XGBoost 渡越时间预测

误差近半日

首次将集成学习方法 XGBoost 应用于日冕物质抛射渡越时间预测，并引入两种特征重要性排序方法辅助模型解释与特征选择。

杨芸 · Liu, Jiajia · 冯学尚 · 陈平 · Zhang B.

Astrophysical Journal, Supplement Series 2023

参数信息

平均绝对误差（最佳测试）

5.72 hr

绝对到达时间误差小于 5.72 小时的比例

62 %

平均绝对误差（所有随机测试均值）

10 hr

技术优势

误差低于半天

最佳随机划分测试中 MAE 约 5.72 小时，意味着预测到达时间与真实到达时间的平均偏差在半天以内，可满足空间天气预报的业务参考需求。

多数误差可控

在同一测试中，62% 的测试 CME 绝对到达时间误差小于 5.72 小时，说明对大部分事件而言误差在可接受范围内，而不是被少量极端误差拉高整体水平。

特征有据可依

引入信息增益法和置换法两种特征重要性排序方法，结合模型学习过程与性能来评估特征贡献，能选出与模型紧密匹配的重要特征，优于直接相关分析。

应用场景

• 空间天气预报：用 XGBoost 提前估算 CME 到达时间，辅助预警发布。
• 太阳活动监测：在对大量 CME 事件做监测数据特征选择时，用两种排序方法挑出关键特征。
• 电网磁暴预警：更准的到达时间预测让电网有更多时间采取防护措施。