1.基于改进金枪鱼群算法优化GBDT对气温进行偏差订正的方法，其特征在于，包括以下步骤：步骤1，获取待测地历史气温实际数据和天气预报气象数据，并进行归一化处理；

步骤2，构建GBDT模型；

步骤3，利用多策略对金枪鱼群优化算法进行优化，将优化后的金枪鱼群优化算法记为ITSO，利用ITSO对GBDT模型的超参数进行优化，将优化后的GBDT模型记为ITSO‑GBDT模型；

步骤4，筛选天气预报气象数据的天气要素，利用不同天气要素组合的数据对ITSO‑GBDT模型进行训练，将训练之后的ITSO‑GBDT模型作为气温预报偏差订正模型，筛选出用于气温预报偏差订正的预报要素组合；

步骤5，将筛选后的预报要素组合数据和时间步长输入至气温预报偏差订正模型，得到气温预报偏差订正后的结果；

步骤3具体包括以下步骤：

步骤301，初始化金枪鱼群优化算法的参数，包括种群数量、迭代次数和变量维度；设定参数a和z的取值，a用于确定金枪鱼在初始阶段跟随最佳个体和前一个体的程度，z为概率值且满足0＜z＜0.5；

步骤302，初始化GBDT模型的超参数；

步骤303，使用Cubic混沌映射初始化种群位置，计算表达式为：2

xn+1＝ρ*xn(1‑xn)，

其中，xn+1表示第n+1次映射后的种群位置，n为第n个金枪鱼，ρ是混沌映射的参数；

步骤304，用均方误差公式计算金枪鱼的适应值，将最小适应值对应的种群个体作为当前最优金枪鱼个体；其中均方误差公式为：其中，m表示样本总数；

步骤305，yi表示第i个样本的真实值，即历史气温实际值， 表示第i个样本气温预测值，即GBDT模型的输出值；

步骤306，对所有金枪鱼个体更新k1、k2和p值；其中k1和k2为控制每个金枪鱼个体向莱维飞行个体和前一个金枪鱼个体移动的趋势，p是随着迭代次数自适应变化参数，计算表达式分别为：其中，t表示迭代次数，tmax表示最大迭代次数；

步骤307，产生随机数rand的值，满足0≤rand≤1，比较rand和z的相对大小，选择对应策略对金枪鱼位置进行更新；

步骤308，当迭代次数t＜tmax时，不断重复步骤304～步骤307进行迭代，直到到达最大迭代次数时输出最优个体X，即GBDT模型的最优超参数；

步骤307中选择对应策略对金枪鱼位置进行更新包括：策略一，当rand＜z时，金枪鱼位置更新为：

其中， 为第n个金枪鱼个体t+1次迭代后的位置，ub和lb分别为金枪鱼领域的上下界，N为金枪鱼的总量；

策略二，当rand≥z且rand≥0.5时，金枪鱼采用抛物线觅食策略，金枪鱼位置更新为：其中，F为随机数，取值范围[‑1，1]；

策略三，当0.5＞rand≥z时，金枪鱼采用螺旋觅食策略，金枪鱼位置更新为：其中， 为当前最佳个体位置，D为位置向量的维数，β为个体与最优个体或随机个体的距离参数，计算表达式为：bl

β＝e *cos2πb，

其中，b是均匀分布在0到1之间的随机数，l是螺旋参数；Levy(D)为莱维飞行公式，计算表达式为：其中，λ为常数，u为从均值为0标准差为σu的正态分布中随机抽取的数，v是从均值为0标准差为1的正态分布中随机抽取的数。

2.根据权利要求1所述的基于改进金枪鱼群算法优化GBDT对气温进行偏差订正的方法，其特征在于，步骤4中的天气预报气象数据的天气要素包括气温、露点温度、降水量、

10mU型风风速、10mV型风风速、地表气压以及太阳辐射值。

3.根据权利要求2所述的基于改进金枪鱼群算法优化GBDT对气温进行偏差订正的方法，其特征在于，步骤4包括：以6个不同天气要素为一组，将天气预报气象数据分为6组不同的组合，作为输入数据输入至ITSO‑GBDT模型进行模型训练，且每一个输入数据中天气要素均包括气温，采用MSE公式评价ITSO‑GBDT模型的效果，将该6组作为输入数据的模型预测结果和以7个天气要素作为输入的MSE比较，保留ITSO‑GBDT模型性能最好时对应的预报要素组合，将该预报要素组合作为ITSO‑GBDT模型的输入项。

4.根据权利要求2或3所述的基于改进金枪鱼群算法优化GBDT对气温进行偏差订正的方法，其特征在于，GBDT模型的超参数包括学习率、基学习器个数、决策树最大深度、内部节点所需最小样本数以及叶子结点的最少样本数。