[发明专利]基于CatBoost模型的低温预测

权利要求书

1.一种基于CatBoost模型的低温预测方法，其特征在于，可充分考虑多元气象数据及其自身的时间相关性对气温变化的影响，该方法包括以下步骤：

(1)获取气象数据；

(2)通过自相关系数建立气象数据之间的滞后特征；

(3)数据预处理，具体包括缺失值填充和数据归一化；

(4)通过LassoCV进行特征的选择；

(5)建立LassoCV-CatBoost模型进行低温预测；

(6)通过遗传算法GA对CatBoost模型的参数进行优化从而得到最终的低温预测模型；

(7)模型评估。

2.根据权利要求1所述的基于CatBoost模型的低温预测方法，其特征在于，步骤(2)中所述的滞后特征建立方法如下：

通过自相关系数来度量当前时刻y_t与k阶滞后y_t-k之间的相关性，相关性度量的是两个随机变量的相关程度，相关系数就可以衡量两个变量之间的线性相关关系；

r_k表示的是y_t和他的k阶滞后的相关程度，r_k称为自相关系数(AutocorrelationCoefficient，ACF),自相关性研究的是一个时间序列在不同时间点的值的关系。

3.根据权利要求1所述的基于CatBoost模型的低温预测方法，其特征在于，步骤(3)中所述的数据预处理的步骤如下：

运用Python环境对数据进行处理与建模，使用fillna函数填充缺测值和空值，选择平均值填充，其次将日期时间信息(年、月、日)整合为一个日期时间，以便可以将其用作Pandas的索引；

对输入数据进行归一化处理，本文所选归一化方法为线性函数归一化(Min-Maxscaling),具体归一化公式如下式所示：

其中x_i(i＝1,2,3,…,n)为气象数据输入特征，为归一化后的值，max为各个气象要素的最大值，min为各个气象要素的最小值。