1.一种天气数据获取方法，其特征在于，所述方法包括：从网页中抓取天气数据；

解析所述天气数据中的缺失值；

利用ElasticNet算法进行回归拟合，填补所述缺失值；

利用Moving-zscore算法检测所述天气数据中的异常值，剔除所述异常值；

利用ElasticNet算法进行回归拟合，填补剔除的所述异常值。

2.如权利要求1所述的方法，其特征在于，所述从网页中抓取天气数据包括：生成面向天气信息网站的API接口的种子URL以及后续的URL；

向所述天气信息网站的API接口发送HTTP请求，请求访问所述API接口；

对所述天气信息网站提供的数据内容进行分析和识别，以查看所述数据内容；

判断所述数据内容是否为预定信息内容；

若所述数据内容为预定信息内容，则抓取所述数据内容；

将抓取的数据内容作为所述天气数据保存到本地。

3.如权利要求1所述的方法，其特征在于，假设t+1时刻的数据xt+1发生缺失，则所述利用ElasticNet算法进行回归拟合，填补所述缺失值包括：选取t+1时刻之前的24个时刻t-i，i＝0,1,2,…,23，选取时间窗大小w，对于所述24个时刻中的每一个时刻t-i，得到一组数据集[xt-i-w,xt-i-w+1,…,xt-i-1]，即得到24组数据集：[xt-w,xt-w+1,…,xt-1]，[xt-w-1,xt-w,…,xt-2]，[xt-w-2,xt-w-1,…,xt-3]，…

[xt-w-23,x1,…,xt-24]；

以所述24组数据集作为训练数据，对训练数据进行划分，每一组最后一个数组成集合y，每一组最后一个数以外的其他数组成集合x，集合x为：[[xt-w,xt-w+1,…,xt-2]，[xt-w-1,xt-w,…,xt-3]，[xt-w-2,xt-w-1,…,xt-4]，…

[xt-w-23,x1,…,xt-25]]，集合y为：

[[xt-1],[xt-2],[xt-3],…,[xt-24]]；

将训练数据的x值和y值输入ElasticNet模型中，用每一组的x值去拟合y值，训练ElasticNet模型；

以[xt-w+1,xt-w+1,…,xt]作为输入数据输入到训练好的ElasticNet模型中，得到ElasticNet模型输出的一个值，将该值作为缺失的xt+1。

4.如权利要求1所述的方法，其特征在于，设天气数据为X＝[x0,x1,x2,…,xt′]，所述利用Moving-zscore算法检测所述天气数据中的异常值包括：(1)选取时间窗大小w′，针对时间点w′至时间点t′中的每个时间点i′，i′＝w′,w′+

1,…,t′，计算所述时间点i′对应的时间窗内天气数据的均值μi′和标准差σi′，所述时间点i′对应的时间窗的长度为w′；

(2)根据每个时间点i′对应的时间窗内天气数据的均值μi′和标准差σi′，计算所述时间点i′对应的天气数据xi′的mz值mzi′，得到mz列表：[mzw′,mzw′+1,mzw′+2,…,mzt′]，其中：

(3)求mz列表的第α分位数作为阈值，得到mzα_percentage，α为预设值；

(4)如果mzi′大于mzα_percentage，则对应第i′时刻的天气数据xi′为异常值。

5.如权利要求1-4中任一项所述的方法，其特征在于，所述天气数据包括湿度、气温、气压、降水量、水汽压、风速、风向、日照时数。

6.如权利要求1-4中任一项所述的方法，其特征在于，所述天气数据包括实时的天气数据、预报的天气数据和历史的天气数据。

7.如权利要求1-4中任一项所述的方法，其特征在于，所述解析所述天气数据中的缺失值包括：将所述天气数据处理成行标签为时间信息、列标签为天气信息的矩阵；

判断所述矩阵中是否存在列信息字段为空的数据；

若所述矩阵中存在列信息字段为空的数据，则该列信息字段为空的数据为所述天气数据中的缺失值。

8.一种天气数据获取装置，其特征在于，所述装置包括：抓取单元，用于从网页中抓取天气数据；

解析单元，用于解析所述天气数据中的缺失值；

第一填补单元，用于利用ElasticNet算法进行回归拟合，填补所述缺失值；

检测单元，用于利用Moving-zscore算法检测所述天气数据中的异常值，剔除所述异常值；

第二填补单元，用于利用ElasticNet算法进行回归拟合，填补剔除的所述异常值。

9.一种计算机装置，其特征在于：所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1-7中任一项所述天气数据获取方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述天气数据获取方法。