CN108876021B - 一种中长期径流预报方法及系统 - Google Patents
一种中长期径流预报方法及系统 Download PDFInfo
- Publication number
- CN108876021B CN108876021B CN201810556367.XA CN201810556367A CN108876021B CN 108876021 B CN108876021 B CN 108876021B CN 201810556367 A CN201810556367 A CN 201810556367A CN 108876021 B CN108876021 B CN 108876021B
- Authority
- CN
- China
- Prior art keywords
- runoff
- time sequence
- sequence
- dimension
- phase space
- 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
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
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
本发明公开一种中长期径流预报方法及系统,包括:一:获取水文站点的历史实测径流数据,并根据历史实测径流数据建立径流时间序列;二:采用序列相关法确定径流时间序列的时间延迟,采用饱和关联维数法确定径流时间序列的最佳嵌入维数;三:判断所述径流时间序列是否具有混沌特性,若具有混沌特性,则执行步骤四,否则再次执行步骤二;四:在重构相空间时间序列的基础上,采用基于自适应动态阈值的改进AdaBoost.RT算法提升极限学习机模型的学习性能,进而对径流时间序列进行预报,重构相空间时间序列根据时间延迟和最佳嵌入维数确定,基于自适应动态阈值的改进AdaBoost.RT算法依据每次迭代训练样本的均方根误差调整阈值。本发明提高了径流预测精度。
Description
技术领域
本发明涉及水文学中的水文预报技术领域,更具体地,涉及一种中长期径流预报方法及系统。
背景技术
现有中长期径流预报常用方法是利用时间序列或者机器学习等数据驱动模型建立历史水文气象变量和预报变量间的函数映射关系,进而对未来较长时间内的径流量进行准确的预报。从大量水文气象因子选取适用于不同流域、不同时间段以及不同模型的水文预报因子一直是中长期径流预报的难点。
目前常用的预报因子筛选方法包括简单枚举法和相关系数法。简单枚举法主要依据不同输入变量组合下预报模型的拟合效果选取预报因子,相关系数法则主要依据输入变量与预报变量间相关系数大小对预报因子进行筛选,然而简单枚举法的计算量大且耗时费力,相关系数法通常假定输入变量和输出变量间存在简单的线性关系,不足以反映变量间的非线性关系。因此亟待研究新的理论与方法以筛选合适的预报因子。
此外,目前对于径流时间序列预测的研究大多集中在数据预处理、参数优化及加权组合预测等方面,而对单个模型的性能进行集成学习的研究还比较少。现有大量水文预测研究方法表明,没有某一种预报方法能够完全优于另一种方法,且单一预测模型存在参数难以确定,极易陷入局部最优、过拟合、以及适应性和局限性等问题。
发明内容
针对现有技术的缺陷,本发明的目的在于解决现有中长期径流预报方法单一预测模型存在参数难以确定,极易陷入局部最优、过拟合、以及适应性和局限性等技术问题。
为实现上述目的,一方面,本发明提供一种中长期径流预报方法,包括以下步骤:
步骤一:获取水文站点的历史实测径流数据,并根据历史实测径流数据建立径流时间序列;
步骤二:采用序列相关法确定径流时间序列的时间延迟,采用饱和关联维数法确定径流时间序列的最佳嵌入维数;
步骤三:判断所述径流时间序列是否具有混沌特性,若具有混沌特性,则执行步骤四,否则再次执行步骤二;
步骤四:在重构相空间时间序列的基础上,采用基于自适应动态阈值的改进AdaBoost.RT算法提升极限学习机模型的学习性能,进而对径流时间序列进行预报,所述重构相空间时间序列根据径流时间序列的时间延迟和最佳嵌入维数确定,所述基于自适应动态阈值的改进AdaBoost.RT算法依据每次迭代训练样本的均方根误差调整阈值。
需要说明的是,改进AdaBoost.RT算法即为根据训练样本的均方根误差自适应的迭代更新阈值的AdaBoost.RT算法。
其中,中长期可以指半个月、一个月、一个季度、半年或者一年等,本发明不对此做唯一性限定。
可选地,采用序列相关法中的自相关函数求取径流时间序列的自相关系数,取自相关系数首次过0点时所得到的时间延迟为重构相空间的时间延迟τ,计算公式为:
可选地,采用饱和关联维数法确定最佳嵌入维数,计算不同嵌入维数下径流时间序列的关联维数Dm,当Dm不再变化时,即系统饱和时的嵌入维数为重构相空间的最佳嵌入维数;
对于某一离散的径流时间序列x1,x2,...,xn,经过时间延迟τ嵌入到m维相空间中可表示为:
Yl=[xl,xl+τ,...,xl+(m-1)τ]
其中,l=1,2,...,n-(mb-1)τ,Yl为m维相空间中的序列,m为嵌入维数,mb表示重构相空间最佳嵌入维数,x1,x2,...,xn分别表示各个下标所对应时刻的径流值;
关联维数Dm的计算公式为:
rij=||Yi-Yj||
其中,ro表示预设值,取值在rij的数值范围内,rij表示Yi与Yj之间的欧氏距离,Yi和Yj均为m维重构相空间{Yi},i=1,2,...,l中的序列,H(x)为Heaviside函数。
可选地,根据饱和关联维数和Lyapunov指数判断径流时间序列是否具有混沌特性;
饱和关联维数为不同嵌入维数下关联维数Dm不再变化即系统饱和时的Dm值;
重构相空间时间序列Yi与其最邻近序列间距离记为Li,重构相空间两个相邻序列间的最大平均指数发散率即最大Lyapunov指数λ的计算公式为:
混沌系统具有正的分数维关联维数,且其最大Lyapunov指数λ的符号为正,λ越大,系统的混沌特性越强。只有具有混沌特性径流系统才能进行相空间重构,进一步根据重构相空间确定径流预报模型的最佳输入因子组合。
可选地,在重构相空间时间序列的基础上,采用基于自适应动态阈值的改进AdaBoost.RT算法提升极限学习机模型的学习性能,进而对径流时间序列进行预报,包括:
1)对于径流时间序列x1,x2,...,xn,通过序列相关法和关联维数法分别确定月径流时间序列的时间延迟τ和嵌入维数m,根据相空间重构理论可以得到如下样本序列:
式中,N=n-1-(m-1)τ为样本序列的长度,X为训练样本集的输入,Y为训练样本集的输出;
2)确定极限学习机的阈值初值φ(0<φ<1)、基本极限学习机,最大迭代次数K,设置N个样本的初始权重值为Dk(i)=1/N,令误差率εk=0,迭代次数k=1;
3)在给定的样本权重分布下训练极限学习机,建立回归模型,使得fk(x)=y,fk(x)表示极限学习机映射函数,x表示输入向量,y表示输出向量;
4)计算每个样本的误差及极限学习机的误差:
式中,Ek(i)表示第k次迭代第i个样本的训练误差,xi表示第i个样本的输入值,yi表示第i个样本的输出值;
6)令k=k+1,跳转至步骤3,直到K次迭代后跳出循环;
7)对训练好的K个极限学习机进行加权集成,构成一个强预测模型,并将检验样本代入强预测模型,得到检验期预测结果ffin(x):
可选地,依据每次迭代训练样本的均方根误差调整极限学习机的阈值,阈值的具体更新步骤如下:
1)计算每次迭代中训练结果的均方根误差ek:
2)根据下式更新每次迭代中的阈值φk,使得φk随训练误差的增加而增加:
可选地,该中长期径流预报方法还包括:步骤五:选取水文预报中均方根误差RMSE、平均绝对误差MAE、确定性系数DC及合格率QR四种评价指标对模型的预报性能进行评价。
另一方面,本发明提供一种中长期径流预报系统,包括:
历史数据获取模块,用于获取水文站点的历史实测径流数据,并根据历史实测径流数据建立径流时间序列;
参数确定模块,用于采用序列相关法确定径流时间序列的时间延迟,采用饱和关联维数法确定径流时间序列的最佳嵌入维数,时间延迟和最佳嵌入维数为径流时间序列的两个参数;
参数判断模块,用于判断所述径流时间序列是否具有混沌特性,若具有混沌特性,则时间延迟和最佳嵌入维数两个参数有效,否则继续确定新的参数;
径流预报模块,用于在重构相空间时间序列的基础上,采用基于自适应动态阈值的改进AdaBoost.RT算法提升极限学习机模型的学习性能,进而对径流时间序列进行预报,所述重构相空间时间序列根据径流时间序列的时间延迟和最佳嵌入维数确定,所述基于自适应动态阈值的改进AdaBoost.RT算法依据每次迭代训练样本的均方根误差调整阈值。
可选地,该中长期径流预报系统,还包括:预报性能评价模块,用于选取水文预报中均方根误差RMSE、平均绝对误差MAE、确定性系数DC及合格率QR四种评价指标对模型的预报性能进行评价。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
1)本发明采用混沌相空间重构理论确定集成极限学习机预报模型的预报因子,能够克服传统简单枚举法计算量大和相关系数法非线性能力不强的缺点,同时加强了对径流时间序列演变规律的认识,为径流时间序列非线性综合预报奠定基础。
2)本发明针对AdaBoost.RT集成算法中固定阈值的局限性,采用自适应动态调整阈值的方法更新极限学习机模型输出样本的权重分布,以提高极限学习机模型的稳定性和泛化性,从而增强弱学习算法的可靠性,进而提高模型预报精度。
附图说明
图1为本发明提供的基于混沌理论和集成极限学习机的预报模型流程图;
图2为攀枝花站月径流时间序列相关系数、lnr0~lnC(r0)及m~D(m)图;
图3为本发明提供的月径流预报结果对比示意图;
图4为本发明提供一种中长期径流预报系统架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
针对现有技术的不足,本发明首先以流域月径流非线性动力系统的混沌特征参数辨识为切入点,研究并发现流域内在特性作用下月径流时间序列动力响应的混沌现象,然后推求月径流时间序列相空间重构的延迟时间和最佳嵌入维数,在此基础上以重构相空间时间序列作为输入变量,引入基于自适应动态阈值的改进Adaboost.RT算法对若干个极限学习机(ExtremeLearning Machine,ELM)弱学习器进行集成学习并对月径流时间序列进行预报,从而获得高精度的径流预报信息。
本发明以长江上游流域攀枝花水文站月径流时间序列为实施例,进行实例仿真,以验证本发明的效果。图1为本发明提供的基于混沌理论和集成极限学习机的预报模型流程图,实施步骤如下:
步骤一:选取攀枝花水文站1959年1月至2008年12月的月径流作为样本数据(600个样本数据点)。
步骤二:采用序列相关法中的自相关函数确定攀枝花站月径流时间序列的时间延迟τ,采用饱和关联维数G-P法确定最佳嵌入维数m。
对于攀枝花站的径流时间序列x1,x2,...,xn,经过时间延迟τ嵌入到m维相空间中可表示为:
Yl=[xl,xl+τ,...,xl+(m-1)τ]
其中,l=1,2,...,n-(mb-1)τ,Yl为m维相空间中的点,mb表示重构相空间最佳嵌入维数。
采用序列相关法中的自相关函数求取径流时间序列的自相关系数,取自相关系数首次过0点时所得到的空间延迟为重构相空间的时间延迟τ。计算公式为:
采用G-P法确定最佳嵌入维数m。首先计算不同维数下径流时间序列的关联维数Dm,当Dm不再变化时,即系统饱和时的维数为重构相空间的最佳嵌入维数。
对于m维相空间的序列{Yi},i=1,2,...,l,Yi与Yj之间的欧氏距离表示为:
rij=||Yi-Yj||
给定一个数r0,rij min≤r0≤rij max,适当调整r0的取值,算出一组lnr0与lnC(r0)的值,当r0→0时,lnC(r0)与lnr0的比值即为关联维数Dm。关联维数Dm可以通过下式计算:
步骤三:根据关联维数和Lyapunov指数判断攀枝花站月径流时间序列是否具有混沌特性。
Lyapunov指数刻画了重构相空间中两个相邻序列间的平均指数发散率,可以用于度量混沌运动对初始条件的敏感性,它和关联维数是判断径流系统是否具有混沌特性的充分必要条件。混沌系统具正的分数维关联维数和正的最大Lyapunov指数。重构相空间序列Yi与其最邻近序列间距离记为Li,重构相空间两个相邻序列间的最大平均指数发散率即最大Lyapunov指数λ的计算公式为:
步骤四:在重构相空间时间序列的基础上,采用基于自适应动态阈值的改进AdaBoost.RT算法提升极限学习机模型的学习性能,进而对攀枝花站检验期月径流时间序列进行预报。
基于相空间重构、改进AdaBoost.RT算法和ELM的集成学习模型的具体步骤如下:
1)对于攀枝花站月径流时间序列x1,x2,...,xn,通过序列相关法和关联维数法分别确定月径流时间序列的时间延迟τ和嵌入维数m,根据相空间重构理论可以得到如下样本序列:
式中,N=n-1-(mb-1)τ为样本序列的长度,X为训练样本集的输入,Y为训练样本集的输出。
2)确定阈值的初值φ(0<φ<1),基本学习算法(极限学习机),最大迭代次数K,设置N个样本的初始权重值为Dk(i)=1/N,令误差率εk=0,迭代次数k=1。
3)在给定的样本权重分布下训练ELM网络,建立回归模型,使得fk(x)=y。
4)计算每个样本的误差及基学习器的误差:
6)令k=k+1,跳转至步骤3,直到K次迭代后跳出循环。训练好的K个极限学习机进行加权集成,构成一个强预测模型,并将检验样本代入强预测模型,得到检验期预测结果ffin(x)。
在AdaBoost.RT算法的迭代过程中,阈值的取值很重要且很难进行选择。本发明引入基于自适应动态阈值的改进AdaBoost.RT算法更新AdaBoost.RT算法的阈值,即依据每次迭代训练样本的均方根误差调整阈值的大小,使得训练误差越大的样本在下次迭代中的权值越大,反之,误差越小的样本权值越小。阈值的具体更新步骤如下:1)计算每次迭代中训练结果的均方根误差:
2)根据下式更新每次迭代中的阈值φk,使得φk随训练误差的增加而增加:
步骤五:选取水文预报中常用的四种评价指标:RMSE,MAE,DC及QR,对攀枝花水站月径流时间序列的检验期预报结果进行评价。
RMSE,MAE,DC及QR的计算公式如下:
对攀枝花站月径流时间序列进行相空间重构,得到的总样本个数为566,将第1~446个样本用于训练,第447~566个样本(120个月)用于测试。
攀枝花站为例月径流时间序列的自相关函数变化曲线图、不同嵌入维下lnr0~lnC(r0)曲线图、关联维数D(m)与不同嵌入维m之间的关系图如图2所示。由图2(a)可知,当τ=3时,自相关系数图第一次过0点,因此攀枝花站径流混沌分析相空间重构系数τ值取值为3。从图2(c)可以看出,当嵌入维数m=12时,m~D(m)曲线平稳,所以攀枝花站月径流时间序列相空间重构的系数m取值为12。进一步,由图2(c)可知,当攀枝花站径流时间序列的m~D(m)曲线趋于平稳时,饱和关联维D(m)取值分别为2.89。由此可见,攀枝花站月径流时间序列系统的关联维数为正的分数,具有分维特征,表示攀枝花站月径流时间序列系统具有混沌特性,且计算攀枝花站径流时间序列的最大Lyapunov指数0.214,进一步验证了攀枝花站点月径流时间序列系统具有混沌特性。
表1为本发明所提模型(Adaboost-ELM,简称AELM)和单一ELM模型的检验期预报结果误差统计情况。
表1
由表1可知,AELM模型的RMSE和MAE比ELM模型小,且DC和QR比ELM模型大,说明AELM模型的预报效果优于ELM模型,改进AdaBoost.RT算法能有效的提高弱学习算法的精度。
图3展示了攀枝花站检验期1999~2008年共计120个月两种模型的预测值和实测值对比图。由图3可知,相比于ELM模型,AELM模型能更好对月径流时间序列进行拟合:在高流量阶段,AELM模型预测曲线比ELM模型预测曲线更接近实测曲线;在低流量阶段,AELM模型能够在一定程度上减轻ELM模型模拟径流时间序列的波动,进一步说明改进AdaBoost.RT算法能够减轻ELM算法的随机性对预报结果的影响,从而提高径流预报精度。
图4为本发明提供一种中长期径流预报系统架构图,如图4所示,包括:
历史数据获取模块,用于获取水文站点的历史实测径流数据,并根据历史实测径流数据建立径流时间序列。
参数确定模块,用于采用序列相关法确定径流时间序列的时间延迟,采用饱和关联维数法确定径流时间序列的最佳嵌入维数,时间延迟和最佳嵌入维数为径流时间序列的两个参数。
参数判断模块,用于判断所述径流时间序列是否具有混沌特性,若具有混沌特性,则时间延迟和最佳嵌入维数两个参数有效,否则继续确定新的参数。
径流预报模块,用于在重构相空间时间序列的基础上,采用基于自适应动态阈值的改进AdaBoost.RT算法提升极限学习机模型的学习性能,进而对径流时间序列进行预报,所述重构相空间时间序列根据径流时间序列的时间延迟和最佳嵌入维数确定,所述基于自适应动态阈值的改进AdaBoost.RT算法依据每次迭代训练样本的均方根误差调整阈值。
预报性能评价模块,用于选取水文预报中均方根误差RMSE、平均绝对误差MAE、确定性系数DC及合格率QR四种评价指标对模型的预报性能进行评价。
各个模块的具体工作过程可参照前述方法实施例中的描述,在此不做赘述。
本发明针对中长期径流时间序列强非线性和非平稳特征,引入混沌理论和AdaBoost.RT集成极限学习机方法对月径流时间序列进行分析和预测。首先,以流域径流非线性动力系统的混沌特征参数辨识为切入点,研究并发现流域内在特性作用下月径流时间序列动力响应的混沌现象,进而推求月径流时间序列相空间重构的延迟时间和最佳嵌入维数,以此为基础,采用重构相空间时间序列作为输入变量,引入基于自适应动态阈值的改进Adaboost.RT算法对若干个极限学习机弱学习器进行集成学习,得到最佳的混沌集成学习月径流时间序列预测模型,以期提高单一极限学习机模型的泛化性和稳定性,从而获得高精度的流域中长期径流预报信息。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种中长期径流预报方法,其特征在于,包括以下步骤:
步骤一:获取水文站点的历史实测径流数据,并根据历史实测径流数据建立径流时间序列;
步骤二:采用序列相关法确定径流时间序列的时间延迟,采用饱和关联维数法确定径流时间序列的最佳嵌入维数;
步骤三:判断所述径流时间序列是否具有混沌特性,若具有混沌特性,则执行步骤四,否则再次执行步骤二;
步骤四:在重构相空间时间序列的基础上,采用基于自适应动态阈值的改进AdaBoost.RT算法提升极限学习机模型的学习性能,进而对径流时间序列进行预报,所述重构相空间时间序列根据径流时间序列的时间延迟和最佳嵌入维数确定,所述基于自适应动态阈值的改进AdaBoost.RT算法依据每次迭代训练样本的均方根误差调整阈值。
3.根据权利要求2所述的中长期径流预报方法,其特征在于,采用饱和关联维数法确定最佳嵌入维数,计算不同嵌入维数下径流时间序列的关联维数Dm,当Dm不再变化时,即系统饱和时的嵌入维数为重构相空间的最佳嵌入维数;
对于某一离散的径流时间序列x1,x2,...,xn,经过时间延迟τ嵌入到m维相空间中可表示为:
Yl=[xl,xl+τ,...,xl+(m-1)τ]
其中,l=1,2,...,n-(mb-1)τ,Yl为m维相空间中的序列,m为嵌入维数,mb表示重构相空间最佳嵌入维数;
关联维数Dm的计算公式为:
rij=||Yi-Yj||
其中,ro表示预设值,取值在rij的数值范围内,rij表示Yi与Yj之间的欧氏距离,Yi和Yj均为m维重构相空间{Yi},i=1,2,...,l中的序列,H(x)为Heaviside函数。
5.根据权利要求1至4任一项所述的中长期径流预报方法,其特征在于,在重构相空间时间序列的基础上,采用基于自适应动态阈值的改进AdaBoost.RT算法提升极限学习机模型的学习性能,进而对径流时间序列进行预报,包括:
1)对于径流时间序列x1,x2,...,xn,通过序列相关法和关联维数法分别确定月径流时间序列的时间延迟τ和嵌入维数m,根据相空间重构理论可以得到如下样本序列:
式中,N=n-1-(m-1)τ为样本序列的长度,X为训练样本集的输入,Y为训练样本集的输出;
2)确定极限学习机的阈值初值φ(0<φ<1)、基本极限学习机,最大迭代次数K,设置N个样本的初始权重值为Dk(i)=1/N,令误差率εk=0,迭代次数k=1;
3)在给定的样本权重分布下训练极限学习机,建立回归模型,使得fk(x)=y,fk(x)表示极限学习机映射函数,x表示输入向量,y表示输出向量;
4)计算每个样本的误差及极限学习机的误差:
式中,Ek(i)表示第k次迭代第i个样本的训练误差,xi表示第i个样本的输入值,yi表示第i个样本的输出值;
6)令k=k+1,跳转至步骤3,直到K次迭代后跳出循环;
7)对训练好的K个极限学习机进行加权集成,构成一个强预测模型,并将检验样本代入强预测模型,得到检验期预测结果ffin(x):
7.根据权利要求1至4任一项所述的中长期径流预报方法,其特征在于,还包括:
步骤五:选取水文预报中均方根误差RMSE、平均绝对误差MAE、确定性系数DC及合格率QR四种评价指标对模型的预报性能进行评价。
8.一种中长期径流预报系统,其特征在于,包括:
历史数据获取模块,用于获取水文站点的历史实测径流数据,并根据历史实测径流数据建立径流时间序列;
参数确定模块,用于采用序列相关法确定径流时间序列的时间延迟,采用饱和关联维数法确定径流时间序列的最佳嵌入维数,时间延迟和最佳嵌入维数为径流时间序列的两个参数;
参数判断模块,用于判断所述径流时间序列是否具有混沌特性,若具有混沌特性,则时间延迟和最佳嵌入维数两个参数有效,否则继续确定新的参数;
径流预报模块,用于在重构相空间时间序列的基础上,采用基于自适应动态阈值的改进AdaBoost.RT算法提升极限学习机模型的学习性能,进而对径流时间序列进行预报,所述重构相空间时间序列根据径流时间序列的时间延迟和最佳嵌入维数确定,所述基于自适应动态阈值的改进AdaBoost.RT算法依据每次迭代训练样本的均方根误差调整阈值。
9.根据权利要求8所述的中长期径流预报系统,其特征在于,还包括:
预报性能评价模块,用于选取水文预报中均方根误差RMSE、平均绝对误差MAE、确定性系数DC及合格率QR四种评价指标对模型的预报性能进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810556367.XA CN108876021B (zh) | 2018-05-31 | 2018-05-31 | 一种中长期径流预报方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810556367.XA CN108876021B (zh) | 2018-05-31 | 2018-05-31 | 一种中长期径流预报方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108876021A CN108876021A (zh) | 2018-11-23 |
CN108876021B true CN108876021B (zh) | 2020-06-02 |
Family
ID=64336464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810556367.XA Active CN108876021B (zh) | 2018-05-31 | 2018-05-31 | 一种中长期径流预报方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876021B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886461A (zh) * | 2019-01-18 | 2019-06-14 | 昆仑(重庆)河湖生态研究院(有限合伙) | 一种径流预报方法及装置 |
CN109919362B (zh) * | 2019-02-14 | 2021-06-04 | 中国水利水电科学研究院 | 一种考虑水利工程调度影响的中长期径流预报方法 |
CN111259942B (zh) * | 2020-01-10 | 2022-04-26 | 西北工业大学 | 一种水中弱目标检测方法 |
CN111445087A (zh) * | 2020-04-17 | 2020-07-24 | 华北水利水电大学 | 基于极限学习机的洪水预测方法 |
CN111539564A (zh) * | 2020-04-17 | 2020-08-14 | 长安大学 | 一种基于esmd和nnbr的日径流时间序列预测方法 |
CN112116149B (zh) * | 2020-09-17 | 2021-06-18 | 河海大学 | 一种考虑预报不确定性关联演化特征的多站中长期径流滚动概率预测方法 |
CN112348289A (zh) * | 2020-11-30 | 2021-02-09 | 四川大汇大数据服务有限公司 | 基于双层嵌套贴近度算法的水文时间序列预测方法及系统 |
CN112818608A (zh) * | 2021-02-22 | 2021-05-18 | 南方电网调峰调频发电有限公司 | 一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法 |
CN114881283A (zh) * | 2022-03-30 | 2022-08-09 | 中国人民解放军战略支援部队信息工程大学 | 日长变化预报模型的训练方法、日长变化预报方法及装置 |
CN115408485B (zh) * | 2022-09-01 | 2023-04-04 | 中国科学院空天信息创新研究院 | 一种基于站点集水区小样本观测的径流重建方法和系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354363A (zh) * | 2015-10-09 | 2016-02-24 | 上海大学 | 基于核极限学习机的脉动风速预测方法 |
CN107133398B (zh) * | 2017-04-28 | 2020-09-01 | 河海大学 | 一种基于复杂网络的河流径流量预测方法 |
CN113379109B (zh) * | 2017-11-21 | 2022-04-19 | 中国水利水电科学研究院 | 一种基于预测模型自适应的径流预报方法 |
-
2018
- 2018-05-31 CN CN201810556367.XA patent/CN108876021B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108876021A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876021B (zh) | 一种中长期径流预报方法及系统 | |
CN107145965B (zh) | 一种基于相似度匹配和极限学习机的河流洪水预测方法 | |
CN110619432B (zh) | 一种基于深度学习的特征提取水文预报的方法 | |
CN101480143B (zh) | 一种预测灌区作物单产量的方法 | |
CN108920427B (zh) | 一种月尺度水文模型时变参数的动态估计方法 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN112330065A (zh) | 一种基于基流分割和人工神经网络模型的径流预报方法 | |
CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
CN112396152A (zh) | 一种基于cs-lstm的洪水预报方法 | |
CN109871622A (zh) | 一种基于深度学习的低压台区线损计算方法及系统 | |
CN105139093A (zh) | 基于Boosting算法和支持向量机的洪水预报方法 | |
CN110321518B (zh) | 一种判定水文时间序列趋势类型的方法 | |
CN111695290A (zh) | 一种适用于变化环境下的短期径流智能预报混合模型方法 | |
CN112966891A (zh) | 一种河流水环境质量预测方法 | |
CN115423163A (zh) | 一种流域短期洪水事件预测方法、装置及终端设备 | |
CN108647425B (zh) | 基于粒子群优化的K-means径流丰枯年份预报方法 | |
CN112818608A (zh) | 一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN111639803A (zh) | 一种应用于气候变化情景下区域未来植被指数的预估方法 | |
CN110969282A (zh) | 一种基于lstm复合网络的径流量稳定预测方法 | |
CN109272144B (zh) | 基于bpnn的中国北方草原地区ndvi的预测方法 | |
CN111914487B (zh) | 一种基于对抗神经网络的无资料地区水文参数率定方法 | |
CN112287299A (zh) | 河流健康变化定量归因方法、装置及系统 | |
CN114357737B (zh) | 针对大尺度水文模型时变参数的代理优化率定方法 | |
CN115759445A (zh) | 一种基于机器学习和云模型的分类洪水随机预报方法 |
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 |