1.一种自适应的多气象要素预测方法，其特征在于：包括以下步骤S1、确定研究区域，对气象数据进行收集，气象数据包括该区域实测的降水、气温以及风速逐小时时间序列数据；

S2、对收集到的降水、气温以及风速数据分别进行数据预处理；

S3、对预处理后的降水、气温以及风速数据分别进行数据特征提取；

S4、使用飞蛾扑火算法对期望最大化算法进行改进，训练高斯混合模型，得到最优参数集，并对降水、气温以及风速数据进行分类；

S5、对分类后的降水数据进行二分类，并判断是否有雨，若有雨则执行下一步骤，若无雨则输出降水预测结果；对分类后的风速数据进行二分类，并判断是否有风，若有风则执行下一步骤，若无风则输出风速预测结果；

将历史多年逐小时降水数据分为无降水数据和有降水数据，将历史多年逐小时风速数据分为有风数据和无风数据，采用最大间隔法策略分别训练两个对应的支持向量机，得到分离超平面及分类决策函数；

其中， 表示法向量的最优解， 表示截距的最优解，G(x)表示分类决策函数；

分别对实测降水数据和实测风速数据二分类，并判断是否有雨以及是否有风，若没有雨则输出降水预测结果，若有雨则执行步骤S6，若没有风则输出风速预测结果，若有风则执行步骤S6；

S6、使用经验小波变换方式对分类后的气温数据进行时序分解，得到多个分量后构建BES‑RBF神经网络预测具体的气温值；

使用DFT‑CNN分类模型分别对降水数据和风速数据进行分类，判断风速状态和降水状态，且根据不同的风速状态和降水状态设置相对应的子序列分解数目，同样使用经验小波变换方式分别对分类后的降水数据和风速数据进行时序分解，得到多个分量后构建相应的BES‑RBF神经网络预测具体的降水值和风速值；

将各个子序列预测的气温值、降水值以及风速值相加得到最终预测值；

使用DFT‑CNN分类模型对风速数据以及降水数据进行分类的方法，包括以下步骤S6.1.1、将风速一维时间序列数据转为二维图像，基于如下公式，其中，T((j‑1)×N+k)表示截取的一维时序数据中的第(j‑1)×N+k个数据值，I(j,k)表示转换之后图像第j行、第k列的像素点， 和 分别表示求最大值函数和求最小值函数， 表示舍入函数，即使转换之后的像素值仅保持整数部分；

S6.1.2、使用二维离散傅里叶变换对得到的二维图像求得图像频谱，公式如下，式中，f(x,y)表示一幅 的矩阵，其所在的坐标系被称为空间域；F(u,v)表示 f(x,y)的傅里叶变换，其所在坐标系被称为频域；

S6.1.3、使用训练好的卷积神经网络对得到的频谱图进行三分类，即可判断当前实测的风速状态以及降水状态，对频谱图进行三分类前首先将频谱图的尺寸调整为[1,N,N]；

使用经验小波变换方式对分类后的气温数据、降水数据以及风速数据进行时序分解，包括以下步骤S6.2.1、确定气温、风速状态以及降水状态分别利用经验小波变换方式所分解的子序列数目的关系，风速状态分别为风速状态1、风速状态2以及风速状态3，降水状态分别为降水状态1、降水状态2以及降水状态3，关系如下，其中，K7表示气温数据分解后子序列数目，K1、K2、K3分别表示降水状态1、降水状态2和降水状态3所对应的子序列分解数目，K4、K5、K6分别表示风速状态1、风速状态2和风速状态3所对应的子序列分解数目；

S6.2.2、对实测气温时间序列h(t)1，经过经验小波变换方式分解后得到，其中， 表示信号分解得到的模态分量，K7表示气温序列分解的子序列数目；

S6.2.3、对实测风速时间序列h(t)2和实测降水时间序列h(t)3，分别经过经验小波变换方式分解后得到，其中， 均表示信号分解得到的模态分量，子序列的数目N1和N2由当前风速和降水状态决定；

构建BES‑RBF的方法包括以下步骤

S6.3.1、选取历史多年降水、气温和风速数据进行步骤S2中的数据预处理和步骤S3中的特征提取，通过经验小波变换方式分解分别得到降水、气温和风速数据子序列数据集，将每一子序列数据集都划分为训练集和测试集；

S6.3.2、初始化秃鹰算法参数；

S6.3.3、初始化RBF神经网络参数；

S6.3.4、计算秃鹰个体适应度值，选择最佳适应度值，更新秃鹰位置；

S6.3.5、秃鹰通过螺旋搜索猎物和选择相应区域，更新秃鹰位置；

S6.3.6、在搜索空间中，更新位置后对猎物俯冲，更新秃鹰位置；

S6.3.7、判断是否满足结束条件，若满足则输出最优RBF初始化参数，否则重复步骤S6.3.4至步骤S6.3.7；

S6.3.8、使用训练集训练RBF网络，得到预测模型，利用下式预测：其中，d表示隐藏层单元数； 表示欧式范数，x表示输入层的向量， 表示基函数的中心、 表示基宽度、 表示隐含层与输出层的连接权重值；

S6.3.9、对气温各子序列预测的结果重构，输出最终预测结果，使用皮尔逊相关系数防止合并子序列时操作重复，公式如下，其中，HK,L表示两子序列K、L之间的皮尔逊相关系数， 和 分别表示子序列K、L的均值，n表示子序列K、L中的数据数目。

2.根据权利要求1所述的一种自适应的多气象要素预测方法，其特征在于：所述步骤S2中数据预处理的方法具体为：对数据进行数据清洗，使用最邻近插值，将数据中的异常值和缺失值分别换成距离该异常值和缺失值所在样本点最近的原始数据的样本值，对三种气象数据进行归一化，基于下列公式：其中，Si表示收集到的数据序列Smin和Smax分别表示收集数据中的最小值和最大值，表示经过归一化处理后的数据序列。

3.根据权利要求1所述的一种自适应的多气象要素预测方法，其特征在于：所述步骤S4中，高斯混合模型由多个多维高斯分布叠加得到，概率密度函数如下，其中,x表示多维气象数据样本的集合，N表示高斯混合模型包含的多维高斯分布的总簇数，P(x)表示多维高斯混合模型的概率密度；Pn(x)表示第n个多维高斯分布的概率密度，、 、 表示待估计参数，分别为第n个高斯分布簇的系数、均值向量以及协方差矩阵；

高斯混合模型通过最大化对数似然函数实现最优参数估计，如下式所示，其中，M表示总样本的组数，由降水、气温以及风速历史数据组成；xm表示第m组气象样本， 表示需要优化的参数集合。

4.根据权利要求1所述的一种自适应的多气象要素预测方法，其特征在于：所述步骤S4中，使用飞蛾扑火算法对期望最大化算法进行改进，训练高斯混合模型的方法包括以下步骤S4.1、收集历史多年逐小时降水、气温以及风速时间序列数据，通过步骤S2中的数据预处理和步骤S3中的特征提取构建训练集和测试集，设置高斯混合模型阶数；

S4.2、初始化高斯混合模型参数；

S4.3、初始化飞蛾扑火算法参数；

S4.4、使用期望最大化算法随机选择一只飞蛾并生成其位置矩阵和对应的高斯混合模型参数；

S4.5、更新火焰数量；

S4.6、判断是否是首次迭代，若是则根据飞蛾初始位置计算出个体适应度并排序，若否则更新火焰位置；

S4.7、更新飞蛾位置矩阵并计算适应度值，与前一代最高的个体适应度值比较后，选择更高的适应度值；

S4.8、判断是否满足终止条件，若是则输出最优参数集，结束训练，若为否则返回步骤S4.4。

5.根据权利要求4所述的一种自适应的多气象要素预测方法，其特征在于：所述步骤S4.2中，初始化高斯混合模型参数的方法具体为，随机生成值大于零的三维向量 和

3x3的随机数矩阵 ，以及N个初始均值向量 和高斯混合模型系数 ，通过下式将系数 标准化，使系数和为1，其中， 表示高斯混合模型系数。

6.根据权利要求4所述的一种自适应的多气象要素预测方法，其特征在于：所述步骤S4.8中的最佳参数集如下所示，其中， 表示最佳参数集， 表示第n个高斯分布簇的系数， 表示第n个均值向量， 和 分别表示第n个用于构造协方差矩阵的3维特征向量和3x3的随机矩阵；

通过计算最大后验概率，对降水、气温以及风速数据进行分类，公式如下：其中， 表示第n个高斯分布簇的系数， 表示第m组气象样本多维高斯混合模型的概率密度， 表示第m组气象样本的第n个多维高斯分布的概率密度。