾能见度预测数据各属性间的关系计算新的属性；

S3步骤中标注方法为：根据特定阈值确定有无雾时刻；根据得到的有无雾时刻及不同预警时间进行雾能见度预测数据的雾能见度值标注，并获得不同预警时间的雾能见度预测训练样本。

6.根据权利要求3或5所述的一种短时邻近雾能见度预测方法，其特征在于：

雾能见度预测相关的实际数据属性包括气压、温度和相对湿度。

7.根据权利要求5所述的一种短时邻近雾能见度预测方法，其特征在于：获得与雾能见度预测相关的全部特征属性数据方法包括：

建立时间窗方法对每一雾能见度预测数据属性增加不同时刻属性，建立时间窗方法根据每一个设定的时间窗模型阈值范围，将当前数据对应的时间与对应的阈值范围做差得到新时刻，根据得到的新时刻找出数据集中对应的数据的行数，并将该行数据中的某些雾能见度预测属性作为当前时刻的新属性，添加到当前时刻中；

时间窗模型阈值范围设定为一小时和俩小时；各属性间的关系计算方法包括对每一条数据中同一时刻属性间的减法计算和比值计算；每一条雾能见度预测数据得到的新的属性包括温度露点差、温度露点比和跨度温度变化。

8.根据权利要求4所述的一种短时邻近雾能见度预测方法，其特征在于：S3步骤中，所述的建立不同预警时间雾预测训练样本的方法：

首先确定有无雾时刻，该确定方法是指满足一定时间段要求，对有雾，无雾特征设置阈值，如果该时间段数据都满足阈值要求，判定该时间段最开始时刻为有无雾时刻；

对判断有无雾的时刻和该有无雾的时刻对应的预警时刻分别建立不同时刻雾能见度预测训练样本，该方法是对每一个预警时间阈值，将各站点有无雾数据对应的时刻和该预警时间阈值范围相减，得到新时刻，并将得到的新时刻对应的各站点数据进行标注，标注及其对应时刻全部特征数据构成指定预警时间的雾预测训练样本数据集；其中雾预测训练样本的标注表示了该时刻属性数据在未来预警时间内雾能见度值情况，将该数据集用于接下来的XGBoost方法及模型的训练中。