一种基于神经网络模型融合的大气能见度预测方法与流程

本发明涉及人工智能、大气科学和气象学交叉，具体而言，涉及一种基于神经网络模型融合的大气能见度预测方法。

背景技术：

1、能见度预测是气象监测与生态环境预警领域的核心研究内容，对交通运输、环境治理、防灾减灾等领域具有重要的支撑作用。现阶段能见度预测技术主要分为传统物理模型、统计模型以及新兴机器学习模型三大类，各类方法均存在一定的技术局限性，难以满足高精度、实时化、轻量化的能见度预测需求。

2、其中，传统预测方法以大气化学传输模型等物理模型、多元线性回归等统计模型为主。物理模型依托大气物理、化学机理开展模拟预测，但存在计算复杂度高、模型参数约束性强的问题，无法实现预测结果的实时更新，工程落地性较差；统计模型结构简单、运算速度快，但对大气环境中复杂的非线性关联特征拟合能力薄弱，面对极端污染、强浓雾等特殊气象场景时，预测精度大幅下降，泛化能力不足。

3、为克服传统模型的缺陷，近年来机器学习与深度学习方法被广泛应用于能见度预测领域。现有研究通过构建风险加权神经网络、优化bp神经网络训练策略、搭建单一lstm时序预测模型，将24小时能见度预测平均绝对误差（mae）控制在0.8km以内；同时，行业内还衍生出数值模型与神经网络结合、lstm-adaboost混合模型等改进方案，有效提升了能见度时序变化规律的建模能力，相较于传统方法预测效果显著优化。

4、尽管现有深度学习及混合预测模型在时序特征建模上具备明显优势，但在实际应用中仍存在多项关键技术短板，严重制约了能见度预测模型的综合性能与落地应用效果。其一，空间特征提取能力不足，单一lstm等时序模型仅能挖掘数据时间维度特征，无法有效捕捉大气能见度的区域空间依赖关系，时空耦合建模精度有限；其二，超参数调优效率低下，现有模型参数优化多依赖网格搜索或人工经验筛选，调参过程耗时耗力，且难以保证获取全局最优参数组合；其三，多源数据融合不充分，气象数据与大气污染监测数据存在时空对齐精度不足的问题，同时模型特征筛选缺乏可解释性，冗余特征易干扰预测结果；其四，模型部署成本较高，transformer等高精度模型存在显存占用量大、计算资源消耗高的问题，难以实现轻量化、嵌入式场景部署；其五，极端事件预测能力薄弱，现有模型在污染峰值、强浓雾等极端天气场景下的特征拟合与泛化能力大幅衰减，无法满足极端工况下的精准预测需求。

技术实现思路

1、为了解决上述问题，本发明的目的是提供一种基于神经网络模型融合的大气能见度预测方法，旨在解决传统模型与现有神经网络模型在能见度预测中的不足，并为雾霾预警、交通管控与区域联防联控提供科学依据。

2、为了实现上述技术目的，本申请提供了一种基于神经网络模型融合的大气能见度预测方法，包括以下步骤：

3、获取气象站和污染监测站数据，经过时空匹配和网格化处理后，构建小时级时序数据集；

4、基于xgboost和bi-lstm神经网络模型，构建融合模型，通过小时级时序数据集进行训练，构建预测模型，用于利用滑动窗输入历史10h观测数据，得到未来1h能见度的预测结果。

5、优选地，在执行时空匹配和网格化处理时，获取探空数据、地面气象观测站、大气污染物、大气边界层的观测数据，并进行缺值补缺处理后，将时间对齐为小时尺度，空间插值至统一网格，其中，地面气象观测站的观测数据包括温度、湿度、气压、风速；大气污染物观测数据包括pm2.5，pm10，so2浓度，no2浓度，o3浓度。

6、优选地，在获取小时级时序数据集时，对处理过的观测数据进行归一化处理后，基于最低能见度数值从观测数据中筛选出低能见度事件发生前1h和发生时持续的个例，并整理程长序列的低能见度时间个例库，以获取小时级时序数据集。

7、优选地，在获取小时级时序数据集时，对观测数据还进行高斯平滑降噪处理。

8、优选地，在构建融合模型时，采用xgboost模型得到能见度预测结果，并通过shap值量化特征对能见度的贡献从而筛选关键特征，其中，关键特征包括：pm2.5、湿度、风速、pm10，温度。

9、优选地，在采用xgboost模型时，xgboost模型的配置如下：树深度限制为6，初始学习率0.1，行采样比例0.8，列采样比例0.8，并保存随机种子用于重现结果。

10、优选地，在构建融合模型时，基于双向bi-lstm网络，构建包含输入层、隐含层、全连接层和输出层的深度学习预测模型，与xgboost模型，形成融合模型。

11、优选地，在构建深度学习预测模型时，通过链式法则计算参数梯度，以获取lstm反向传播梯度。

12、优选地，在构建预测模型时，将依据xgboost模型得到的时序样本数据，通过交叉验证机制划分为训练集和验证集，以rmse为损失函数，adam为优化器，基于贝叶斯优化自动调优完成模型训练。

13、优选地，在构建预测模型时，学习率按分段常数衰减调整。

14、本发明公开了以下技术效果：

15、（1）预测精度高：在测试集上rmse达793.3813，损失值降至0.0088。

16、（2）鲁棒性强：在极端污染与气象事件中表现稳定。

17、（3）可解释性好：通过shap值明确各特征贡献，提升模型透明度。

18、（4）实时性优：支持小时级预测，满足业务化部署需求。

1.一种基于神经网络模型融合的大气能见度预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述一种基于神经网络模型融合的大气能见度预测方法，其特征在于：

3.根据权利要求2所述一种基于神经网络模型融合的大气能见度预测方法，其特征在于：

4.根据权利要求2所述一种基于神经网络模型融合的大气能见度预测方法，其特征在于：

5.根据权利要求1所述一种基于神经网络模型融合的大气能见度预测方法，其特征在于：

6.根据权利要求1所述一种基于神经网络模型融合的大气能见度预测方法，其特征在于：

7.根据权利要求1所述一种基于神经网络模型融合的大气能见度预测方法，其特征在于：

8.根据权利要求7所述一种基于神经网络模型融合的大气能见度预测方法，其特征在于：

9.根据权利要求1所述一种基于神经网络模型融合的大气能见度预测方法，其特征在于：

10.根据权利要求1所述一种基于神经网络模型融合的大气能见度预测方法，其特征在于：