一种基于机器学习的降雨量预测方法及预测系统与流程

技术特征：
1.一种基于机器学习的降雨量预测方法，其特征在于，所述方法包括：s1、获取训练月份的大气环流因子和实测降雨量；s2、根据所述训练月份的大气环流因子和实测降雨量训练基于机器学习的预测模型，得到降雨量预测模型；s3、获取待测月份的大气环流因子；s4、将所述待测月份及其对应的大气环流因子输入所述降雨量预测模型中，得到所述待测月份的预测降雨量。2.根据权利要求1所述的方法，其特征在于，在所述s4后，所述方法还包括：s5、利用评价指标对预测降雨量与待测月份的实测降雨量之间的差异进行量化评价，得到评价结果。3.根据权利要求1所述的方法，其特征在于，所述基于机器学习的预测模型为ga-svm模型或ga-lssvm模型。4.根据权利要求2所述的方法，其特征在于，所述评价指标包括均方根误差、平均绝对误差和决定系数。5.根据权利要求4所述的方法，其特征在于，所述s5具体包括：获取所述待测月份的实测降雨量；分别计算所述待测月份的实测降雨量与预测降雨量之间的均方根误差、平均绝对误差和决定系数，将得到的均方根误差、平均绝对误差和决定系数作为评价结果。6.一种基于机器学习的降雨量预测系统，其特征在于，所述系统包括：第一获取单元，用于获取训练月份的大气环流因子和实测降雨量；训练单元，用于根据所述训练月份的大气环流因子和实测降雨量训练基于机器学习的预测模型，得到降雨量预测模型；第二获取单元，用于获取待测月份的大气环流因子；测试单元，用于将所述待测月份及其对应的大气环流因子输入所述降雨量预测模型中，得到所述待测月份的预测降雨量。7.根据权利要求6所述的系统，其特征在于，所述系统还包括：评价单元，用于利用评价指标对预测降雨量与待测月份的实测降雨量之间的差异进行量化评价，得到评价结果。8.根据权利要求6所述的系统，其特征在于，所述基于机器学习的预测模型为ga-svm模型或ga-lssvm模型。9.根据权利要求7所述的系统，其特征在于，所述评价指标包括均方根误差、平均绝对误差和决定系数。10.根据权利要求9所述的系统，其特征在于，所述评价单元具体用于：获取所述待测月份的实测降雨量；分别计算所述待测月份的实测降雨量与预测降雨量之间的均方根误差、平均绝对误差和决定系数，将得到的均方根误差、平均绝对误差和决定系数作为评价结果。

技术总结
本发明公开了一种基于机器学习的降雨量预测方法及预测系统，属于降水预测技术领域，能够解决现有基于支持向量机的降水预测模型输入参数比较单一，从而导致输出的预测结果精准度不高的问题。所述方法包括：S1、获取训练月份的大气环流因子和实测降雨量；S2、根据训练月份的大气环流因子和实测降雨量训练基于机器学习的预测模型，得到降雨量预测模型；S3、获取待测月份的大气环流因子；S4、将待测月份及其对应的大气环流因子输入降雨量预测模型中，得到待测月份的预测降雨量。本发明用于降水预测。测。测。


技术研发人员：权全 董宇翔 刘铁军 严登华 邓嘉祥
受保护的技术使用者：水利部牧区水利科学研究所
技术研发日：2022.06.08
技术公布日：2022/8/12