CN110188922A - 一种基于产流机制的rbf神经网络中长期径流预测方法 - Google Patents
一种基于产流机制的rbf神经网络中长期径流预测方法 Download PDFInfo
- Publication number
- CN110188922A CN110188922A CN201910366579.6A CN201910366579A CN110188922A CN 110188922 A CN110188922 A CN 110188922A CN 201910366579 A CN201910366579 A CN 201910366579A CN 110188922 A CN110188922 A CN 110188922A
- Authority
- CN
- China
- Prior art keywords
- runoff
- month
- rbf neural
- value
- err
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000001537 neural effect Effects 0.000 title claims abstract description 23
- 230000007774 longterm Effects 0.000 title claims abstract description 19
- 230000007246 mechanism Effects 0.000 title claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000012797 qualification Methods 0.000 claims abstract description 11
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 15
- 238000013461 design Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 238000001556 precipitation Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 230000007480 spreading Effects 0.000 claims description 6
- 238000003892 spreading Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000011017 operating method Methods 0.000 claims description 2
- TVEXGJYMHHTVKP-UHFFFAOYSA-N 6-oxabicyclo[3.2.1]oct-3-en-7-one Chemical compound C1C2C(=O)OC1C=CC2 TVEXGJYMHHTVKP-UHFFFAOYSA-N 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 6
- 230000001932 seasonal effect Effects 0.000 abstract description 2
- 239000000523 sample Substances 0.000 abstract 1
- 230000008020 evaporation Effects 0.000 description 8
- 238000001704 evaporation Methods 0.000 description 8
- 230000015572 biosynthetic process Effects 0.000 description 7
- 239000002689 soil Substances 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 235000012149 noodles Nutrition 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于产流机制的RBF神经网络中长期径流预测方法，包括如下步骤：从径流形成的物理过程出发，探究影响月径流形成的主要物理因子集；考虑径流形成的季节性差异，采用逐步回归分析法，对各月初选的物理因子集分别进行筛选，得出影响逐月径流的显著物理因子集；采用Matlab语言建立逐月径流预报RBF神经网络模型；优选逐月径流预报模型最佳组合参数；评价逐月径流预报模型预报效果。从径流产生的物理机制筛选显著因子集，有效保证了预测模型的物理意义，提高了预测模型计算的稳定性；本发明采用相对误差绝对平均值和相对误差合格率来定量评估模型的径流预测效果。
Description
技术领域
本发明涉及水文预报技术，尤其是一种考虑径流物理成因和季节性差异的逐月建立预报模型的中长期径流预报方法。
背景技术
可靠的中长期径流预报，对于水资源的宏观调控与微观调度，保证水利工程运行安全以及防洪、发电、航运等效益都有十分重要的意义。在水资源系统工程中，中长期径流预报一直是研究的热点和难点之一，从当前的研究来看，还没有一种预报方法可以适用于所有的情况和流域，仍然处于持续的发展和探索研究阶段。
随着计算机技术的不断发展，越来越多的先进理论和智能算法被引入中长期径流预报领域中，从已有研究来看，绝大部分研究者都是针对径流时间序列本身，对影响径流形成的物理过程考虑较少。
实际上，所有的水文要素都是依据其特有的物理机制发生变化的，从产流的物理成因角度出发，筛选合理的预报因子，依据水文现象形成的物理机制，结合径流的季节性差异，建立考虑径流物理成因的预报模型具有重要意义。
发明内容
本发明目的是为了解决现有水资源系统工程中对中长期径流的预报仅针对径流时间序列本身，而对影响径流形成的物理过程考虑较少，导致建立的考虑径流物理成因的预报模型不准确的技术问题。
为了解决背景技术中的问题，本发明提供了如下的技术方案：
一种基于产流机制的RBF神经网络中长期径流预测方法，包括以下步骤：
1)分析影响月径流的主要物理因子集；
2)筛选并获得影响逐月径流显著因子集；
3)建立逐月径流预报RBF神经网络模型；
4)优选逐月径流预报模型最佳组合参数；
5)评价逐月径流预报模型预报效果。
在步骤1)中，影响月径流的主要物理因子集描述为：
Rt＝(Pt,Tt,Wt,Ht,Rt-1,Pt-1,Rt-2,Pt-2,…,Rt-k,Pt-k)
其中：Rt：表示当月流域平均径流量；Pt：表示当月流域平均降水量；Tt：表示当月流域平均温度；Wt：表示当月流域平均风速；Ht：表示当月流域平均相对湿度；Rt-k：表示前移k个月的流域平均径流量；Pt-k：表示前移k个月的流域平均降水量。
在步骤2)中，采用spss数据分析工具，步骤1)中分析得出的月径流主要影响因子集数据整理成spss分析工具既定要求格式。
采用逐步回归分析法进行逐月显著因子集的筛选。
在步骤3)中，采用Matlab语言进行RBF神经网络模型设计，其设计步骤为：
(1)设计一个全新的RBF神经网络：
net＝newrb(P,T,err_goal,spread,MN,DF)；
其中，newrb()为RBF神经网络设计函数；P和T分别为训练集的输入、输出矢量；err_goal为设定的网络模拟目标误差，默认值为0；spread为径向基函数的扩展速度，默认值为1；MN为神经元的最大数目，默认为输入矢量P的维数；DF为两次显示之间所添加的神经元数目，默认为25；net为返回值，一个训练完成的RBF网络模型；
(2)将设计并训练好的RBF神经网络模型用于函数输出：
Y＝sim(net,X0)
其中，sim()为用训练好的网络模型进行预测输出函数；X0为测试集的输入目标矢量；Y为仿真结果。
在步骤4)中，在Matlab语言环境下，RBF神经网络模型的newrb()函数包括：err_goal和spread两个参数，从Matlab语言环境出发，借助计算机程序实现二维空间(err_goal，spread)内对参数组合最优解的搜索，达到参数优化的目的，选取网络预测值和实测值的均方根误差变量作为衡量指标：
其中，mse为均方根误差变量；Y0,i为第i个预测序列的实测值；Yi为第i个预测序列的预测值；n为预测序列的长度。
在步骤4)中，具体包括以下操作步骤：
(1)err_goal参数的优化：
令spread＝1(参数默认值)，等步长改变err_goal参数值，以min(mse)为目标，搜索err_goal的条件相对优区间，记为A；
(2)spread参数的优化：
令err_goal取条件相对优区间A中的最低值，等步长改变spread参数值，以min(mse)为目标，搜索spread的条件相对优区间，记为B；
(3)(err_goal，spread)组合参数优化：
考虑单个参数最优可能并非是组合最优，因此在各自条件相对优区间基础上适当扩展A、B区间，让err_goal在扩展之后的A区间，spread在扩展之后的B区间内等步长变化，并减少各个参数的变化步长，以min(mse)为目标，搜索(err_goal，spread)的全局最优组合区间。
选用相对误差绝对平均值和相对误差合格率作为单项评价指标对模型预测效果进行评价：
(1)相对误差绝对平均值：
其中，n为模拟或预测时段数，相对误差绝对平均值反映了计算值与实测值之间平均偏差程度，是有效衡量预报精度的指标之一，取值越低越好，单位为％；
(2)相对误差合格率：
其中，n为模拟或预测时段数，b为相对误差绝对值小于合格率标准的计算次数，合格率标准可根据实际需要自行拟定；合格率反映了模型模拟和预测的总体精度，取值越大，效果越好，单位为％；
为了避免单项指标评价的差异性，选用基于熵权的模糊优选模型进行综合指标评价；对于有u个评价对象和k个评价指标的评价系统，第r评价对象的综合评价指标的计算公式描述如下：
其中：μr为评价对象的综合指标值或相对优属度；
x′rl为第l评价指标原始值对应的标准化值或相对隶属度；
k为单项评价指标的数量；
g1l、g2l为第l评价指标对应的相对最优、最劣评价对象隶属度，其中
ωl为第l评价指标对应的权重采用改进的熵权法来确定各评价指标的客观权重；
在熵权法中，权重ωl的确定是关键，可通过以下几个环节确定：
(1)熵值确定：
第l评价指标的熵值为：
其中：0≤Hl≤1，当θrl＝0时，令θrllnθrl＝0，l＝1,2…k，r＝1,…,u；
(2)熵权计算：
第l评价指标的熵权为：
与现有技术相比，本发明具有以下有益效果：
1)从径流的形成过程探寻影响径流的显著因子集，有效保证了后续所建预报模型的物理意义；
2)采用Matlab语言对逐月预报模型进行参数优选，有效保证了模型计算的稳定性和精确度；
3)通过选用单项指标和综合评价模型对预测模型进行评价，定量的分析所建模型的预测精度。
附图说明
图1为本发明的流程图；
图2为RBF神经网络基本拓扑结构示意图；
图3为err_goal参数优化结果示例图；
图4为spread参数优化结果示例图；
图5为(err_goal，spread)组合参数优化结果示例图。
具体实施方式
一种基于产流机制的RBF神经网络中长期径流预测方法；从径流形成的物理成因角度出发，探寻影响逐月径流的显著物理因子集；采用RBF神经网络建立逐月径流预测模型，并利用Matlab语言对逐月模型参数进行最佳组合优选；采用单项评价指标及基于熵权的模糊优选模型对逐月模型的预测结果进行定量分析评价。
下面通过实施例，并结合图1至图5，对本发明的技术方案做进一步具体说明。
基于产流机制的RBF神经网络中长期径流预测方法主要包括以下步骤：
步骤1，分析影响月径流的主要物理因子集：
根据产汇流理论可知，径流的形成主要受两个方面的影响：流域气候特征和下垫面条件。
在流域气候特征中，对径流产生影响的主要因子为降雨和蒸发；其中，降雨的大小和空间分布直接影响径流的形成，而蒸发的大小则影响径流的变化。在现实生活中，实际蒸发量是无法直接获取的，一般情况下，可以通过水面蒸发乘以折算系数获取；然而折算系数存在比较大变异性，这种方式获取的实际蒸发量往往存在比较大的误差；为了避免误差传递对径流预测结果产生影响，可以考虑用与蒸发密切相关的温度、风速、相对湿度三项指标来代替蒸发项。
下垫面条件主要影响径流形成的过程，描述径流的形成过程有两个关键性特征，径流产生的开始时间以及径流的大小，而影响这两个关键性特征的主要因素为土壤前期蓄水量。土壤前期蓄水量受降水、蒸发和前期径流的综合影响，通常情况下，土壤前期蓄水量的大小无法直接获取，因此，可以选取前期降水和前期径流作为表征土壤前期蓄水量的指标。
因此我们可以得出，径流量的大小主要受本时段降水、前期降水、土壤前期蓄水量和本时段流域蒸发量的综合影响。流域蒸发量可采用流域平均温度、流域平均相对湿度和流域平均风速反映；土壤前期蓄水量可采用前期降水和前期径流反映。再考虑水流传播时间的影响，流域月径流及其主要影响因子集可描述为：
Rt＝(Pt,Tt,Wt,Ht,Rt-1,Pt-1,Rt-2,Pt-2,…,Rt-k,Pt-k)
其中：Rt：表示当月流域平均径流量；Pt：表示当月流域平均降水量；Tt：表示当月流域平均温度；Wt：表示当月流域平均风速；Ht：表示当月流域平均相对湿度；Rt-k：表示前移k个月的流域平均径流量；Pt-k：表示前移k个月的流域平均降水量。
步骤2，采用逐步回归分析法，筛选影响逐月径流显著因子集：
采用spss数据分析工具，将步骤1中分析得出的月径流主要影响因子集数据整理成spss分析工具既定要求格式，选用工具中的逐步回归分析法进行逐月显著因子集的筛选。
步骤3，采用Matlab语言建立逐月径流预报RBF神经网络模型：
采用Matlab语言进行RBF神经网络模型设计，所述步骤3进一步包括以下步骤：
步骤31.设计一个全新的RBF神经网络：
net＝newrb(P,T,err_goal,spread,MN,DF)
其中，newrb()为RBF神经网络设计函数；P和T分别为训练集的输入、输出矢量；err_goal为设定的网络模拟目标误差，默认值为0；spread为径向基函数的扩展速度，默认值为1；MN为神经元的最大数目，默认为输入矢量P的维数；DF为两次显示之间所添加的神经元数目，默认为25；net为返回值，一个训练完成的RBF网络模型；
步骤32.将设计并训练好的RBF神经网络模型用于函数输出：
Y＝sim(net,X0)
其中，sim()为用训练好的网络模型进行预测输出函数；X0为测试集的输入目标矢量；Y为仿真结果。
步骤4，优选逐月径流预报模型最佳组合参数：
在Matlab语言环境下，RBF神经网络模型的newrb()函数有两个重要的待定参数：err_goal和spread，这两个参数的取值直接影响网络模型的拟合和泛化。从Matlab语言环境出发，借助计算机程序实现二维空间(err_goal，spread)内对参数组合最优解的搜索，达到参数优化的目的，选取网络预测值和实测值的均方根误差变量作为衡量指标：
其中，mse为均方根误差变量；Y0,i为第i个预测序列的实测值；Yi为第i个预测序列的预测值；n为预测序列的长度。
所述步骤4具体包括以下子步骤：
41.err_goal参数的优化：
令spread＝1(参数默认值)，等步长改变err_goal参数值，以min(mse)为目标，搜索err_goal的条件相对优区间，记为A，如图3所示；
42.spread参数的优化：
令err_goal取条件相对优区间A中的最低值，等步长改变spread参数值，以min(mse)为目标，搜索spread的条件相对优区间，记为B，如图4所示；
43.(err_goal，spread)组合参数优化：
考虑单个参数最优可能并非是组合最优，因此在各自条件相对优区间基础上适当扩展A、B区间，让err_goal在扩展之后的A区间，spread在扩展之后的B区间内等步长变化，并减少各个参数的变化步长，以min(mse)为目标，搜索(err_goal，spread)的全局最优组合区间，如图5所示。
步骤5，评价逐月径流预报模型预报效果：
将数据系列的前80％作为网络模型的训练样本，后20％的数据系列用于检验网络模型的预测精度，逐月模型参数选用步骤4中优选参数组合结果。对逐月模型预测精度评价具体步骤如下：
选用相对误差绝对平均值和相对误差合格率作为单项评价指标对模型预测效果进行评价：
(1)相对误差绝对平均值
其中，n为模拟或预测时段数。相对误差绝对平均值反映了计算值与实测值之间平均偏差程度，是有效衡量预报精度的指标之一，取值越低越好，单位为％；
(2)相对误差合格率
其中，n为模拟或预测时段数，b为相对误差绝对值小于合格率标准的计算次数，合格率标准可根据实际需要自行拟定；合格率反映了模型模拟和预测的总体精度，取值越大，效果越好，单位为％；
为了避免单项指标评价的差异性，选用基于熵权的模糊优选模型进行综合指标评价；对于有u个评价对象和k个评价指标的评价系统，第r评价对象的综合评价指标的计算公式描述如下：
其中：μr为评价对象的综合指标值或相对优属度；
x′rl为第l评价指标原始值对应的标准化值或相对隶属度；
k为单项评价指标的数量；
g1l、g2l为第l评价指标对应的相对最优、最劣评价对象隶属度，其中
ωl为第l评价指标对应的权重采用改进的熵权法来确定各评价指标的客观权重；
在熵权法中，权重ωl的确定是关键，可通过以下几个环节确定：
(1)熵值确定：
第l评价指标的熵值为：
其中：0≤Hl≤1，当θrl＝0时，令θrllnθrl＝0，l＝1,2…k，r＝1,…,u；
(2)熵权计算：
第l评价指标的熵权为：
Claims (9)
1.一种基于产流机制的RBF神经网络中长期径流预测方法，其特征在于，包括以下步骤：
1)分析影响月径流的主要物理因子集；
2)筛选并获得影响逐月径流显著因子集；
3)建立逐月径流预报RBF神经网络模型；
4)优选逐月径流预报模型最佳组合参数；
5)评价逐月径流预报模型预报效果。
2.根据权利要求1所述的一种基于产流机制的RBF神经网络中长期径流预测方法，其特征在于：在步骤1)中，影响月径流的主要物理因子集描述为：
Rt＝(Pt，Tt，Wt，Ht，Rt-1，Pt-1，Rt-2，Pt-2，…，Rt-k，Rt-k)
其中：Rt：表示当月流域平均径流量；Pt：表示当月流域平均降水量；Tt：表示当月流域平均温度；Wt：表示当月流域平均风速；Ht：表示当月流域平均相对湿度；Rt-k：表示前移k个月的流域平均径流量；Pt-k：表示前移k个月的流域平均降水量。
3.根据权利要求2所述的一种基于产流机制的RBF神经网络中长期径流预测方法，其特征在于，在步骤2)中，采用spss数据分析工具，步骤1)中分析得出的月径流主要影响因子集数据整理成spss分析工具既定要求格式。
4.根据权利要求3所述的一种基于产流机制的RBF神经网络中长期径流预测方法，其特征在于：采用逐步回归分析法进行逐月显著因子集的筛选。
5.根据权利要求1所述的一种基于产流机制的RBF神经网络中长期径流预测方法，其特征在于，在步骤3)中，采用Matlab语言进行RBF神经网络模型设计，其设计步骤为：
(1)设计一个全新的RBF神经网络：
net＝newrb(P，T，err_goal，spread，MN，DF)；
其中，newrb()为RBF神经网络设计函数；P和T分别为训练集的输入、输出矢量；err_goal为设定的网络模拟目标误差，默认值为0；spread为径向基函数的扩展速度，默认值为1；MN为神经元的最大数目，默认为输入矢量P的维数；DF为两次显示之间所添加的神经元数目，默认为25；net为返回值，一个训练完成的RBF网络模型；
(2)将设计并训练好的RBF神经网络模型用于函数输出：
Y＝sim(net，X0)
其中，sim()为用训练好的网络模型进行预测输出函数；X0为测试集的输入目标矢量；Y为仿真结果。
6.根据权利要求1所述的一种基于产流机制的RBF神经网络中长期径流预测方法，其特征在于：在步骤4)中，在Matlab语言环境下，RBF神经网络模型的newrb()函数包括：err_goal和spread两个参数，从Matlab语言环境出发，借助计算机程序实现二维空间(err_goal，spread)内对参数组合最优解的搜索，达到参数优化的目的，选取网络预测值和实测值的均方根误差变量作为衡量指标：
其中，mse为均方根误差变量；Y0，i为第i个预测序列的实测值；Yi为第i个预测序列的预测值；n为预测序列的长度。
7.根据权利要求6所述的一种基于产流机制的RBF神经网络中长期径流预测方法，其特征在于，在步骤4)中，具体包括以下操作步骤：
(1)err-goal参数的优化：
令spread＝1(参数默认值)，等步长改变err-goal参数值，以min(mse)为目标，搜索err_goal的条件相对优区间，记为A；
(2)spread参数的优化：
令err_goal取条件相对优区间A中的最低值，等步长改变spread参数值，以min(mse)为目标，搜索spread的条件相对优区间，记为B；
(3)(err_goal，spread)组合参数优化：
考虑单个参数最优可能并非是组合最优，因此在各自条件相对优区间基础上适当扩展A、B区间，让err_goal在扩展之后的A区间，spread在扩展之后的B区间内等步长变化，并减少各个参数的变化步长，以min(mse)为目标，搜索(err_goal，spread)的全局最优组合区间。
8.根据权利要求1至7其中之一所述的一种基于产流机制的RBF神经网络中长期径流预测方法，其特征在于，选用相对误差绝对平均值和相对误差合格率作为单项评价指标对模型预测效果进行评价：
(1)相对误差绝对平均值：
其中，n为模拟或预测时段数，相对误差绝对平均值反映了计算值与实测值之间平均偏差程度，是有效衡量预报精度的指标之一，取值越低越好，单位为％；
(2)相对误差合格率：
其中，n为模拟或预测时段数，b为相对误差绝对值小于合格率标准的计算次数，合格率标准可根据实际需要自行拟定；合格率反映了模型模拟和预测的总体精度，取值越大，效果越好，单位为％；
为了避免单项指标评价的差异性，选用基于熵权的模糊优选模型进行综合指标评价；对于有u个评价对象和k个评价指标的评价系统，第r评价对象的综合评价指标的计算公式描述如下：
其中：μr为评价对象的综合指标值或相对优属度；
x′rl为第l评价指标原始值对应的标准化值或相对隶属度；
k为单项评价指标的数量；
gll、g2l为第l评价指标对应的相对最优、最劣评价对象隶属度，其中
ωl为第l评价指标对应的权重
9.根据权利要求8所述的一种基于产流机制的RBF神经网络中长期径流预测方法，其特征在于，采用熵权法来确定各评价指标的客观权重；
在熵权法中，权重ωl的确定，可通过以下几个环节确定：
(1)熵值确定：
第l评价指标的熵值为：
其中：0≤Hl≤1，当θrl＝0时，令θrllnθrl＝0，l＝1，2…k，r＝1，…，u；
(2)熵权计算：
第l评价指标的熵权为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910366579.6A CN110188922A (zh) | 2019-05-05 | 2019-05-05 | 一种基于产流机制的rbf神经网络中长期径流预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910366579.6A CN110188922A (zh) | 2019-05-05 | 2019-05-05 | 一种基于产流机制的rbf神经网络中长期径流预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110188922A true CN110188922A (zh) | 2019-08-30 |
Family
ID=67715689
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910366579.6A Pending CN110188922A (zh) | 2019-05-05 | 2019-05-05 | 一种基于产流机制的rbf神经网络中长期径流预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110188922A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111274736A (zh) * | 2020-01-21 | 2020-06-12 | 太原理工大学 | 一种基于有导师学习神经网络算法的导水裂隙带预测方法 |
| CN112036604A (zh) * | 2020-07-29 | 2020-12-04 | 大连理工大学 | 一种考虑多时序过程因子的中期径流预报方法 |
| CN117273200A (zh) * | 2023-08-31 | 2023-12-22 | 淮阴工学院 | 一种基于卷积优化算法和Pyraformer神经网络的径流区间预报方法 |
| CN117390125A (zh) * | 2023-09-21 | 2024-01-12 | 华中科技大学 | 一种产流模式智能适配的流域水文预报方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292098A (zh) * | 2017-06-15 | 2017-10-24 | 河海大学 | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 |
-
2019
- 2019-05-05 CN CN201910366579.6A patent/CN110188922A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292098A (zh) * | 2017-06-15 | 2017-10-24 | 河海大学 | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 |
Non-Patent Citations (2)
| Title |
|---|
| 周惠成等: "基于熵权的水库防洪调度多目标决策方法及应用", 《水力学报》 * |
| 李天成等: "基于产流机制的中长期径流预测RBF神经网络模型研究", 《水力发电》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111274736A (zh) * | 2020-01-21 | 2020-06-12 | 太原理工大学 | 一种基于有导师学习神经网络算法的导水裂隙带预测方法 |
| CN112036604A (zh) * | 2020-07-29 | 2020-12-04 | 大连理工大学 | 一种考虑多时序过程因子的中期径流预报方法 |
| CN117273200A (zh) * | 2023-08-31 | 2023-12-22 | 淮阴工学院 | 一种基于卷积优化算法和Pyraformer神经网络的径流区间预报方法 |
| CN117390125A (zh) * | 2023-09-21 | 2024-01-12 | 华中科技大学 | 一种产流模式智能适配的流域水文预报方法 |
| CN117390125B (zh) * | 2023-09-21 | 2024-06-04 | 华中科技大学 | 一种产流模式智能适配的流域水文预报方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ehteram et al. | Hybridization of artificial intelligence models with nature inspired optimization algorithms for lake water level prediction and uncertainty analysis | |
| CN113379109B (zh) | 一种基于预测模型自适应的径流预报方法 | |
| CN110188922A (zh) | 一种基于产流机制的rbf神经网络中长期径流预测方法 | |
| CN107463730B (zh) | 一种考虑土地利用时空演变的径流变化归因识别方法 | |
| CN112801342A (zh) | 一种基于降雨径流相似性的自适应径流预报方法 | |
| Condemi et al. | Hydro-power production capacity prediction based on machine learning regression techniques | |
| CN108062595B (zh) | 基于wrf/cfd/sahde-rvm耦合的复杂地貌区域短时风能预测方法 | |
| CN105869100B (zh) | 一种基于大数据思维的滑坡多场监测数据的融合及预测方法 | |
| Tehrani et al. | Predicting solar radiation in the urban area: A data-driven analysis for sustainable city planning using artificial neural networking | |
| CN101480143A (zh) | 一种预测灌区作物单产量的方法 | |
| CN108009689A (zh) | 风速修正模型训练、风速修正方法、装置及风力发电机组 | |
| CN114117953B (zh) | 水文模型结构诊断方法、径流预报方法及装置 | |
| CN110969282A (zh) | 一种基于lstm复合网络的径流量稳定预测方法 | |
| CN113033081A (zh) | 一种基于som-bpnn模型的径流模拟方法及系统 | |
| Sun et al. | Interval forecasting for wind speed using a combination model based on multiobjective artificial hummingbird algorithm | |
| CN117787081A (zh) | 一种基于Morris和Sobol法的水文模型参数不确定性分析方法 | |
| 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 | |
| Xu et al. | An enhanced monthly runoff forecasting using least squares support vector machine based on Harris hawks optimization and secondary decomposition | |
| 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 | |
| Gogineni et al. | Hydrological modeling and uncertainty analysis for a snow-covered mountainous river basin | |
| WO2023245399A1 (zh) | 基于土地系统和气候变化耦合的水稻生产潜力模拟方法 | |
| Fan et al. | Explainable machine learning model for multi-step forecasting of reservoir inflow with uncertainty quantification | |
| CN111914488A (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
| Khosravi et al. | Wind farm power uncertainty quantification using a mean-variance estimation method | |
| CN117408171B (zh) | 一种Copula多模型条件处理器的水文集合预报方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190830 |