基于小波去噪与Catboost的短时天气预报方法与流程

技术特征：

1.基于小波去噪与Catboost的短时天气预报方法，其特征在于：包括以下步骤：

S1：输入t时刻的历史气候特征数据，包含t时刻模式预测的特征数据M1,…,Mm和t时刻实际观测的特征数据O1,…,On，其中，Ms表示t时刻模式预测的第s个特征数据，1≤s≤m，m表示t时刻模式预测的特征数据的总数，Oi表示t时刻实际观测的第i个特征数据，1≤i≤n，n表示t时刻实际观测的特征数据的总数；对由时刻t、O1-On和M1-Mm组成的输入数据进行数据清洗；

S2：对O1-On和M1-Mm进行排序，按照重要性由高到低依次赋予以下分值：m+n分,m+n-1分,...,1分，然后剔除分值低于Q分的特征数据，Q的值预先设定；

S3：对待预测气候特征序列的P个站点进行one-hot编码，完成空间特征添加；对待预测气候特征序列的时间信息进行时钟投影以得到时间特征；

S4：对待预测气候特征序列中的距地面2米高度处的温度、距地面2米高度处的相对湿度以及距地面10米高度处的风速进行小波去噪；

S5：将模式预测的特征数据M1,…,Mm、待预测气候特征序列、步骤S4得到的小波去噪后的待预测气候特征序列、待预测气候特征序列的真实标签值输入Catboost模型，调整树的深度、树的最大数量与迭代次数，得到训练后的Catboost模型，然后将测试集输入到训练后的Catboost模型中，从而输出距地面2米高度处的温度、距地面2米高度处的相对湿度以及距地面10米高度处的风速的预测结果。

2.根据权利要求1所述的基于小波去噪与Catboost的短时天气预报方法，其特征在于：所述步骤S1中的数据清洗包括缺省值填充和异常值删除这两个步骤。

3.根据权利要求2所述的基于小波去噪与Catboost的短时天气预报方法，其特征在于：所述缺省值填充步骤为：将t时刻实际观测的特征数据用t+1时刻实际观测的特征数据与t-1时刻实际观测的特征数据的均值或者t时刻模式预测的特征数据进行填充，将t时刻模式预测的特征数据用t+1时刻模式预测的特征数据与t-1时刻模式预测的特征数据的均值或者t时刻实际观测的特征数据进行填充。

4.根据权利要求1所述的基于小波去噪与Catboost的短时天气预报方法，其特征在于：所述步骤S3中，时间特征中的月份特征Month_new根据式(1)得到：

式(1)中，Month表示步骤S1中时刻t所对应的月份。

5.根据权利要求1所述的基于小波去噪与Catboost的短时天气预报方法，其特征在于：所述步骤S5中，Catboost模型中的损失函数选择交叉熵损失函数。

6.根据权利要求1所述的基于小波去噪与Catboost的短时天气预报方法，其特征在于：所述步骤S4中，去噪所使用的滤波器包括小波滤波器和尺度滤波器；对待预测气候特征序列中的距地面2米高度处的温度进行小波去噪的过程包括以下步骤：

S41：待预测气候特征序列中的距地面2米高度处的温度所对应的历史序列的第j级小波系数和第j级尺度系数根据式(2)和式(3)得到：

其中，t1表示时间，Lj＝(2^j-1)(L1-1)+1，Lj表示第j级小波滤波器的长度，L1表示第一级小波滤波器的长度，尺度滤波器和小波滤波器的长度相等，hj,l表示第j级小波滤波器的滤波器函数中的第l个函数值，gj,l表示第j级尺度滤波器的滤波器函数中的第l个函数值，表示历史序列中t1-lmodN时刻的元素，N为历史序列中的时刻总数；

S42：对第j级小波系数和第j级尺度系数均进行阈值处理，再将阈值处理后的第j级新的小波系数和第j级新的尺度系数进行逆离散小波变换，从而得到去噪后的距地面2米高度处的温度的历史序列。

7.根据权利要求6所述的基于小波去噪与Catboost的短时天气预报方法，其特征在于：所述步骤S42中，对第j级小波系数进行阈值处理得到第j级新的小波系数的过程如式(4)所示：

式(4)中，λj为第j级小波变换的阈值。