[发明专利]一种短时邻近雾能见度预测方法

说明书

一种短时邻近雾能见度预测方法，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。本发明很好的解决了大雾的预报的问题。使得大雾预报的难度降低且更准确。

技术领域

本发明涉及气象领域，更具体地说，涉及一种短时邻近雾能见度预测方法。

背景技术

雾是常见的一种灾害性天气，形成的原因是由于空气中大量且微小的水滴浮游在空中,导致其雾能见度小于1公里而形成的天气现象。如今，气象局对大雾的预报都是基于实况场实时数据进行发布的，对后续的预警措施并没有有效的防范，因此对大雾的预报成为需要解决的问题。然而，预报的难度不仅仅在于雾预报所考虑的复杂因素众多，即许多影响因素都在实时的变化，而且还需要大量的计算能力，和准确的计算模型。

发明内容

发明目的：

本发明要解决的技术问题在于，针对现有技术难以完成不同短时邻近时刻雾能见度预测技术缺陷，提供了一种XGBoost与改进的线性回归方法的短时邻近雾能见度预测。

技术方案：

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。

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。

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。

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。

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。

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。

获得与雾能见度预测相关的全部特征属性数据方法包括：