[发明专利]一种基于特征工程与TabNet网络的降雨预测方法

权利要求书

1.一种基于特征工程与TabNet网络的降雨预测方法，其特征在于：该方法包括如下步骤，

步骤1、数据预处理

使用Python观察降雨数据集的分布，发现数据分布在雨季和非雨季有明显的不同，为了使模型更好的学习降雨量的季节特性，将气象数据分为雨季数据集，非雨季数据集；

步骤2、特征工程

根据步骤1的处理，使用特征工程方法对降雨数据集和非降雨数据集生成统计特征，使TabNet降雨模型能够学习降雨的周信息、月信息，缓解季节降雨的不确定性，使用特征工程方法构建PWV特征，缓解极端降雨的不确定性；

步骤3、训练TabNet降雨模型

将处理好的样本输入到TabNet降雨模型当中进行训练，TabNet降雨模型由AttentiveTransformer模块和Feature transformer模块组成的，Feature transforme模块的作用是特征计算，Attentive Transformer模块的作用是计算特征重要性，完成特征选择；

步骤4、预测结果

实时收集当天的气象数据，使用特征工程方法对当天的气象数据进行变换，然后将其输入训练好的TabNet降雨模型中，最终实现降雨量的预测。

2.根据权利要求1所述的一种基于特征工程与TabNet网络的降雨预测方法，其特征在于：构建统计特征来帮助模型学习季节降雨信息；

构建每个省市的平均降雨量和标准偏差；构造每个月的降雨量的平均值和标准偏差；得到每个省和每个月的平均降雨量，从而捕获区域和月份的变化信息，进而了解季节降雨的变化；建立降雨与气象站之间的关系，并计算过去7天每个站点的平均降雨量。

3.根据权利要求1所述的一种基于特征工程与TabNet网络的降雨预测方法，其特征在于：通过构建新特征来帮助模型学习极端降雨信息；

PWV用于量化对流层中的水蒸气含量，以使测量更加准确；PWV是指在从地面到大气顶部的单位横截面的空气柱中，水蒸气凝结成雨而形成的降水量；PWV在降雨即将来临时会明显升高，降雨量越大，变化越明显，通过构建PWV特征来捕获极端降雨信息；

当GNSS信号通过对流层时会受到大气折射的影响，因此发生天顶总延迟ZTD，ZTD包括ZHD和ZWD；ZHD占ZTD的90％；ZHD计算如下：

P_W是以℃为单位的站点的表面压力，φ是以弧度为单位的站点的纬度，H是以km为单位的站点的大地高度；通过从ZTD提取ZHD来获得ZWD，并使用以下公式来计算PWV：

ρ_W是水蒸气密度；Π是一个经验参数，在北半球为1.48；

将压力、纬度、站点特征的高度合并为ZTD特征，并根据公式2将数据，站点高度和ZTD合并为PWV特征。

4.根据权利要求1所述的一种基于特征工程与TabNet网络的降雨预测方法，其特征在于：使用TabNet进行自监督预训练。

5.根据权利要求1所述的一种基于特征工程与TabNet网络的降雨预测方法，其特征在于：将使用特征工程变换后的数据与预训练模型一起放入最终模型进行训练，根据评价指标的变化进行调参。

6.根据权利要求1所述的一种基于特征工程与TabNet网络的降雨预测方法，其特征在于：首先获取当天的气象数据，根据当天的日期选择季节模型，得到当天的具体降雨量。