[发明专利]基于stacking算法的山火风险预测建模方法

摘要

本发明公开了一种能够提高预测效率和预测准确性的基于stacking算法的山火风险预测建模方法。该山火风险预测建模方法是基于可燃物因素数据、地理数据、气象数据、历史山火数据等多种时空数据对山火发生风险进行预测，对多源、异构、海量时空数据的处理技术进行了设计，形成了丰富的山火发生预测特征集合；具有处理海量时空数据能力；实现了以数据驱动的建模，避免繁琐、复杂的贝叶斯建模过程，提升了时空数据建模的效率；同时该山火风险预测建模方法兼顾处理时间、空间特征，动态、静态特征的特性，并且通过stacking的方法实现了特征的二次加工生成，提升了山火风险预测的整体效果；通过实验验证AUC指标达到了0.85。适合在数据处理技术领域推广应用。

主权项

1.基于stacking算法的山火风险预测建模方法，其特征在于包括以下步骤：A、针对山火风险预测任务的需要，采集从当前时间开始往前一段历史时间内的可燃物因素数据、地理数据、气象数据、历史山火数据；B、将A步骤采集的气象数据通过时间分辨率融合方法处理得到以天为单位的气象数据；C、将可燃物因素数据、地理数据、历史山火数据以及B步骤得到的以天为单位的气象数据通过空间数据融合方法实现空间数据的融合匹配；D、将经过C步骤处理得到的可燃物因素数据、地理数据、气象数据、历史山火数据按照特性变化特性分为动态数据、静态数据、时间数据；所述动态数据记为Dynamic_Indexs，所述静态数据记为Static_Indexs；E、对动态数据Dynamic_Indexs采用“时间+空间”窗口的统计概括方法提取动态特征Dynamic_Feats；F、对所有动态特征Dynamic_Feats以及静态数据Static_Indexs中的数值型数据采用min‑max方法进行归一化处理，对静态数据Static_Indexs中的离散特征采用one‑hot编码方式进行编码处理；G、将F步骤得到的数据以t0时间点作为数据划分的分割点，得到两个数据子集；dataset0(t≤t0)dataset1(t0＜t)；H、以GBDT构建base模型，具体包括如下：首先，进行数据拆分及特征选择，具体方法如下：提取dataset0数据集的动态特征Dynamic_Feats，将从dataset0中提取的动态特征Dynamic_Feats随机拆分成N份{dataset0_i},i∈[1,…,N]，每份数据子集的每行代表一个像元在某天的观察记录；每列为一个动态特征指标；接着，进行base模型的训练，具体的在{dataset0_i},i∈[1,…,N]上训练GBDT模型，得到N个不同的base模型{basemodel_i},i∈[1,…,N]；I、构建meta模型，具体方法如下：首先，特征数据集dataset1new的生成，所述特征数据集dataset1new的生成方法如下所述：提取dataset1数据集的动态特征Dynamic_Feats，并将提取的动态特征Dynamic_Feats输入base模型{basemodel_i},i∈[1,…,N]得到N个模型的预测概率{pred_i},i∈[1,…,N]，同时提取dataset1数据集的静态数据Static_Indexs，将预测概率{pred_i},i∈[1,…,N]和从dataset1提取的静态数据Static_Indexs组成新的数据集即为dataset1new；接着在dataset1数据集上构建meta学习模型，并采用logistic回归作为meta学习器，在dataset1new上进行模型的训练，得到最终的预测模型meta模型。