CN110196456A - 一种基于相似年灰色关联分析的中长期降雨径流预报方法 - Google Patents
一种基于相似年灰色关联分析的中长期降雨径流预报方法 Download PDFInfo
- Publication number
- CN110196456A CN110196456A CN201910467938.7A CN201910467938A CN110196456A CN 110196456 A CN110196456 A CN 110196456A CN 201910467938 A CN201910467938 A CN 201910467938A CN 110196456 A CN110196456 A CN 110196456A
- Authority
- CN
- China
- Prior art keywords
- sequence
- runoff
- rainfall
- forecasting
- data
- 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
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 21
- 238000013277 forecasting method Methods 0.000 title claims abstract description 8
- 230000007774 longterm Effects 0.000 title abstract description 3
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 108010014173 Factor X Proteins 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于相似年灰色关联分析的中长期降雨径流预报方法，包括以下步骤：S1：数据预处理；S2：选择预报因子；S3：应用灰色关联分析的方法进行相似年选择，将挑选出的相似年数据集划分为训练集和测试集；S4：应用相似年训练集构建神经网络模型，应用测试集数据进行验证；S5：如果预报精度满足要求，则保存网络与预报结果；否则，转到步骤S2；本发明学习收敛速度快、能够避免气候气候变化或者人为条件对预报结果的影响，提高预报准确性。
Description
技术领域
本发明属于水文气象预报技术，具体涉及一种基于相似年灰色关联分析的中长期降雨径流预报方法。
背景技术
灰色关联分析方法，是根据因素之间发展趋势的相似或相异程度，亦即“灰色关联度”，作为衡量因素间关联程度的一种方法。对于两个系统之间的因素，其随时间或不同对象而变化的关联性大小的量度，称为关联度。在系统发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。
中长期水文预报主要指预见期在3天以上、1年以内的径流预报。目前主要是分析水文要素自身演变规律或挖掘遇径流相关的前期水文气象资料，采用合适的数学方法，构建径流时间序列模型或前期水文气象要素与预报月径流的映射关系，从而对未来较长时期内径流量进行科学的预测。
相似预报是统计预报方法之一，是制作天气预报的一个重要途径。相似预报效果的好坏取决于好的预报因子和适用的相似性度量。常用相似性度量方法主要有：相关系数、相似系数、欧氏距离和海明距离。
但是现有的预报模型对降雨径流的预报预见期最多只有一个月，而事实上预见期更长的可靠的降雨径流预报对于防洪抗旱、水库调度等活动更有价值。因此现阶段研究预见期可长达1年的可靠的降雨径流预报模型具有重要意义。
而实际上，预见期长的预报模型往往精度不高，影响其精度的主要因素有气候变化，数据稳定性等因素。
发明内容
发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于相似年灰色关联分析的中长期降雨径流预报方法，用相似年作为模型的训练集，可以更好的提高预报精度，减少气候变化的影响。
技术方案：本发明的一种基于相似年灰色关联分析中长期降雨径流预报的中长期径流预报方法，包括以下步骤：
步骤1、数据预处理，即对气象因子资料时间序列和降雨/径流时间序列进行归一化处理；
步骤2、选择预报因子：具体方法为：
S2.1：将预处理后的气象因子资料时间序列和径流时间序列分别按时间序列排序；
S2.2：对于气象因子资料时间序列和降雨/径流时间序列，分别从各自的1号因子开始计算秩相关系数R：
S2.3：在气象因子中，选出秩相关系数最高的前5～15个因子作为预报因子；
步骤3、应用灰色关联分析的方法进行相似年选择，将挑选出的相似年数据集划分为训练集和测试集；
步骤4、应用相似年训练集构建神经网络模型，应用测试集数据进行验证；
步骤5、计算测试集的效率系数，如果效率系数满足要求，则保存网络与预报结果；否则，转到步骤2。
进一步的，所述步骤1中归一化处理的具体过程为：
式(1)中，X为待归一化的气象因子资料时间序列或降雨/径流时间序列，Y为归一化后的气象因子资料时间序列或降雨/径流时间序列，Xmin为气象因子资料时间序列的最小值或降雨/径流时间序列的最小值，Xmax为气象因子资料时间序列的最大值或降雨/径流时间序列的最大值。
进一步的，所述步骤2中秩相关系数R的计算方法为：
式(2)中，R为秩相关系数，n为样本容量，Yt与Xt分别为降雨/径流数据Y与气象因子X第t个观测值的排列次序数。
进一步的，所述步骤3的详细内容为：
S3.1：将预报年的挑选出的因子序列作为参考数列，将历史资料的挑选出的因子序列作为比较数列，计算灰色关联系数ξ(k)；
式中ξ(k)是第k个时刻比较数列xi与参考数列x0的相对差值，它称为xi对x0在k时刻的关联系数，其中ρ是分辨系数，在0到1之间取值，一般取0.5；
上述过程中，将预报年因子序列作为参考数列，历史因子序列作为比较数列；
S3.2按时间序列依次计算预报因子资料和历史因子资料的关联度ri，然后选择关联度排名前70％的历史资料作为相似年集，从相似年集随机划分为两部分，一部分为训练集，一部分为测试集；
其中，
式中，ri为比较数列xi对参考数列x0的灰关联度，ri值越接近1，说明相关性越好。
进一步的，所述步骤S4具体包括以下步骤：
S4.1：选择神经网络的训练算法(例如采用BP神经网络)；
S4.2：将网络输入层的节点数设置成与预报因子的个数相等；
S4.3：将网络输出层的节点数设置成与预报对象的个数相等；
S4.4：通过选用不同的隐含层节点数观察网络的预报效果来确定隐含层的节点数；
S4.5：将步骤S3.2挑选出的训练集作为模型的训练样本；
S4.6：将训练样本训练好的神经网络模型保存，进行试预报，检验预报效果。
进一步的，所述步骤5中效率系数的计算方法为：
式中，E为效率系数，公式中Qo指实际值，Qm指预报值，Qt表示第t时刻的某个值，表示实际值的总平均。
有益效果：本发明在预报因子选择阶段，本发明采用了基于秩相关分析的因子选择方法，该方法对原始数据的样本大小和分布没有要求。用灰色关联分析方法选择与预报年气象因子相似的年份作为BP神经网络模型的训练集，能够提高预报的精度。采用相似年作为训练集，可以减小气候变化的影响，剔除历史资料中极端气候的影响，从而使得模型的预报精度更高。
附图说明
图1为本发明的总流程图；
图2为本发明中预报因子筛选的流程图；
图3为本发明中相似年筛选的流程图；
图4本发明中对BP神经网络模型构建的流程图；
图5为实施例中相似年集合模型训练结果示意图。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
如图1所示，本发明本发明的一种基于相似年灰色关联分析中长期降雨径流预报的中长期径流预报方法，包括以下步骤：
步骤1、数据预处理，即对气象因子资料时间序列和降雨/径流时间序列进行归一化处理；
式(1)中，X为待归一化的气象因子资料时间序列或降雨/径流时间序列，Y为归一化后的气象因子资料时间序列或降雨/径流时间序列，Xmin为气象因子资料时间序列的最小值或降雨/径流时间序列的最小值，Xmax为气象因子资料时间序列的最大值或降雨/径流时间序列的最大值；
步骤2、选择预报因子：具体方法为：
S2.1：将预处理后的气象因子资料时间序列和径流时间序列分别按时间序列排序；
S2.2：对于气象因子资料时间序列和降雨/径流时间序列，分别从各自的1号因子开始计算秩相关系数R：
式(2)中，R为秩相关系数，n为样本容量，Yt与Xt分别为降雨/径流数据Y与气象因子X第t个观测值的排列次序数；
S2.3：在气象因子中，选出秩相关系数最高的前5～15个因子作为预报因子；
步骤3、应用灰色关联分析的方法进行相似年选择，将挑选出的相似年数据集划分为训练集和测试集；
S3.1：将预报年的挑选出的因子序列作为参考数列，将历史资料的挑选出的因子序列作为比较数列，计算灰色关联系数ξ(k)；
式中ξ(k)是第k个时刻比较数列xi与参考数列x0的相对差值，它称为xi对x0在k时刻的关联系数，其中ρ是分辨系数，在0到1之间取值，一般取0.5；
S3.2按时间序列依次计算预报因子资料和历史因子资料的关联度ri，然后选择关联度排名前70％的历史资料作为相似年集，从相似年集随机划分为两部分，一部分为训练集，一部分为测试集；
其中，
式中，ri为比较数列xi对参考数列x0的灰关联度，ri值越接近1，说明相关性越好；
步骤4、应用相似年训练集构建神经网络模型，应用测试集数据进行验证；
S4.1：选择神经网络的训练算法；
S4.2：将网络输入层的节点数设置成与预报因子的个数相等；
S4.3：将网络输出层的节点数设置成与预报对象的个数相等；
S4.4：通过选用不同的隐含层节点数观察网络的预报效果来确定隐含层的节点数；
S4.5：将步骤S3.2挑选出的训练集作为模型的训练样本；
S4.6：将训练样本训练好的神经网络模型保存，进行试预报，检验预报效果步骤5、计算测试集的效率系数，如果效率系数满足要求，则保存网络与预报结果；否则，转到步骤2；
其中，效率系数的计算方法为：
式中，E为效率系数，公式中Qo指实际值，Qm指预报值，Qt表示第t时刻的某个值，表示实际值的总平均。
实施例1：
(1)现需预报某地区2017年11月的月平均降雨量，获取该地区1961～2016年11月份的降雨资料及全年气象因子资料。(2)将11月降水年序作为Yt，前一年11～12月及当年1～10月气象因子序列作为分别作为Xt,进行相关性分析，求取秩相关系数R。选取秩相关系数最高的前13个因子作为预报因子，如表1所示。
表111月平均降雨量关键影响因子统计表
(3)将2017年的预报因子数据作为参考序列，1961年～2016年的预报因子序列作为比较序列，将序列归一化，按时间序列依次计算灰色关联度系数，进而计算灰色关联度ri，计算结果如表2所示，选择前70％，即前39年作为相似年集。
表2相似年灰色关联系数表
(4)构建BP神经网络模型，将相似年集随机随机划分为30年的训练集，和9年的测试集，经过数次训练之后，选择效率系数最高的一次模型作为预报模型，效率系数为0.85，结果如图5所示：(5)用训练好的模型对2017年11月降雨结果进行预测，预报结果为21.6mm，实际结果为18.7mm，绝对误差为2.9mm。结果小于多年最大变幅的20％(20.6mm)在中长期降雨预报的误差范围内。
Claims (6)
1.一种基于相似年灰色关联分析中长期降雨径流预报的中长期径流预报方法，其特征在于：包括以下步骤：
步骤1、数据预处理，即对气象因子资料时间序列和降雨/径流时间序列进行归一化处理；
步骤2、选择预报因子：具体方法为：
S2.1：将预处理后的气象因子资料时间序列和径流时间序列分别按时间序列排序；
S2.2：对于气象因子资料时间序列和降雨/径流时间序列，分别从各自的1号因子开始计算秩相关系数R：
S2.3：在气象因子中，选出秩相关系数最高的前5～15个因子作为预报因子；
步骤3、应用灰色关联分析的方法进行相似年选择，将挑选出的相似年数据集划分为训练集和测试集；
步骤4、应用相似年训练集构建神经网络模型，应用测试集数据进行验证；
步骤5、计算测试集的效率系数，如果效率系数满足要求，则保存网络与预报结果；否则，转到步骤2。
2.根据权利要求1所述的基于相似年灰色关联分析的中长期降雨径流预报的中长期径流预报方法，其特征在于：所述步骤1中归一化处理的具体过程为：
式(1)中，X为待归一化的气象因子资料时间序列或降雨/径流时间序列，Y为归一化后的气象因子资料时间序列或降雨/径流时间序列，Xmin为气象因子资料时间序列的最小值或降雨/径流时间序列的最小值，Xmax为气象因子资料时间序列的最大值或降雨/径流时间序列的最大值。
3.根据权利要求1所述的基于相似年灰色关联分析的中长期降雨径流预报的中长期径流预报方法，其特征在于：所述步骤2中秩相关系数R的计算方法为：
式(2)中，R为秩相关系数，n为样本容量，Yt与Xt分别为降雨/径流数据Y与气象因子X第t个观测值的排列次序数。
4.根据权利要求1所述的基于相似年灰色关联分析的中长期降雨径流预报的中长期径流预报方法，其特征在于：所述步骤3的详细内容为：
S3.1：将预报年的挑选出的因子序列作为参考数列，将历史资料的挑选出的因子序列作为比较数列，计算灰色关联系数ξ(k)；
式中ξ(k)是第k个时刻比较数列xi与参考数列x0的相对差值，它称为xi对x0在k时刻的关联系数，其中ρ是分辨系数，在0到1之间取值；
S3.2按时间序列依次计算预报因子资料和历史因子资料的关联度ri，然后选择关联度排名前70％的历史资料作为相似年集，从相似年集随机划分为两部分，一部分为训练集，一部分为测试集；
其中，
式中，ri为比较数列xi对参考数列x0的灰关联度，ri值越接近1，说明相关性越好。
5.根据权利要求1所述的基于相似年灰色关联分析的中长期降雨径流预报的中长期径流预报方法，其特征在于：所述步骤S4具体包括以下步骤：
S4.1：选择神经网络的训练算法；
S4.2：将网络输入层的节点数设置成与预报因子的个数相等；
S4.3：将网络输出层的节点数设置成与预报对象的个数相等；
S4.4：通过选用不同的隐含层节点数观察网络的预报效果来确定隐含层的节点数；
S4.5：将步骤S3.2挑选出的训练集作为模型的训练样本；
S4.6：将训练样本训练好的神经网络模型保存，进行试预报，检验预报效果。
6.根据权利要求1所述的基于相似年灰色关联分析的中长期降雨径流预报的中长期径流预报方法，其特征在于：所述步骤5中效率系数的计算方法为：
式中，E为效率系数，公式中Qo指实际值，Qm指预报值，Qt表示第t时刻的某个值，表示实际值的总平均。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910467938.7A CN110196456A (zh) | 2019-05-31 | 2019-05-31 | 一种基于相似年灰色关联分析的中长期降雨径流预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910467938.7A CN110196456A (zh) | 2019-05-31 | 2019-05-31 | 一种基于相似年灰色关联分析的中长期降雨径流预报方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110196456A true CN110196456A (zh) | 2019-09-03 |
Family
ID=67753472
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910467938.7A Pending CN110196456A (zh) | 2019-05-31 | 2019-05-31 | 一种基于相似年灰色关联分析的中长期降雨径流预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110196456A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110555561A (zh) * | 2019-09-06 | 2019-12-10 | 清华大学 | 一种中长期径流集合预报方法 |
| CN113435628A (zh) * | 2021-05-28 | 2021-09-24 | 淮阴工学院 | 基于线性判别分析和ialo-elm的中长期径流预测方法及系统 |
| WO2021197009A1 (zh) * | 2020-04-02 | 2021-10-07 | 中国长江三峡集团有限公司 | 一种水情监测数据的实时异常诊断与插补方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140103589A (ko) * | 2013-02-18 | 2014-08-27 | 아주대학교산학협력단 | Ｍａｐｌｅ 기상예보자료를 이용한 홍수예측 방법 및 그 장치 |
| CN104285165A (zh) * | 2013-04-04 | 2015-01-14 | 天气变化研究无限责任公司 | 用于以可选择的时间增量来生成和显示nowcast的方法 |
| CN105740969A (zh) * | 2016-01-21 | 2016-07-06 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于数据驱动的小流域洪水实时预报方法 |
| CN107622322A (zh) * | 2017-08-16 | 2018-01-23 | 国网青海省电力公司 | 中长期径流的预报因子识别方法、中长期径流的预测方法 |
| CN107798431A (zh) * | 2017-10-31 | 2018-03-13 | 河海大学 | 一种基于改进Elman神经网络的中长期径流预报方法 |
| CN109711617A (zh) * | 2018-12-25 | 2019-05-03 | 河海大学 | 一种基于blstm深度学习的中长期径流预测方法 |
-
2019
- 2019-05-31 CN CN201910467938.7A patent/CN110196456A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140103589A (ko) * | 2013-02-18 | 2014-08-27 | 아주대학교산학협력단 | Ｍａｐｌｅ 기상예보자료를 이용한 홍수예측 방법 및 그 장치 |
| CN104285165A (zh) * | 2013-04-04 | 2015-01-14 | 天气变化研究无限责任公司 | 用于以可选择的时间增量来生成和显示nowcast的方法 |
| CN105740969A (zh) * | 2016-01-21 | 2016-07-06 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于数据驱动的小流域洪水实时预报方法 |
| CN107622322A (zh) * | 2017-08-16 | 2018-01-23 | 国网青海省电力公司 | 中长期径流的预报因子识别方法、中长期径流的预测方法 |
| CN107798431A (zh) * | 2017-10-31 | 2018-03-13 | 河海大学 | 一种基于改进Elman神经网络的中长期径流预报方法 |
| CN109711617A (zh) * | 2018-12-25 | 2019-05-03 | 河海大学 | 一种基于blstm深度学习的中长期径流预测方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110555561A (zh) * | 2019-09-06 | 2019-12-10 | 清华大学 | 一种中长期径流集合预报方法 |
| CN110555561B (zh) * | 2019-09-06 | 2022-04-01 | 清华大学 | 一种中长期径流集合预报方法 |
| WO2021197009A1 (zh) * | 2020-04-02 | 2021-10-07 | 中国长江三峡集团有限公司 | 一种水情监测数据的实时异常诊断与插补方法 |
| GB2601261A (en) * | 2020-04-02 | 2022-05-25 | China Three Gorges Corp | Real-time abnormal diagnosis and interpolation method for water regimen monitoring data |
| GB2601261B (en) * | 2020-04-02 | 2024-05-15 | China Three Gorges Corp | Real-time abnormal diagnosis and interpolation method for water regimen monitoring data |
| CN113435628A (zh) * | 2021-05-28 | 2021-09-24 | 淮阴工学院 | 基于线性判别分析和ialo-elm的中长期径流预测方法及系统 |
| CN113435628B (zh) * | 2021-05-28 | 2023-08-22 | 淮阴工学院 | 基于线性判别分析和ialo-elm的中长期径流预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263866B (zh) | 一种基于深度学习的电力用户负荷区间预测方法 | |
| CN114118640B (zh) | 长期降水预测模型构建方法、长期降水预测方法及装置 | |
| CN105139093B (zh) | 基于Boosting算法和支持向量机的洪水预报方法 | |
| CN108876021B (zh) | 一种中长期径流预报方法及系统 | |
| CN107463993B (zh) | 基于互信息-核主成分分析-Elman网络的中长期径流预报方法 | |
| CN107505837A (zh) | 一种半监督神经网络模型及基于该模型的软测量建模方法 | |
| CN111401599B (zh) | 一种基于相似性搜索和lstm神经网络的水位预测方法 | |
| CN110196456A (zh) | 一种基于相似年灰色关联分析的中长期降雨径流预报方法 | |
| CN108920427B (zh) | 一种月尺度水文模型时变参数的动态估计方法 | |
| CN111753461B (zh) | 潮汐水位修正方法、目标余水位获取方法、装置和设备 | |
| CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
| CN108334943A (zh) | 基于主动学习神经网络模型的工业过程半监督软测量建模方法 | |
| CN116128141B (zh) | 风暴潮预测方法、装置、存储介质及电子设备 | |
| CN110569566A (zh) | 一种板带力学性能预测方法 | |
| CN113505923A (zh) | 一种地区电网短期负荷预测方法及系统 | |
| CN109190810B (zh) | 基于tdnn的中国北方草原地区ndvi的预测方法 | |
| CN113139605A (zh) | 基于主成分分析和lstm神经网络的电力负荷预测方法 | |
| CN110533249B (zh) | 一种基于集成长短期记忆网络的冶金企业能耗预测方法 | |
| CN114581141A (zh) | 基于特征选择与lssvr的短期负荷预测方法 | |
| CN109272144B (zh) | 基于bpnn的中国北方草原地区ndvi的预测方法 | |
| CN116720080A (zh) | 同源气象要素融合检验方法 | |
| CN117035155A (zh) | 一种水质预测方法 | |
| CN116565850A (zh) | 一种基于qr-blstm的风电功率超短期预测方法 | |
| CN115456260A (zh) | 客服话务量预测方法 | |
| CN114841064A (zh) | 一种基于半监督集成学习的干旱灾害天气预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190903 |
|
| RJ01 | Rejection of invention patent application after publication |