CN106779134B - 基于支持向量机的钱塘江潮时预报方法 - Google Patents

基于支持向量机的钱塘江潮时预报方法 Download PDF

Info

Publication number
CN106779134B
CN106779134B CN201610981643.8A CN201610981643A CN106779134B CN 106779134 B CN106779134 B CN 106779134B CN 201610981643 A CN201610981643 A CN 201610981643A CN 106779134 B CN106779134 B CN 106779134B
Authority
CN
China
Prior art keywords
data
day
historical
time difference
support vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610981643.8A
Other languages
English (en)
Other versions
CN106779134A (zh
Inventor
章国稳
孙映宏
姬战生
邱超
李留东
王英英
胡其美
汪华平
车弘书
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201610981643.8A priority Critical patent/CN106779134B/zh
Publication of CN106779134A publication Critical patent/CN106779134A/zh
Application granted granted Critical
Publication of CN106779134B publication Critical patent/CN106779134B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于支持向量机的钱塘江潮时预报方法,本发明具体步骤是：读取历史涌潮到达时间以及高潮位数据，计算得到隔日时间差；对历史高潮位数据和连续两日隔日时间差数据进行归一化处理；根据预报日从历史数据中挑选同条件下的数据构造训练样本；利用训练样本训练支持向量机模型；利用支持向量机模型结合输入参数得到预测数据。该发明是一种泛化能力强、计算效率高的钱塘江潮时预报方法，预测可靠性比传统方法要高，整个分析过程快速方便，容易被使用者掌握。

Description

基于支持向量机的钱塘江潮时预报方法
技术领域
本发明属于测控技术领域，具体是一种基于支持向量机的钱塘江潮时预报方法。
背景技术
当东海潮进入杭州湾后，由于河口突然由宽变窄，促进水位的骤然升高，形成明显的潮头，随着后面潮水的继续涌入，最终形成了惊涛骇浪，万马奔腾的壮观涌潮奇景，即为闻名中外的钱塘江涌潮。随着钱塘江流域经济迅速发展，外来游客和居住人口逐年增加，为保障沿江居民安全、船舶航行安全以及沿岸工程设施，精确的涌潮预报越发受到各方关注。
实际应用中，钱塘江涌潮预报主要采用依据经验模型的隔日滞后法，即通过前一天涌潮到达各个站点的时间预报该天涌潮到达各个站点的时间。这类方法主要缺点是受预报日当天江道地形、涌潮的流速、风向及大小和上游洪水等自然因素的影响，使得预报精度不够理想。
支持向量机(Support Vector Machine-SVM)，是近年发展起来的一种适用于小样本的统计学习理论。与人工神经网络相比，具有结构简单、计算效率高、所需训练样本少以及泛化能力强等优点。这些特点使其更适用于钱塘江涌潮预报。
发明内容
本发明针对现有技术的不足，提供一种基于支持向量机的钱塘江潮时预报方法，目的在于对钱塘江潮时进行准确预报。
该方法的具体步骤是：
步骤1：读取历史涌潮到达时间td(n)、对应站点和闻家堰的前一次高潮位g(n-1)、gw(n-1)，根据连续两日涌潮到达时间计算隔日时间差数据dt(n)，以分钟作为单位，
dt(n)＝td(n+1)-td(n) n＝1,2,3,... (1)
步骤2：历史高潮位数据和连续两日隔日时间差数据进行归一化处理
根据式(2)对历史高潮位数据进行归一化，
Figure BDA0001147949210000021
其中xmax为历史高潮位数据中的最大值，xmin为历史高潮位数据中的最小值。x为待处理的历史高潮位数据，
Figure BDA0001147949210000022
为历史高潮位数据归一化处理后的值。
连续两日隔日时间差数据归一化处理方法为：
Figure BDA0001147949210000023
步骤3：根据预报日从历史数据中挑选同条件下的数据构造训练样本。
农历上，不同年相似月的数据可近似认为同条件下的数据，而其他不同月的数据为不同条件下的数据。这里根据预测日期的不同而分别建立训练模型，选择的训练样本同预测日期为同条件下的数据，即选择训练样本与预测日期不同年相似月的数据。另一方面，随着时间延迟增大，不同年相似月数据相关性亦逐渐减小，为保证训练样本与预测日的相关性足够大，选择预测日期近5年内相似月份的隔日时间差数据作为训练样本。
利用归一化后的历史数据构造训练样本，将预报日前4个连续两日隔日时间差
Figure BDA0001147949210000024
4日中最后一次涌潮高潮水位
Figure BDA0001147949210000025
以及相应的闻家堰高潮水位
Figure BDA0001147949210000026
作为5个输入，第i日的隔日时间差作为输出值。以此类推可以构建输入矩阵P和目标矩阵T。因此输入矩阵P每行为6个数据，目标矩阵每行为1个数据。同样，该两矩阵均为N-3行，N为历史数据长度。
Figure BDA0001147949210000031
Figure BDA0001147949210000032
其中，i表示预测目标日的农历日序号；k表示预测目标年份序号，例如k＝0表示预测年，k＝1表示预测年前一年，以此类推。
步骤4：利用训练样本训练支持向量机模型。
调用Matlab7.10.0函数库中的svmtrain函数进行支持向量机模型训练，主要参数包括核函数选取、损失函数ε和惩罚因子参数C的确定。支持向量机常用核函数包括多项式核函数、径向基函数(RBF)核函数、Sigmoid核函数，通常选用RBF函数；损失函数ε决定了回归误差期望，其取值大小将会影响相应模型的支持向量数量以及泛化能力，ε取值越大，相应模型支持向量减小，预测精度越低，反之亦然，ε一般取为(0.0001～0.01)；惩罚因子参数C主要用于平衡逼近误差以及模型复杂度，C的值越大，相应模型拟合误差则越小，对数据的拟合程度越高，但模型复杂程度亦越大，C一般取为(1～1000)；
步骤5：利用步骤4得到的支持向量机模型结合输入参数得到预测数据。
为了预测第j天的隔日时间差，将第j日的前4个连续两日隔日时间差
Figure BDA0001147949210000033
4日中最后一次涌潮高潮水位
Figure BDA0001147949210000034
以及相应的闻家堰高潮水位
Figure BDA0001147949210000035
作为5个输入，调用Matlab7.10.0函数库中的svmpredict函数预测第j日的隔日时间差
Figure BDA0001147949210000036
步骤6：反归一化处理隔日时间差，计算预测潮时。
利用公式(5)对预测隔日时间差dt(j)predict进行反归一化处理，通过式(6)得到预测隔日时间差绝对值
Figure BDA0001147949210000041
td,predict(j)＝t(j-1)+dt(j) (6)
t(j-1)表示第j-1日的涌潮到达时间。
本发明的有益效果是：
1.本方法根据预报日不同而分别建立训练模型，从历史数据中挑选同条件下的数据构造训练样本，使得预报模型更加准确，预测结果更加可靠。
2.支持向量机是一种适用于小样本、泛化能力强的预测模型，使得本方法具有更高泛化能力，同时分析时间较短满足在线分析需求。
3.整个分析过程快速方便，容易被使用者掌握，同时易于编程实现。
附图说明
图1为基于支持向量机的钱塘江潮时预报方法流程图。
具体实施方式
以下结合附图对本发明的方法作进一步描述。
如图1所示，为基于支持向量机的钱塘江潮时预报方法流程图，具体实施步骤如下：
步骤1：读取历史涌潮到达时间td(n)、对应站点和闻家堰的前一次高潮位g(n-1)、gw(n-1)，根据连续两日涌潮到达时间计算隔日时间差数据dt(n)，以分钟作为单位，
dt(n)＝td(n+1)-td(n) n＝1,2,3,... (1)
步骤2：历史高潮位数据和连续两日隔日时间差数据进行归一化处理
根据式(2)对历史高潮位数据进行归一化，
Figure BDA0001147949210000042
其中xmax为历史高潮位数据中的最大值，xmin为历史高潮位数据中的最小值。x为待处理的历史高潮位数据，
Figure BDA0001147949210000051
为历史高潮位数据归一化处理后的值。
连续两日隔日时间差数据归一化处理方法为：
Figure BDA0001147949210000052
步骤3：根据预报日从历史数据中挑选同条件下的数据构造训练样本。
农历上，不同年相似月的数据可近似认为同条件下的数据，而其他不同月的数据为不同条件下的数据。这里根据预测日期的不同而分别建立训练模型，选择的训练样本同预测日期为同条件下的数据，即选择训练样本与预测日期不同年相似月的数据。另一方面，随着时间延迟增大，不同年相似月数据相关性亦逐渐减小，为保证训练样本与预测日的相关性足够大，选择预测日期近5年内相似月份的隔日时间差数据作为训练样本。
利用归一化后的历史数据构造训练样本，将预报日前4个连续两日隔日时间差
Figure BDA0001147949210000053
4日中最后一次涌潮高潮水位
Figure BDA0001147949210000054
以及相应的闻家堰高潮水位
Figure BDA0001147949210000055
作为5个输入，第i日的隔日时间差作为输出值。以此类推可以构建输入矩阵P和目标矩阵T。因此输入矩阵P每行为6个数据，目标矩阵每行为1个数据。同样，该两矩阵均为N-3行，N为历史数据长度。
Figure BDA0001147949210000056
Figure BDA0001147949210000057
其中，i表示预测目标日的农历日序号；k表示预测目标年份序号，例如k＝0表示预测年，k＝1表示预测年前一年，以此类推。
步骤4：利用训练样本训练支持向量机模型。
调用Matlab7.10.0函数库中的svmtrain函数进行支持向量机模型训练，主要参数包括核函数选取、损失函数ε和惩罚因子参数C的确定。支持向量机常用核函数包括多项式核函数、径向基函数(RBF)核函数、Sigmoid核函数，通常选用RBF函数；损失函数ε决定了回归误差期望，其取值大小将会影响相应模型的支持向量数量以及泛化能力，ε取值越大，相应模型支持向量减小，预测精度越低，反之亦然，ε一般取为(0.0001～0.01)；惩罚因子参数C主要用于平衡逼近误差以及模型复杂度，C的值越大，相应模型拟合误差则越小，对数据的拟合程度越高，但模型复杂程度亦越大，C一般取为(1～1000)；
步骤5：利用步骤4得到的支持向量机模型结合输入参数得到预测数据。
为了预测第j天的隔日时间差，将第j日的前4个连续两日隔日时间差
Figure BDA0001147949210000061
4日中最后一次涌潮高潮水位
Figure BDA0001147949210000062
以及相应的闻家堰高潮水位
Figure BDA0001147949210000063
作为5个输入，调用Matlab7.10.0函数库中的svmpredict函数预测第j日的隔日时间差
Figure BDA0001147949210000064
步骤6：反归一化处理隔日时间差，计算预测潮时。
利用公式(5)对预测隔日时间差dt(j)predict进行反归一化处理，通过式(6)得到预测隔日时间差绝对值
Figure BDA0001147949210000065
td,predict(j)＝t(j-1)+dt(j) (6)
t(j-1)表示第j-1日的涌潮到达时间。

Claims (1)

1.基于支持向量机的钱塘江潮时预报方法，其特征在于，该方法的具体包括以下步骤：
步骤1：读取历史涌潮到达时间td(n)、对应站点和闻家堰的前一次高潮位g(n-1)、gw(n-1)，根据连续两日涌潮到达时间计算隔日时间差数据dt(n)，以分钟作为单位，
dt(n)＝td(n+1)-td(n) n＝1,2,3,... (1)
步骤2：历史高潮位数据和连续两日隔日时间差数据进行归一化处理
根据式(2)对历史高潮位数据进行归一化，
Figure FDA0002819861050000011
其中xmax为历史高潮位数据中的最大值，xmin为历史高潮位数据中的最小值；x为待处理的历史高潮位数据，
Figure FDA0002819861050000012
为历史高潮位数据归一化处理后的值；
连续两日隔日时间差数据归一化处理方法为：
Figure FDA0002819861050000013
步骤3：根据预报日从历史数据中挑选同条件下的数据构造训练样本；
农历上，将不同年相似月的数据作为同条件下的数据，而其他不同月的数据作为不同条件下的数据；这里根据预测日期的不同而分别建立训练模型，选择的训练样本同预测日期为同条件下的数据，即选择训练样本与预测日期不同年相似月的数据；为保证训练样本与预测日的相关性足够大，选择预测日期近5年内相似月份的隔日时间差数据作为训练样本；
利用归一化后的历史数据构造训练样本，将预报日前4个连续两日隔日时间差
Figure FDA0002819861050000014
4日中最后一次涌潮高潮水位
Figure FDA0002819861050000021
以及相应的闻家堰高潮水位
Figure FDA0002819861050000022
作为6个输入，第i日的隔日时间差作为输出值；以此类推可以构建输入矩阵P和目标矩阵T；因此输入矩阵P每行为6个数据，目标矩阵每行为1个数据；同样，该两矩阵均为N-3行，N为历史数据长度；
Figure FDA0002819861050000023
Figure FDA0002819861050000024
其中，i表示预测目标日的农历日序号；k表示预测目标年份序号，即k＝0表示预测年，k＝1表示预测年前一年，以此类推；
步骤4：利用训练样本训练支持向量机模型；
调用Matlab7.10.0函数库中的svmtrain函数进行支持向量机模型训练，参数包括核函数选取、损失函数ε和惩罚因子参数C的确定；支持向量机常用核函数选用RBF函数；损失函数ε取值为(0.0001～0.01)；惩罚因子参数C取值为(1～1000)；
步骤5：利用步骤4得到的支持向量机模型结合输入参数得到预测数据；
为了预测第j天的隔日时间差，将第j日的前4个连续两日隔日时间差
Figure FDA0002819861050000025
4日中最后一次涌潮高潮水位
Figure FDA0002819861050000026
以及相应的闻家堰高潮水位
Figure FDA0002819861050000027
作为6个输入，调用Matlab7.10.0函数库中的svmpredict函数预测第j日的隔日时间差
Figure FDA0002819861050000028
步骤6：反归一化处理隔日时间差，计算预测潮时；
利用公式(5)对预测隔日时间差dt(j)predict进行反归一化处理，通过式(6)得到预测隔日时间差绝对值
Figure FDA0002819861050000031
td,predict(j)＝t(j-1)+dt(j) (6)
t(j-1)表示第j-1日的涌潮到达时间。
CN201610981643.8A 2016-11-08 2016-11-08 基于支持向量机的钱塘江潮时预报方法 Active CN106779134B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610981643.8A CN106779134B (zh) 2016-11-08 2016-11-08 基于支持向量机的钱塘江潮时预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610981643.8A CN106779134B (zh) 2016-11-08 2016-11-08 基于支持向量机的钱塘江潮时预报方法

Publications (2)

Publication Number Publication Date
CN106779134A CN106779134A (zh) 2017-05-31
CN106779134B true CN106779134B (zh) 2021-02-09

Family

ID=58972860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610981643.8A Active CN106779134B (zh) 2016-11-08 2016-11-08 基于支持向量机的钱塘江潮时预报方法

Country Status (1)

Country Link
CN (1) CN106779134B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111307122B (zh) * 2020-03-19 2021-12-14 广东景泽生态环境股份有限公司 一种潮水变化的预测方法及装置
CN114548487A (zh) * 2022-01-10 2022-05-27 杭州市水文水资源监测中心 基于卷积神经网络的江河涌潮预报方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101625733B (zh) * 2009-08-03 2012-08-22 杭州电子科技大学 基于神经网络的潮水水位和时间预测方法
WO2014075108A2 (en) * 2012-11-09 2014-05-15 The Trustees Of Columbia University In The City Of New York Forecasting system using machine learning and ensemble methods
CN105139093B (zh) * 2015-09-07 2019-05-31 河海大学 基于Boosting算法和支持向量机的洪水预报方法

Also Published As

Publication number Publication date
CN106779134A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
CN106022521B (zh) 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法
CN112149879B (zh) 一种计及宏观波动性分类的新能源中长期电量预测方法
CN108280545A (zh) 一种基于k均值聚类神经网络的光伏功率预测方法
CN110363349B (zh) 一种基于ascs的lstm神经网络水文预测方法及系统
CN110942194A (zh) 一种基于tcn的风电预测误差区间评估方法
CN109146156B (zh) 一种用于预测充电桩系统充电量的方法
CN108764568B (zh) 一种基于lstm网络的数据预测模型调优方法及装置
CN108764539A (zh) 一种梯级电站的上下游水位预测方法
CN110766134A (zh) 基于循环神经网络的光伏电站短期功率预测方法
CN116595394A (zh) 风速修正模型的训练方法及风速预测方法、设备和介质
Huang et al. Effect of Three Gorges Dam on Poyang Lake water level at daily scale based on machine learning
CN112288140A (zh) 一种基于Keras的短期电力负荷预测方法、存储介质和设备
CN116581755B (zh) 功率预测方法、装置、设备及存储介质
CN112307672A (zh) 基于布谷鸟算法优化的bp神经网络短期风功率预测方法
CN106779134B (zh) 基于支持向量机的钱塘江潮时预报方法
CN115186857A (zh) 一种基于集成学习的神经网络水库水位预测方法
CN116014722A (zh) 基于季节分解和卷积网络的次日光伏发电预测方法及系统
CN116599050A (zh) 基于自注意力机制的光伏预测方法及相关装置
CN116227738B (zh) 一种电网客服话务量区间预测方法及系统
CN117332900A (zh) 一种3d建模输出的新能源小时间尺度功率预测方法
CN112700050A (zh) 一种光伏电站超短期第1点功率预测方法及系统
CN116757716A (zh) 基于改进时变深度前馈神经网络的电价预测方法及装置
CN109685242B (zh) 基于Adaboost算法的光伏超短期组合预测方法
CN114519308A (zh) 河流水沙调节影响下河水地下水相互转化滞后响应时间的确定方法
CN112381326A (zh) 一种基于改进bp神经网络的汛情监测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant