[发明专利]一种基于特征工程与TabNet网络的降雨预测方法

说明书

本发明公开了一种基于特征工程与TabNet网络的降雨预测方法，利用特征工程方法合成新的气象特征与统计特征，通过TabNet网络构建预测模型的降雨预测方法。本发明使用特征工程方法缓解极端降雨与季节型降雨的不确定性，使用结合了神经网络与集成树优点的TabNet网络增加预测的准确率。该方法主要分为4个过程。1)将气象数据分为雨季数据集，非雨季数据集；2)使用特征工程方法生成统计特征，新特征；3)生成预训练模型；4)将新数据集与预训练参数放入TabNet网络生成最终模型；5)收集当天的气象数据，使用特征工程方法进行变换，输入进该发明的模型得到当天具体降雨量。

技术领域

本发明属于科学计算领域。是一种在降雨预测的离线阶段对气象数据利用特 征工程方法合成新的气象特征与统计特征，并通过TabNet(Attentive InterpretableTabular Learning)算法构建预测模型的降雨预测方法。该方法可以有效缓解季节 性降雨与极端降雨的不确定性，提高降雨预测的准确性。

背景技术

降雨是天气预报和防洪的重要参数。如何更快，更准确地获取降雨信息已经 引起了气象研究人员的越来越多的关注。降雨受许多关键因素的影响，例如水 文，位置，环流等，是一个非线性系统。因此，部署一个准确，良好的广义降 雨预报模型具有重要意义。

目前，降雨预报主要依靠对流层水汽的卫星观测，丰富的水汽是形成降雨和 强对流天气过程的基本条件。然而，精确测量这种气体非常困难。传统的降雨 测量方法主要分为卫星观测和遥感观测。卫星观测的准确性与传感器校准，检 测误差，地形影响和其他因素密切相关。这项研究希望通过机器学习技术来减 少这种不确定性。目前使用的降雨预测算法主要有LSTM(Long Short-Term Memory)，LightGbm(A Highly Efficient GradientBoosting Decision Tree)， BP-NN(Back Propagation Neural Network)。但为了提高模型的泛化性能，本发明 提出了基于TabNet的降雨预测方法，TabNet是一种将神经网络与决策树结合的 框架。

发明内容

针对极端降雨与季节性变化的不确定性，本发明提出使用特征工程方法来合 成关键特征与统计特征，并构建TabNet降雨模型，提高降雨预测精度。

为了实现上述目的，本发明采取如下技术方案：一种基于特征工程与TabNet 网络的降雨预测方法，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(Precipitable Water Vapor)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降雨模型的 架构示意图参见图1，可见TabNet降雨模型主要是由Attentive Transformer模块 和Featuretransformer模块组成的，Feature transforme模块的作用是特征计算， AttentiveTransformer模块的作用是计算特征重要性，完成特征选择。TabNet的 AttentiveTransformer示意图参见图2；

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。