[发明专利]基于XGBoost的序列预测模型构建、降水趋势预测方法及装置

说明书

本发明公开了基于XGBoost的序列预测模型构建、降水趋势预测方法及装置，利用石笋的值预估降水量的方法，石笋同位素能够模拟降水量的变化，同时过去几十万年石笋同位素数据也都可以采集到，大量的数据更方便数据的预测研究。

技术领域

本发明涉及降水量预测方法及装置，具体涉及一种基于XGBoost 的序列预测模型构建、降水趋势预测方法及装置。

背景技术

降水变化对地表径流和农作物的生长有直接影响，也与社会经济的稳定发展和人类的生产生活息息相关。已有大量研究表明：历史时期洪水或干旱事件对文明兴衰、朝代更替有着重要影响。近年来，随着全球变暖，极端气候事件频发，严重影响了农业、人口和经济的发展。为了预防旱涝灾害，亟需加强对未来降水变化的预测和预估研究.

传统的降水量序列分析与预测方法在很多领域的应用取得了一定的成功，但是一旦面对复杂数据，这些方法就显得力不从心，也满足不了预测精度要求。

目前，常用的方法通常有以下几种：

1、为长时间趋势变动、周期性变动、季节变动等。然后把三个组成部分进行综合，从而预测结果。但是该方法进行预测是通常预测的结果整体走势接近，但是对于预测结果局部的波动效果比较差。

2、采用ARIMA方法(自回归滑动平均模型)，ARIMA模型是在平稳的时间序列基础上建立起来的，因此，时间序列的平稳性是建模的重要前提。检验时间序列模型平稳的方法一般采用ADF单位根检验模型去检验。当然如果时间序列不稳定，也可以通过一些操作去使得时间序列稳定(比如取对数，差分)，然后进行ARIMA模型预测，得到稳定的时间序列的预测结果，然后对预测结果进行之前使序列稳定的操作的逆操作(取对数，差分的逆操作)，就可以得到原始数据的预测结果。

而采用ARIMA模型预测，要求时序数据是稳定的(stationary)，或者是通过差分化(differencing)后是稳定的。其本质上只能捕捉线性关系，而不能捕捉非线性关系。如果是不稳定的时序数据，是无法捕捉到规律的。

综上所述，现有的预测方法大多数是采用传统的数学方法对序列进行预测分析，这对信息资料质量要求较高，历史值取值不当会导致预测值出现较大的偏差。同时预测值与近期相关，与计算期之前的数据无关，这与客观情况不相符。另外，大多数采用机器学习的方法均采用了单一的学习模型，这些方法对长期的周期时间序列进行预测时不能很好地解决非线性和非平稳性的问题，只能粗略显示数据的大致走势，局部详细信息变化表现较差。

发明内容

本发明的目的在于提供一种基于XGBoost的序列预测模型构建、降水趋势预测方法及装置，用以解决现有技术中的降水趋势预测方法存在的趋势预测不准确的问题。

为了实现上述任务，本发明采用以下技术方案：

一种基于XGBoost的序列预测模型构建方法，用于获得石笋氧同位素序列中随机项序列的预测模型，所述的方法按照以下步骤执行：

步骤1、获取N个石笋氧同位素值，获得石笋氧同位素序列 y'＝{y₁'，y₂'，…，y_t'，…，y_N'}，y_t’表示石笋氧同位素序列的第t个同位素值，t＝1,2,…，N，N为正整数；

步骤2、对所述的石笋氧同位素序列y'进行数据质量提升，获得质量提升后的石笋氧同位素序列y^*；

步骤3、将所述提升后的石笋氧同位素序列y^*进行数据重构，获得重构的石笋氧同位素序列y，所述重构的石笋氧同位素序列y包括随机项序列和周期项序列；

步骤4、采用式II获得随机项序列的第t项x_t：