CN109146194A - 一种基于变模态卷积自编码关联向量机的径流量预测方法 - Google Patents
一种基于变模态卷积自编码关联向量机的径流量预测方法 Download PDFInfo
- Publication number
- CN109146194A CN109146194A CN201811029273.3A CN201811029273A CN109146194A CN 109146194 A CN109146194 A CN 109146194A CN 201811029273 A CN201811029273 A CN 201811029273A CN 109146194 A CN109146194 A CN 109146194A
- Authority
- CN
- China
- Prior art keywords
- mode
- convolution
- vector machine
- interconnection vector
- runoff
- 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.)
- Pending
Links
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (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
本发明公开了一种基于变模态卷积自编码关联向量机的径流量预测方法,该方法包括以下步骤:收集历史水情信息(小时径流数据),形成原始序列;在对收集到的小时径流信息变模态分解的基础上,进行卷积自编码关联向量机建模训练;利用训练好的变模态卷积自编码关联向量机预测未来时刻径流变化;预测结果输出。本发明通过对径流序列模态分解、模态特性深度学习、模态关联向量融合和预测,辅助水文水利工作者及时预判未来水情变化情况,提高水资源管理智能化水平。
Description
技术领域
本发明涉及水文预报领域,特别涉及一种基于变模态卷积自编码关联向量机的径流量预测方法。
背景技术
径流量预测在水资源规划管理和水库的运行与管理中都起着重要的作用。特别是对灾害性水文现象(洪水、干旱等)做出预报,对防洪、抗旱、水资源调配做出合理有效决策方案有重要意义。
目前有许多方法用于径流量预测,例如水文机制模型、统计概率模型、智能模型等。随着计算机技术和硬件条件发展,水文智能预测模型受到广泛关注和研究。智能模型是一种以建立输入输出数据之间的最优数学关系为目标的黑箱方法,结构灵活,自适应学习能力强,能很好反映径流序列的非线性、时序性、随机性等耦合特性。
发明内容
本发明的目的在于:提出一种基于变模态卷积自编码关联向量机的预测方法,该方法能有效预测流域小时径流量。
本发明为解决上述问题提供以下技术方案:
一种基于变模态卷积自编码关联向量机的径流量预测方法,其特征在于,该方法包括以下步骤:
数据采集:收集历史水情信息,形成原始序列,并进行标准化处理;
变模态卷积自编码关联向量机建模:在对收集到的小时径流信息变模态分解的基础上,进行卷积自编码关联向量机建模训练;
预测未来时刻径流量:利用训练好的变模态卷积自编码关联向量机预测未来时刻径流量变化;
预测结果输出。
进一步的,所述数据采集步骤还包括:对所述历史水情信息中记录的径流时间序列进行标准化处理。
进一步的,所述历史水情信息为瞬时流量,在数据建模过程中作为小时平均值。
进一步的,变模态卷积自编码关联向量机建模包括以下步骤:
1)对收集到的所述历史水情信息进行变模态分解,获得原始序列的模态信息;
2)将各模态信息输入卷积自编码器中,进行特征学习;
3)将步骤2)中特征学习结果输入到关联向量机中,作特征回归拟合;
4)将步骤3)中各模态特性回归拟合结果进行模态线性融合,得到最终结果。
进一步的,所述步骤2)中卷积自编码器的特征学习为无监督学习,输入为径流量模态信息,输出为学习结果。
进一步的,所述步骤3)中回归拟合为有监督学习,输入为卷积自编码器的输出,输出为径流量。
进一步的,所述预测未来时刻径流量具体步骤为:按照训练输入-输出模式,将新的水情信息输入变模态卷积自编码关联向量机中,模型输出即为未来时刻径流量。
本发明与现有技术相比较,有以下优点:
1)利用变模态分解,提高了径流量时间序列的特性表征度;
2)利用卷积自编码器,提高了径流量变化特征的学习度;
3)使用变模态自动编码关联向量机的新方法进行径流量预测。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明一种基于变模态卷积自编码关联向量机的径流量预测方法的系统流程图;
图2为本发明一种基于变模态卷积自编码关联向量机的径流量预测方法的模型流程图。
具体实施方式
下面结合附图1-2对本发明的方法步骤作详细说明。
(1)数据采集:在水文信息网上收集历史水情信息(小时径流数据),形成原始序列,具体为
1)对历史水情信息中记录的径流时间序列进行标准化处理;
2)水文信息网上收集的历史水情信息为瞬时流量,在数据建模过程中作为小时平均值。
(2)变模态卷积自编码关联向量机建模:将步骤(1)收集到的历史水情信息变模态分解的基础上,进行卷积自编码关联向量机建模训练;
1)对收集到的小时径流所述历史水情信息进行变模态分解,获得原始序列的模态信息;
2)将各模态信息输入卷积自编码器中,进行特征学习;
3)将步骤2)中特征学习结果输入到关联向量机中,作特征回归拟合;
4)将步骤3)中各模态特性拟合结果进行模态线性融合,得到最终结果。
在本实施例中,步骤2)中卷积自编码器的学习为无监督学习,输入为径流量模态信息,输出为学习结果。
在本实施例中,步骤3)中回归拟合为有监督学习,输入为卷积自编码器的输出,输出为径流量。
具体过程如下:
①将径流量原始序列X非递归分解为准正交带限、具有特定频率稀疏性的K个子序列u(称为模态)
式中,uk和wk代表第k个(k∈[1,K])分解模态及其对应的中心频率,δ(t)表示在t时间狄拉克分布。
②每个模态上建立卷积自编码器,进行模态特征学习。具体为
a.利用自编码器,将各模态信息前(t-1)时刻uk进行自编码输出,得到第一层的输出,即
h1 k=fe(uk)=Sigm(w1uk+b1),r1=fd(h1 k)=Sigm(w1Τh1+b1Τ)
式中,h1 k代表输入uk的编码信息,r1 k代表编码特征h1 k的解码信息。w1和b1分别代表网络层之间的权值和偏量。
b.将第一层的输出r1 k作为第二层的输入,重复a步骤,得到第二层的输出r2 k;
c.重复以上步骤,将上层的输出作为下层的输入进行训练,直到最后一层n,得到第n层的输出为rn k,使得rn k≈uk,则深度训练学习完成。
③将卷积自编码器最后一层的输出rn k作为关联向量机的输入,t时刻uk作为期望输出,采用有监督学习的方式进行回归训练,得到t时刻预测值
④利用模态分解逆运算(加法原理),将每个模态预测值进行模态融合,得到最终径流量预测值,即t时刻径流量预测值
(3)预测未来时刻径流量:输入新的径流信息进行模型预测性能测试,具体为
利用训练好的变模态卷积自编码关联向量机预测未来时刻径流变化。按照训练输入-输出模式,将新的水情信息输入变模态卷积自编码关联向量机中,模型输出即为未来时刻径流量。
(4)预测结果输出。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (8)
1.一种基于变模态卷积自编码关联向量机的径流量预测方法,其特征在于,该方法包括以下步骤:
数据采集:收集历史水情信息,形成原始序列;
变模态卷积自编码关联向量机建模:在对收集到的历史水情信息变模态分解的基础上,进行卷积自编码关联向量机建模训练;
预测未来时刻径流量:利用训练好的变模态卷积自编码关联向量机预测未来时刻径流量变化,预测结果输出。
2.根据权利要求1所述基于变模态卷积自编码关联向量机的径流量预测方法,其特征在于:所述数据采集步骤还包括:对所述历史水情信息中记录的径流量时间序列进行标准化处理。
3.根据权利要求1或2所述的基于变模态卷积自编码关联向量机的径流量预测方法,其特征在于,所述历史水情信息为瞬时流量,在数据建模过程中作为小时平均值。
4.根据权利要求1所述的基于变模态卷积自编码关联向量机的径流量预测方法,其特征在于,变模态卷积自编码关联向量机建模具体包括以下步骤:
1)对收集到的所述历史水情信息进行变模态分解,获得原始序列的模态信息;
2)将各所述模态信息输入卷积自编码器中,进行特征学习;
3)将步骤2)中所述特征学习结果输入到关联向量机中,作特征回归拟合;
4)将步骤3)中各模态特性回归拟合结果进行模态线性融合,得到最终结果。
5.根据权利要求4所述的基于变模态卷积自编码关联向量机的径流量预测方法,其特征在于,所述步骤2)中卷积自编码器的所述特征学习为无监督学习,输入为径流量模态信息,输出为学习结果。
6.根据权利要求4所述的基于变模态卷积自编码关联向量机的径流量预测方法,其特征在于,所述步骤3)中所述回归拟合为有监督学习,输入为卷积自编码器的输出,输出为径流量。
7.根据权利要求1所述的基于变模态卷积自编码关联向量机的径流量预测方法,其特征在于,所述预测未来时刻径流量具体步骤为:按照训练输入-输出模式,将新的水情信息输入变模态卷积自编码关联向量机中,模型输出即为未来时刻径流量。
8.根据权利要求1所述的基于变模态卷积自编码关联向量机的径流量预测方法,其特征在于,所述预测未来时刻径流量步骤具体包括:将径流量原始序列X非递归分解为准正交带限、具有特定频率稀疏性的K个子序列u,称为模态
式中,uk和wk代表第k个(k∈[1,K])分解模态及其对应的中心频率,δ(t)表示在t时间狄拉克分布;
每个模态上建立卷积自编码器,进行模态特征学习,具体为:
a:利用自编码器,将各模态信息前(t-1)时刻uk进行自编码输出,得到第一层的输出,即
h1 k=fe(uk)=Sigm(w1uk+b1),r1=fd(h1 k)=Sigm(w1Τh1+b1Τ)
式中,h1 k代表输入uk的编码信息,r1 k代表编码特征h1 k的解码信息,w1和b1分别代表网络层之间的权值和偏量;
b:将第一层的输出r1 k作为第二层的输入,重复a步骤,得到第二层的输出r2 k;
c.重复以上步骤,将上层的输出作为下层的输入进行训练,直到最后一层n,得到第n层的输出为rn k,使得rn k≈uk,则深度训练学习完成;
将卷积自编码器最后一层的输出rn k作为关联向量机的输入,t时刻uk作为期望输出,采用有监督学习的方式进行回归训练,得到t时刻预测值
利用模态分解逆运算,将每个模态预测值进行模态融合,得到最终径流量预测值,即t时刻径流量预测值
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811029273.3A CN109146194A (zh) | 2018-09-05 | 2018-09-05 | 一种基于变模态卷积自编码关联向量机的径流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811029273.3A CN109146194A (zh) | 2018-09-05 | 2018-09-05 | 一种基于变模态卷积自编码关联向量机的径流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109146194A true CN109146194A (zh) | 2019-01-04 |
Family
ID=64826806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811029273.3A Pending CN109146194A (zh) | 2018-09-05 | 2018-09-05 | 一种基于变模态卷积自编码关联向量机的径流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146194A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969290A (zh) * | 2019-11-18 | 2020-04-07 | 国电湖南巫水水电开发有限公司 | 一种基于深度学习的径流概率预测方法及系统 |
CN112163723A (zh) * | 2020-11-02 | 2021-01-01 | 西安热工研究院有限公司 | 基于情景划分的水电站中长期径流预测方法、介质及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867106A (zh) * | 2012-08-14 | 2013-01-09 | 贵州乌江水电开发有限责任公司 | 短期径流预报方法及系统 |
CN103175513A (zh) * | 2013-03-01 | 2013-06-26 | 戴会超 | 水利工程影响下基于物联网的流域水文水质监控系统及方法 |
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
CN105740991A (zh) * | 2016-02-26 | 2016-07-06 | 河海大学 | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 |
CN106126896A (zh) * | 2016-06-20 | 2016-11-16 | 中国地质大学(武汉) | 基于经验模态分解和深度学习的混合模型风速预测方法及系统 |
CN106951980A (zh) * | 2017-02-21 | 2017-07-14 | 河海大学 | 一种基于rcp情景的水库群适应性调度方法 |
CN108241873A (zh) * | 2018-01-10 | 2018-07-03 | 中国水利水电科学研究院 | 一种面向泵站主设备的智能故障诊断方法 |
CN108268935A (zh) * | 2018-01-11 | 2018-07-10 | 浙江工业大学 | 一种基于时序循环神经网络的pm2.5浓度值预测方法及系统 |
-
2018
- 2018-09-05 CN CN201811029273.3A patent/CN109146194A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867106A (zh) * | 2012-08-14 | 2013-01-09 | 贵州乌江水电开发有限责任公司 | 短期径流预报方法及系统 |
CN103175513A (zh) * | 2013-03-01 | 2013-06-26 | 戴会超 | 水利工程影响下基于物联网的流域水文水质监控系统及方法 |
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
CN105740991A (zh) * | 2016-02-26 | 2016-07-06 | 河海大学 | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 |
CN106126896A (zh) * | 2016-06-20 | 2016-11-16 | 中国地质大学(武汉) | 基于经验模态分解和深度学习的混合模型风速预测方法及系统 |
CN106951980A (zh) * | 2017-02-21 | 2017-07-14 | 河海大学 | 一种基于rcp情景的水库群适应性调度方法 |
CN108241873A (zh) * | 2018-01-10 | 2018-07-03 | 中国水利水电科学研究院 | 一种面向泵站主设备的智能故障诊断方法 |
CN108268935A (zh) * | 2018-01-11 | 2018-07-10 | 浙江工业大学 | 一种基于时序循环神经网络的pm2.5浓度值预测方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969290A (zh) * | 2019-11-18 | 2020-04-07 | 国电湖南巫水水电开发有限公司 | 一种基于深度学习的径流概率预测方法及系统 |
CN110969290B (zh) * | 2019-11-18 | 2023-09-26 | 国电湖南巫水水电开发有限公司 | 一种基于深度学习的径流概率预测方法及系统 |
CN112163723A (zh) * | 2020-11-02 | 2021-01-01 | 西安热工研究院有限公司 | 基于情景划分的水电站中长期径流预测方法、介质及设备 |
CN112163723B (zh) * | 2020-11-02 | 2023-09-12 | 西安热工研究院有限公司 | 基于情景划分的水电站中长期径流预测方法、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qin et al. | A dual-stage attention-based recurrent neural network for time series prediction | |
ASCE Task Committee on Application of Artificial Neural Networks in Hydrology | Artificial neural networks in hydrology. II: Hydrologic applications | |
Liu et al. | Deriving reservoir operation rule based on Bayesian deep learning method considering multiple uncertainties | |
Lall et al. | A nearest neighbor bootstrap for resampling hydrologic time series | |
Valipour et al. | Parameters estimate of autoregressive moving average and autoregressive integrated moving average models and compare their ability for inflow forecasting | |
Shirmohammadi et al. | Application of several data-driven techniques for predicting groundwater level | |
CN110445646B (zh) | 一种基于注意力机制和流量预测模型的资源预留方法 | |
Yang et al. | Multi-objective operating rules for Danjiangkou reservoir under climate change | |
CN111126704B (zh) | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 | |
CN112863180B (zh) | 交通速度预测方法、装置、电子设备及计算机可读介质 | |
CN111652425B (zh) | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 | |
CN109583588B (zh) | 一种短期风速预测方法及系统 | |
CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
Roy et al. | Influence of sea level rise on multiobjective management of saltwater intrusion in coastal aquifers | |
Abbaszadeh et al. | Development of a coupled wavelet transform and evolutionary L evenberg‐M arquardt neural networks for hydrological process modeling | |
CN114202122A (zh) | 基于马尔可夫聚类图注意力网络的城市交通流量预测方法 | |
Nourani et al. | A new hybrid algorithm for rainfall–runoff process modeling based on the wavelet transform and genetic fuzzy system | |
Mohammad-Azari et al. | State-of-art of genetic programming applications in water-resources systems analysis | |
Yan et al. | Small watershed stream-flow forecasting based on LSTM | |
CN112990112A (zh) | 边缘引导的循环卷积神经网络建筑物变化检测方法及系统 | |
CN109146194A (zh) | 一种基于变模态卷积自编码关联向量机的径流量预测方法 | |
Khorram et al. | A hybrid CNN-LSTM approach for monthly reservoir inflow forecasting | |
CN114817773A (zh) | 一种基于多级分解和融合的时序预测系统及方法 | |
CN115310536A (zh) | 基于神经网络和gcn深度学习模型的水库水位预测预警方法 | |
Turan et al. | Predicting monthly river flows by genetic fuzzy systems |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |
|
RJ01 | Rejection of invention patent application after publication |