一种改进随机森林气温数据质量控制方法与流程

技术特征：

1.一种改进随机森林气温数据质量控制方法，其特征在于：包括以下步骤：

步骤1.采集采样时间T内的目标地面气象观测站温度数据X₀(t)，t＝1，2，3，…，T，其中t为采样时间；

步骤2.采集采样时间T内的邻近地面气象观测站温度数据X_i(t)，i＝1，2，3，…，n，其中n为邻近站的个数；

步骤3.对采集到的数据进行基本质量控制，得到新的数据集x₀(t)和x_i(t)，将样本按时间序列以9：1的比例分为训练集和测试集；

步骤4：使用随机森林方法对训练集数据进行建模，利用Bagging方法进行采样，假设袋外数据总数为a，用这a个数据作为输入，带入分类器得到分类结果，与正确的分类情况进行比较统计错误数据大小为b，则袋外误差为OOB_error＝b/a，不同的参数值mtry和ntree会使模型得到不同的袋外误差，需要寻找最优参数值，利用粒子群算法对随机森林中的参数值mtry和ntree进行寻优，利用最优mtry和ntree值建立模型；

步骤5：使用随机森林方法对训练集数据进行建模，回归树节点分裂参考的随机特征变量决定模型的好坏，随机特征变量的数量即为mtry值，随机森林中每颗回归树使用最小剩余方差来决定，划分准则是期望划分后的子树方差最小Var＝min(P_lVar(Y_l)+P_rVar(Y_r))/m，其中P_l为划分到左边的概率，Var(Y_l)为左边数值的方差，P_r和Var(Y_r)为对应右边的概率与数值方差，m为参与分裂样本数；

步骤6.重复步骤4和5k次得到随机森林质量控制模型，k的大小即是树的数量ntree，利用粒子群算法寻找袋外误差最小的k值；

步骤7.将测试集中的邻近站点数据作为样本集，利用步骤6建立的随机森林模型进行回归预测，得到目标站的预测值；

步骤8.将预测值与实际观测值进行比较，通过均方根误差和平均绝对误差评价模型，其中y_obs为目标站实际观测值，y_est是模型预测值。

2.根据权利要求1所述的改进随机森林气温数据质量控制方法，其特征在于：步骤3中所述基本质量控制方法包括格式检查、极值检查、气候极值检查、内部一致性检查、时间一致性检查、空间一致性检查。

3.根据权利要求1所述的改进随机森林气温数据质量控制方法，其特征在于：步骤4中的粒子群算法寻优过程为和其中q维粒子表示为x_i＝(x_i1,x_i2,L,x_iq)，每个粒子对应的速度可以表示为v_i＝(v_i1,v_i2,L,v_iq)，每个粒子在搜索时考虑历史最优值p_i和全部粒子搜索到的最优值p_g，w是惯性权重，c₁是粒子跟踪自己历史最优值权重系数，c₂是粒子跟踪群里最优值的权重系数，ξ、η是区间[0,1]内均匀分布的随机数，r是约束因子。

4.根据权利要求1所述的改进随机森林气温数据质量控制方法，其特征在于：步骤8中所述检错方法公式为：|y_obs-y_est|≤f·δ，f是质量控制参数设置为3，δ是目标站观测值与预测值之间的标准误差，如果满足公式的条件，就判断该数值正确，如果不满足公式的条件，则将该数据记为存疑数据，通过这样的方法来实现对数据的质量控制。