1.一种基于统计插值的台风丢失数据的重构方法，其特性在于，包括如下步骤：S1，利用完整的台风要素作为自变量，缺失的关键数据作为因变量，构建台风模型；

S2，将台风关键要素作为自变量输入台风模型，利用PSO算法对自变量参数进行调参；

S3，对台风经过产生的数据采用Z‑score方法进行检测，定位台风数据异常值；

S4，利用训练的台风模型对台风数据异常值进行数据重构；

S5，对重构数据进行时序异常检测，并基于时间序列进行微调；如重构数据值与前后两个时刻的差值之和大于前后两个时刻的差值的两倍：则对重构数据xt按照以下公式进行微调：

其中，xt‑1为待重构数据的前一时刻值，xt+1为待重构数据的后一时刻值，xmodel为台风模型的预测值；

所述台风模型的表达式为：

P＝β0+β1X1+β2X2+…+βnXn+ε其中，P是待补全的关键数据，X1、X2、…、Xn是完整的台风要素，β0、β1、…、βn是台风关键要素的权重参数，ε是误差项。

2.根据权利要求1所述基于统计插值的台风丢失数据的重构方法，其特性在于，所述台风关键要素包括：风速、气压、湿度、温度；

利用PSO算法对四个自变量参数进行调参，具体步骤如下：S21，将各自变量作为个体，初始化四个粒子，分别表示每个参数的候选解，并随机初始化每个粒子的位置与速度；

S22，根据粒子的当前位置和速度，以及其个体最优解和全局最优解，更新粒子的位置和速度；通过迭代更新，粒子群逐渐向目标函数的最优解收敛；

其速度更新公式如下：

其中，ω是惯量权重，c1和c2是学习因子， 和 是[0,1]区间上的随机数；gBest为个体历史最优，pBest为个体当前最优；

位置更新公式：

d d

其中，xi表示当前粒子i的位置，vi表示当前粒子i的速度；

S23，使用均方根误差来评估台风模型参数的适应度，再不断调整参数，迭代模型，直至均方根误差小于设置的阈值；其中，均方根误差公式：其中，Xobs,i为数据的观测值，Xmodel,i为台风模型的预测值，n为台风要素的总数量。

3.根据权利要求1所述基于统计插值的台风丢失数据的重构方法，其特性在于，步骤S3中，Z‑score方法的表达式如下：其中，X表示单个原始数据值，μ表示总体均值，σ表示总体标准差；

当z在‑3至3之间，则说明属于正常数据；否则，属于异常数据。