CN110991600A - 一种融合分布估计算法与极限学习机的干旱智慧预测方法 - Google Patents
一种融合分布估计算法与极限学习机的干旱智慧预测方法 Download PDFInfo
- Publication number
- CN110991600A CN110991600A CN201911050246.9A CN201911050246A CN110991600A CN 110991600 A CN110991600 A CN 110991600A CN 201911050246 A CN201911050246 A CN 201911050246A CN 110991600 A CN110991600 A CN 110991600A
- Authority
- CN
- China
- Prior art keywords
- drought
- elm
- model
- eda
- learning machine
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000009826 distribution Methods 0.000 title claims abstract description 21
- 238000011160 research Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000001939 inductive effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公布了一种融合分布估计算法与极限学习机的干旱智慧预测方法，提出了成功融合分布估计算法(EDA)和极限学习机(ELM)的方法，构建了EDA‑ELM混合模型；根据研究区的特点，选取并计算相应的干旱指数表征干旱，并作为EDA‑ELM模型输出；搜集与干旱成因有关的致旱因子构建大数据集，利用信息理论筛选出与干旱成因最为密切的关键致旱因子，作为模型输入；设置EDA‑ELM混合模型中的参数，调试模型结构，应用于干旱预测。该方法融合了信息学、统计学及水文气象学领域相关知识，具有预测精度高，泛化能力强，适用范围广等优点，为基于大数据的干旱预测提供了一条有效的路径。
Description
技术领域
本发明属于互联网、大数据领域，具体涉及一种融合分布估计算法与极限学习机的干旱智慧预测方法。
背景技术
干旱是众多自然灾害中造成全球经济损失最严重的一类气象灾害。我国地域辽阔，干旱灾害尤为严峻，已成为制约我国社会经济可持续发展的重要因素。加强中长期干旱预测预警研究力度，提高干旱预见期与预测精度，不但能为我国抗旱减灾工作提供必要的技术支撑，而且对于保障我国粮食安全、供水安全、生态安全和社会经济可持续发展等方面具有重要的现实意义。
提高中长期干旱预测能力，既需要准确识别关键致旱因子，也需要构建高效的干旱预测模型。干旱物理成因复杂，涉及气象与水文等众多要素，从海量数据中对有效的因子进行准确识别，同时对冗余因子进行合理剔除，是提高模型预测效率的关键。
基于前馈神经网络理论的极限学习机模型在众多领域中性能优异，却鲜被应用于干旱预测中，且该模型改进空间巨大，但已有的改进仅局限于基于个体进化机制的智能算法对参数进行优化，而基于概率进化机制的智能算法却鲜被应用。分布估计算法作为典型的基于概率进化机制的智能算法，相较于基于个体进化机制的智能算法，具备更强的全局搜索能力和更快的收敛速度，能有效提高模型的运算效率与精度。但目前尚未有人将分布估计算法和极限学习机模型成功融合，是该模型改进研究中的空白。
发明内容
发明目的：本发明提供一种融合分布估计算法与极限学习机的干旱智慧预测方法，利用大数据和信息理论提高了作为模型输入的关键致旱因子筛选质量，保证中长期干旱的预测精度。
技术方案：本发明所述的一种融合分布估计算法与极限学习机的干旱智慧预测方法，包括以下步骤：
(1)提出成功融合分布估计算法(EDA)和极限学习机(ELM)的方法，构建EDA-ELM混合模型；
(2)根据研究区的特点，选取并计算相应的干旱指数表征干旱，并作为EDA-ELM模型输出；
(3)搜集与干旱成因有关的致旱因子构建大数据集，利用信息理论筛选出与干旱成因最为密切的关键致旱因子，作为模型输入；
(4)设置EDA-ELM混合模型中的参数，调试模型结构；
(5)同条件下对比传统ELM模型模拟结果，对模型精度进行评价。
进一步地，所述步骤(1)中融合EDA算法和ELM模型的方法包括以下步骤：
(11)确定ELM的输入与输出样本集；
(12)确定对ELM初始权值及阈值的编码方式，采用二进制编码；
(13)确定解空间的概率模型，采用高斯概率模型；
(14)确定随机采样产生下一代种群的方式，采用蒙特卡洛方法；
(15)计算每个个体的适应值，并排序选优，选择升序排列；
(16)按照既定规则更新产生下一代种群；
(17)直至满足终止条件为止，终止条件设置为预测值与期望值的误差矩阵的范数小于某一设定值。
进一步地，步骤(2)所述的干旱指数主要包括标准化降水指数、标准化降水蒸散发指数、帕默尔干旱指数等。
进一步地，步骤(3)所述的致旱因子大数据集主要包括海温指数、大气环流指数及与干旱成因有关的因子。
进一步地，步骤(4)所述的参数设置包括ELM模型参数和EDA算法参数的设置；所述ELM模型的参数为隐含层神经元数目、初始权值和初始阈值；所述EDA算法的参数采用常规设置标准。
有益效果：与现有技术相比，本发明的有益效果：1、本发明融合分布估计算法与极限学习机的中长期干旱智慧预测方法，提出了成功融合分布估计算法(EDA)和极限学习机(ELM)的方法，构建了分布估计算法优化的极限学习机模型，以信息理论筛选致旱因子大数据集得到的关键致旱因子为模型输入，对干旱进行了预测，提高了模型输入的有效性以及干旱预测精度；2、成功融合了分布估计算法(EDA)与极限学习机模型(ELM),丰富和发展了ELM模型融合优化方法，强化了中长期干旱预测能力，融合了信息学、统计学及水文气象学领域相关知识为基于大数据的干旱预测提供了一条有效的路径。
附图说明
图1为本发明构建的EDA-ELM模型算法流程图。
具体实施方式
下面结合附图对本发明进行进一步详细描述。
本发明通过融合分布估计算法与极限学习机建立中长期干旱智慧预测模型，构建致旱因子大数据集，结合信息理论筛选关键致旱因子作为模型输入，，对中长期干旱进行预测。如图1所示，具体实施步骤如下：
步骤1：融合分布估计算法(EDA)和极限学习机(ELM)，构建EDA-ELM混合模型。
依据EDA算法及ELM模型原理，结合图1所示的EDA-ELM融合流程图构建EDA-ELM混合模型，构建平台为MATLAB-R2012a，运行电脑配置为：处理器为i5-7200U，2.70GHz，内存为16G，系统类型为64位操作系统。
ELM模型的计算原理为：
假设训练集样本为[xi,yi](i＝1,2,…,N)，l为隐含层的个数，激励函数为g(x)，ELM可以表示为：
其中，βj为第j个隐含层节点与输出节点之间的权值；αj为第j个隐含层节点与输入节点的权值；dj为第j个隐含层节点的阈值。
其中，α、β、d应满足：
式(2)又可以由矩阵形式给出
Hβ＝Y (3)
其中，
只要隐含层神经元的激励函数g(x)无限可微，则隐含层与输出层之间的权值
可由下式求出
其中，H+为H的Moore-Penrose广义逆。
EDA算法的计算原理为：
假设p(x)＝(p(x1),p(x2),…,p(xn))是解空间分布概率模型的一个概率向量，其中p(xi)(i＝1,2,…,n)是第i个基因位置上为1的概率，于是在算法进化的迭代过程中，每一代的M个个体都是通过概率向量p(x)随机产生的，进而计算每一个个体的适应值，并从中选取最优的N(N<M)个个体来更新概率向量p(x)，这里的更新规则采用Heb规则[197]。用pl(x)表示第l代的概率向量，
表示被选择中的N(N<M)个最优个体，则更新过程可以由下式表示:
其中，α为学习速率。
EDA-ELM混合模型构建，即融合EDA算法和ELM模型的具体步骤为：
(1)确定ELM的输入与输出样本集；
(2)确定对ELM初始权值及阈值的编码方式，采用二进制编码；
(3)确定解空间的概率模型，采用高斯概率模型；
(4)确定随机采样产生下一代种群的方式，采用蒙特卡洛方法；
(5)计算每个个体的适应值，并排序选优，选择升序排列；
(6)按照既定规则更新产生下一代种群；
(7)直至满足终止条件为止，终止条件设置为预测值与期望值的误差矩阵的范数小于某一设定值，例如0.00001。
步骤2：根据研究区的特点，选取并计算相应的干旱指数表征干旱，并作为EDA-ELM模型预测对象。
干旱指数中常用的干旱指数包括标准化降水指数(SPI)、标准化降水蒸散发指数(SPEI)、帕默尔干旱指数(PDSI)，指数计算需要降水、气温等资料。此例选取云南省6个气象站点与贵州省19个气象站点1970-2017年逐月降水与逐月气温等气象数据，计算了云贵高原地区3、6、12个月时间尺度的SPEI指数。
步骤3：收集与干旱成因有关的致旱因子构建大数据集，利用信息理论筛选出与干旱成因最为密切的关键致旱因子，作为EDA-ELM模型输入项。
致旱因子大数据集因研究区而异，可包含海温指数、大气环流指数等与干旱成因有关的因子。常用的基于信息理论的筛选方法有成因分析法、数理统计法等。结合已有的研究结果，初步收集了与云贵高原干旱相关的1970年至2017年大量环流指数数据，经过干旱成因分析及数理统计法筛选后，最终得到不同时间尺度SPEI指数相对应的关键致旱因子集，即模型输入方案，见表1。
表1不同时间尺度SPEI指数对应的关键致旱因子集
附注：表中符号代表不同的环流指数。
步骤4：设置EDA-ELM混合模型中的参数，调试模型结构以达到最优性能。
EDA-ELM模型结构的调试包括ELM模型参数和EDA算法参数的设置。ELM模型的参数为隐含层神经元数目、初始权值和初始阈值。其中，隐含层神经元数目采用“试错”分析求得；初始权值和初始阈值采用随机生成方式确定，其激励函数选择‘sig’。
EDA算法的参数采用常规设置标准。具体可设置如下：种群大小为40，学习率为0.01，最大进化代数为10000。
步骤5：同条件下对比传统ELM模型模拟结果，对模型精度进行评价。
具体的，EDA-ELM模型计算得到的SPEI预测结果，将与相同条件下传统ELM的预测结果进行比较，以评价模型精度。评价指标均方根误差(RMSE)及相关系数(CORR)。具体计算公式如下：
式中，xi为预测值，yi为实测值，
为预测平均值，
为实测平均值。
预测训练期设置为1970～2012年，共计43年；测试期设置为2013～2017年，共计5年。考虑到模型运行的不稳定性，每个模型分别运行5次，然后计算平均的均方根误差(RMSE)及相关系数(CORR)来评价整体的预测效果，RMSE数值越小，CORR数值越大，表明模型性能越优异。最终结果如表2所示。
表2 EDA-ELM、ELM模型预测性能表
结果表明：对于不同月时间尺度的SPEI指数预测，本发明提出的EDA-ELM混合模型在训练期和测试期的表现均明显优于传统的ELM模型。研究成果融合了信息学、统计学及水文气象学领域相关知识，既在丰富和发展优化极限学习机方法具有重要理论意义，又在强化中长期干旱预测能力、为相关部门的抗旱应急准备赢得时间、从而减少干旱导致的社会经济损失方面具有重要现实意义。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.一种融合分布估计算法与极限学习机的干旱智慧预测方法，其特征在于，包括以下步骤：
(1)提出融合分布估计算法(EDA)和极限学习机(ELM)的方法，构建EDA-ELM混合模型；
(2)根据研究区的特点，选取并计算相应的干旱指数表征干旱，并作为EDA-ELM模型输出；
(3)搜集与干旱成因有关的致旱因子构建大数据集，利用信息理论筛选出与干旱成因最为密切的关键致旱因子，作为模型输入；
(4)设置EDA-ELM混合模型中的参数，调试模型结构；
(5)同条件下对比传统ELM模型模拟结果，对模型精度进行评价。
2.根据权利要求1所述的一种融合分布估计算法与极限学习机的干旱智慧预测方法，其特征在于，所述步骤(1)融合EDA算法和ELM模型的具体步骤为：
(11)确定ELM的输入与输出样本集；
(12)确定对ELM初始权值及阈值的编码方式，采用二进制编码；
(13)确定解空间的概率模型，采用高斯概率模型；
(14)确定随机采样产生下一代种群的方式，采用蒙特卡洛方法；
(15)计算每个个体的适应值，并排序选优，选择升序排列；
(16)按照既定规则更新产生下一代种群；
(17)直至满足终止条件为止，终止条件设置为预测值与期望值的误差矩阵的范数小于某一设定值。
3.根据权利要求1所述的一种融合分布估计算法与极限学习机的干旱智慧预测方法，其特征在于，步骤(2)所述的干旱指数主要包括标准化降水指数、标准化降水蒸散发指数、帕默尔干旱指数。
4.根据权利要求1所述的一种融合分布估计算法与极限学习机的干旱智慧预测方法，其特征在于，步骤(3)所述的致旱因子大数据集主要包括海温指数、大气环流指数。
5.根据权利要求1所述的一种融合分布估计算法与极限学习机模型的中长期干旱智慧预测方法，其特征在于，步骤(4)所述的参数设置包括ELM模型参数和EDA算法参数的设置；所述ELM模型的参数为隐含层神经元数目、初始权值和初始阈值；所述EDA算法的参数采用常规设置标准。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911050246.9A CN110991600B (zh) | 2019-10-31 | 2019-10-31 | 一种融合分布估计算法与极限学习机的干旱智慧预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911050246.9A CN110991600B (zh) | 2019-10-31 | 2019-10-31 | 一种融合分布估计算法与极限学习机的干旱智慧预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110991600A true CN110991600A (zh) | 2020-04-10 |
| CN110991600B CN110991600B (zh) | 2020-09-22 |
Family
ID=70082926
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911050246.9A Active CN110991600B (zh) | 2019-10-31 | 2019-10-31 | 一种融合分布估计算法与极限学习机的干旱智慧预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991600B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112380778A (zh) * | 2020-11-26 | 2021-02-19 | 华南理工大学 | 一种基于海温的气象干旱预报方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108920812A (zh) * | 2018-06-28 | 2018-11-30 | 江苏大学 | 一种机械加工表面粗糙度预测方法 |
-
2019
- 2019-10-31 CN CN201911050246.9A patent/CN110991600B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108920812A (zh) * | 2018-06-28 | 2018-11-30 | 江苏大学 | 一种机械加工表面粗糙度预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| LEI ZHANG 等: "《Robust Visual Knowledge Transfer via Extreme Learning Machine-Based Domain Adaptation》", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| 刘振男: "《基于在线序列一极限学习机的干旱预测》", 《人民珠江》 * |
| 周靖楠: "基于自适应差分进化算法优化极限学习机的干旱预测方法", 《水电能源科学》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112380778A (zh) * | 2020-11-26 | 2021-02-19 | 华南理工大学 | 一种基于海温的气象干旱预报方法 |
| CN112380778B (zh) * | 2020-11-26 | 2024-09-17 | 华南理工大学 | 一种基于海温的气象干旱预报方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110991600B (zh) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113537600B (zh) | 一种全过程耦合机器学习的中长期降水预报建模方法 | |
| CN111461453B (zh) | 一种基于多模型组合的中长期径流集合预报方法 | |
| CN109118013A (zh) | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 | |
| CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
| CN113468803B (zh) | 一种基于改进的woa-gru洪水流量预测方法及系统 | |
| CN104978611A (zh) | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 | |
| CN111119282A (zh) | 一种针对供水管网的压力监测点优化布置方法 | |
| CN113361761A (zh) | 一种基于误差修正的短期风电功率集成预测方法及系统 | |
| Chattopadhyay et al. | Identification of the best hidden layer size for three-layered neural net in predicting monsoon rainfall in India | |
| CN110070201A (zh) | 一种通过经济增长率预测用电量增长率的方法 | |
| CN106599610A (zh) | 预测长链非编码rna和蛋白质联系的方法及系统 | |
| CN114004153A (zh) | 一种基于多源数据融合的侵彻深度预测方法 | |
| CN117909888B (zh) | 智慧人工智能气候预测方法 | |
| CN110991600B (zh) | 一种融合分布估计算法与极限学习机的干旱智慧预测方法 | |
| Sun | Real estate evaluation model based on genetic algorithm optimized neural network | |
| CN109919374A (zh) | 基于apso-bp神经网络的股票价格预测方法 | |
| CN110807508A (zh) | 计及复杂气象影响的母线峰值负荷预测方法 | |
| Salvi et al. | Long short-term model for Brent oil price forecasting | |
| CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
| CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
| CN116054144A (zh) | 分布式光伏接入的配电网重构方法、系统及存储介质 | |
| CN105225018A (zh) | 基于bp神经网络的手机流量的预测方法及预测装置 | |
| CN115099499A (zh) | 一种基于随机森林的emd-lstm对pm2.5浓度预测的方法 | |
| CN112561203B (zh) | 一种基于聚类和gru实现水位预警的方法及系统 | |
| CN110162704B (zh) | 基于多因子遗传算法的多规模关键用户提取方法 |
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 |