RAINER：面向降雨模式预测的鲁棒性集成学习网格搜索调优框架
机器学习
2025-01-29 v1
摘要
降雨预测因气象数据的高度非线性和复杂性质，仍然是一个持续的挑战。现有方法缺乏对网格搜索进行系统性利用以实现最优超参数调优，依赖启发式或手动选择，常导致次优结果。此外，这些方法很少整合如温度与湿度之差等新构建的气象特征以捕捉关键天气动力学。此外，缺乏对集成学习技术的系统性评估，且对过去一至两年内引入的多样化先进模型（如Kolmogorov-Arnold Networks）的探索有限。为此，我们提出了面向降雨预测的鲁棒性集成学习网格搜索调优框架（RAINER）。RAINER包含全面的特征工程流程，包括异常值删除、缺失值插补、特征重构以及通过主成分分析（PCA）的降维。该框架整合了新型气象特征以捕捉动态天气模式，并系统评估了非学习数学方法以及各种机器学习模型，从弱分类器到先进神经网络。通过利用网格搜索进行超参数调优和集成投票技术，RAINER在真实世界数据集上取得了有前景的成果。
引用
@article{arxiv.2501.16900,
title = {RAINER: A Robust Ensemble Learning Grid Search-Tuned Framework for Rainfall Patterns Prediction},
author = {Zhenqi Li and Junhao Zhong and Hewei Wang and Jinfeng Xu and Yijie Li and Jinjiang You and Jiayi Zhang and Runzhi Wu and Soumyabrata Dev},
journal= {arXiv preprint arXiv:2501.16900},
year = {2025}
}
备注
29 pages