申请/专利权人：南京大学

申请日：2024-03-07

公开（公告）日：2024-06-21

公开（公告）号：CN117851927B

主分类号：G06F18/243

分类号：G06F18/243;G06F18/214;G06N3/0464;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明提供了一种基于随机森林与气象数据的云预测方法，该方法以气象数据为数据集进行模型训练，在多维的数据集选取方案与模型优化方法的作用下，可以实现高精度与高准确率的有云、无云预测。气象数据集包括地表、高空数据在内的多个水平面内数据，可以避免云层影响因素的遗漏；由于随机森林在处理数据噪声、进行分类任务方面的优越表现，模型训练成本较低，所需时间短；系统的预测结果通过多参数进行评估，有助于系统的多场景、高效率利用。

主权项：1.一种基于随机森林与气象数据的云预测方法，其特征在于包括以下步骤：步骤S1，数据筛选：建立随机森林模型，以数值预报系统作为气象因子数据库，并根据气象学中各气象因子对预覆盖率的影响大小，对气象因子进行筛选，并作为本预测方法的输入数据；步骤S2，模型训练：将步骤S1筛选得到的数据按训练集：测试集：验证集=7:2:1的比例进行划分，并通过训练集的数据对随机森林模型进行训练，得到训练优化后的模型；步骤S3，结果评估：该步骤通过将有云无云的预测结果，与实际的有云无云进行对比，有云即为1，无云即为0；通过召回得分、精确度、F1调和平均值、偏差四个参数进行评估，所述四个参数由下面公式给出： ，所述分别依次对应实际有云预测有云、实际有云预测无云、实际无云预测有云、实际无云预测无云四种结果；步骤S2所述模型训练的过程依次包括基线拟合、主成分分析和超参数优化三个步骤，具体过程如下：（1）基线拟合：通过权重计算函数，计算得到不同气象因子的的基尼指数并进行排序；所述基尼指数反映不同气象因子对云覆盖率的影响大小，基尼指数大的气象因子，在后续的预测过程中，将相应地被赋予更高的权重；（2）主成分分析：在上述基线拟合的基础上，通过下式确定在保证拟合效果达到预设阈值的前提下，所需的最少气象因子数量n， ，式中，为气象因子总量，为表示第i个气象因子，且按照基线拟合中结果从到排序，为累计方差比函数，函数值越大，则拟合效果越好；（3）超参数优化：首先，在主成分分析确定影响气象因子后，对随机森林模型的超参数进行优化调整设置；所述超参数包括“决策树的数量”、“决策树的最大深度”、“拆分的最大特征数”、“拆分内部节点所需的最小样本数”、“叶子节点包含的最少样本数量”、“是否随机放回抽样”，分别用n_estimators，max_depth，max_feature，min_samples_split，min_samples_leaf，bootstrap表示；然后，采用随机搜索的方法，从预先设置的超参数采样数值中随机选取不同的组合，在达到预先设定的采样次数后，比较不同组合所构成模型的预测结果并进行排名，得到局部最优的超参数组合；最后，通过网络搜索的方法，在得分高的超参数组合中，选取步长更小的超参数数值；并以此遍历所有的超参数组合，再进行预测结果排名，确定预测准确率最高的模型；步骤S1中所述气象因子的筛选是在选定的经纬度网格范围内，以气压高低为划分标准，从六个高度平面进行选取，分别为第1层的地表气象因子和第2-6层的高空气象因子；所述高空气象因子，在300~730hPa气压范围内；所述地表气象包括温度、湿度、气压、U分量风和V分量风；所述高空气象包括可降水量、露点温度、露点下降、相对湿度、反演云顶高度。

全文数据：

权利要求：

百度查询： 南京大学 一种基于随机森林与气象数据的云预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD