[發明專利]一種基于集成學習的道路能見度短臨預測方法

在審

• 申請號: 202010690635.4
• 申請日: 2020-07-17
• 公開（公告）號: CN111915068A
• 公開（公告）日: 2020-11-10
• 發明（設計）人: 吳兵;翟犇;王艷麗
• 申請（專利權）人: 同濟大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06F30/27;G01W1/10;G08G1/048
• 代理公司: 上海科律專利代理事務所(特殊普通合伙) 31290
• 代理人: 葉鳳

1.一種基于集成學習的道路能見度短臨預測方法，其特征在于，包括：獲取道路沿線在待預測時刻之前多個時刻的氣象特征數據，構建樣本氣象數據集；利用樣本數據集訓練隨機森林，得到隨機森林模型；利用樣本數據集訓練梯度提升樹，并利用極限梯度提升算法進行訓練，得到極限梯度提升模型；根據預測時間要求，將待預測數據輸入訓練過后的隨機森林模型和極限梯度提升模型中，得到能見度等級預測數據；對比兩個模型在不同預測性能指標上的表現，選擇預測結果作為最終的能見度預測數據。

2.如權利要求1所述的方法，其特征在于，具體包括以下步驟：

步驟1，獲取氣象特征數據

所述氣象特征數據主要包括道路沿線在待預測時刻之前多個時刻的風速、風向、溫度、濕度、氣壓氣象特征數據，將能見度等級作為輸出變量，建立樣本數據集；

步驟2，隨機森林模型建立

基于隨機森林算法建立基本模型，輸入步驟一得到的樣本數據集訓練該模型，并利用網格搜索進行參數調整，選擇得分最高的參數作為最優模型參數，最終得到最優隨機森林(RF)模型；

步驟3，極限梯度提升模型建立

基于極限梯度提升算法建立基本模型，輸入步驟一得到的樣本數據集訓練該模型，并利用網格搜索進行參數調整，選擇得分最高的參數作為最優模型參數，最終得到最優極限梯度提升(XGB)模型；

步驟4，輸出能見度等級預測數據

根據預測時間要求，將待預測數據輸入訓練過后的RF模型和XGB模型中，分別得到基于兩個模型的能見度等級預測數據；

步驟5，對比RF和XGB兩個模型在不同預測時間和預測性能指標上的表現，綜合選擇預測結果作為最終的能見度預測數據。