买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：象辑科技股份有限公司

摘要：本发明涉及气象学技术领域，尤其涉及一种基于梯度提升回归GBR模型的气温数据空间插值方法，包括气温数据采集模块、数据清洗模块、特征缩放模块、梯度提升回归GBR训练模块和格点化应用模块，首先通过气温数据采集模块采集气象局地面自动观测站最新时次的气温数据；再通过数据清洗模块筛除掉异常数据；然后引入经度、纬度、海拔高度作为特征值，对特征值进行缩放；以站点数据的特征值及其对应的气温数据作为训练样本，引入梯度提升回归训练模块中，经过多次迭代训练得到最终的模型；最后将每个格点的经度、纬度、海拔高度等固定信息作为特征值缩放，并代入模型获得每个格点的气温值。本发明计算效率高。

主权项：1.一种基于梯度提升回归GBR模型的气温数据空间插值方法，其特征在于，本方法包括气温数据采集模块、数据清洗模块、特征缩放模块、梯度提升回归GBR训练模块和格点化应用模块，具体按以下步骤执行：S1：首先通过气温数据采集模块采集气象局地面自动观测站最新时次的气温数据；自动气象站观测的最高频次为5分钟，数据采集模块每5分钟刷新采集最新气温数据；S2：通过数据清洗模块筛除掉异常数据；首先结合大气温度变化特征设定一定阈值将极端不合理的异常数据筛除，再在数据清洗模块中分别采用时间一致性和空间一致性两种筛选机制筛除掉除极端值外的不可信样本；时间一致性筛选机制，获取到的最新气温数据将与上个时次相同站点气温作差，差值大于所有样本的n倍标准差时将被剔除，即满足下列情况的样本将被剔除，如式1：absxit-xit-1n*σx式1其中t表示时间，i表示站点编号，σx代表所有样本的标准差，空间一致性筛查机制将筛除掉与周围气温相差较大的异常站点数据，即采集到某站点气温数据后，先基于站点分布信息选取周围k个最近点，并计算该站点与周围k个站点的平均气温差，若高于所有样本的气温标准差，则对该站点进行剔除，具体如下如式2； 其中i表示站点编号，代表周围k个站点的平均值，σx代表所有样本的标准差；S3：引入经度、纬度、海拔高度作为特征值，用来训练气温和各个特征值之间的相关关系，特征值缩放模块对特征值进行缩放；引入经度、纬度、海拔高度作为特征值，用来训练气温和各个特征值之间的相关关系，特征值在训练前需进行特征缩放，具体方法如下所示，特征缩放后的特征值将会帮助步骤S4模型更快地收敛，具体如式3； 其中其中i表示样本点编号，j表示特征值编号，μ代表平均值；S4：以站点数据的特征值及其对应的气温数据作为训练样本，代入梯度提升回归算法，经过多次迭代训练得到最终的GBR模型；在梯度提升回归训练模块中，梯度提升回归算法GBR将首先根据最终的输出形式给出一个虚假的初猜场，其后将以站点数据的特征值及其对应的气温数据作为训练样本，在所有样本上经过多次迭代获得最终的模型结果，该算法在每一轮迭代中，首先计算出当前模型在所有样本上的负梯度，然后以负梯度为目标拟合出一个新的弱回归器并计算出该弱回归器的权重，从而实现对模型的更新，具体实现方式如下：S4.1：初始化模型函数如式4： S4.2：使用损失函数负梯度在当前模型Fm-1x上的值近似代替残差，如式5 S4.3：使用基学习器hx拟合近似的残差值，如式6 S4.4：计算最优的参数γ，如式7； S4.5：最终更新模型如式8；Fmx＝Fm-1x+γhx式8；S5：首先将每个格点的经度、纬度、海拔高度固定信息作为特征值缩放，再基于步骤S4输出的GBR模型得到每个格点上特征值所对应的气温数值，最终将格点化的气温数据输出。

全文数据：

权利要求：

百度查询： 象辑科技股份有限公司 一种基于梯度提升回归GBR模型的气温数据空间插值方法