CN111104981A - 一种基于机器学习的水文预报精度评价方法及系统 - Google Patents

一种基于机器学习的水文预报精度评价方法及系统 Download PDF

Info

Publication number
CN111104981A
CN111104981A CN201911317633.4A CN201911317633A CN111104981A CN 111104981 A CN111104981 A CN 111104981A CN 201911317633 A CN201911317633 A CN 201911317633A CN 111104981 A CN111104981 A CN 111104981A
Authority
CN
China
Prior art keywords
evaluation
hydrologic
evaluation index
accuracy
precision
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
Application number
CN201911317633.4A
Other languages
English (en)
Other versions
CN111104981B (zh
Inventor
周建中
杨鑫
王彧蓉
方威
曾昱
卢程伟
冯快乐
覃晖
田梦琦
娄思静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201911317633.4A priority Critical patent/CN111104981B/zh
Publication of CN111104981A publication Critical patent/CN111104981A/zh
Priority to PCT/CN2020/119823 priority patent/WO2021120788A1/zh
Application granted granted Critical
Publication of CN111104981B publication Critical patent/CN111104981B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (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)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于机器学习的水文预报精度评价方法及系统，属于水文预报精度评价领域，包括：获得同一断面的水文预报结果和同期实测结果，以计算洪峰评价指标、洪量评价指标及径流过程评价指标，形成一条评价指标数据；利用已训练好的水文预报精度评价模型识别评价指标数据所属的精度等级，作为水文预报精度评价结果；水文预报精度评价模型为机器学习分类模型；精度等级的划分包括：根据历史数据分别计算每一场历史洪水事件对应的评价指标数据，作为历史评价指标数据；对历史评价指标数据进行聚类，得到C个类别，分别对应C个精度等级；根据类别内部的评价指标水平，对相应的精度等级进行优劣排序。本发明能够实现对水文预报精度的准确评级。

Description

一种基于机器学习的水文预报精度评价方法及系统
技术领域
本发明属于水文预报精度评价领域，更具体地，涉及一种基于机器学习的水文预报精度评价方法及系统。
背景技术
水文预报(hydrologic forecasting)，是指根据前期或现时的水文气象资料，对某一水体、某一地区或某一水文站在未来一定时间内的水文情况作出定性或定量的预测。在实际的生产生活中，流域水文预报可为流域水旱灾害防治、库群安全经济运行、水资源科学分配及社会可持续发展等提供重要决策支撑。目前，常利用水文模型实现水文预报，所谓水文模型，是指用模拟方法将复杂的水文现象和过程经概化所给出的近似的科学模型。
对于水文预报，其中最受人们关注的指标就是预报精度，预报精度受诸多不确定性因素的影响，例如模型输入不确定性，模型结构不确定性，一个预报模型的精度高低可以在模型运行一段时间后通过实际预报数据和实测数据进行相关分析得到。与水文模型的发展和完善相比，一般的水文评价方法仍然比较简单。目前，常用的水文预报精度评价方法包括图示法和统计方法。图示法是通过比较观测水文和利用水文模型的到模拟水文来进行定性评价；统计方法中，会根据专家经验预先划分多个精度等级，每个精度等级对应一个预报精度范围，各精度等级对应的预报精度范围是预先设定好的，并且固定不变，统计方法具体是通过统计各种误差指数来判断当前水文预报精度所属的精度等级，从而实现定量评价。图示法和统计方法简单、易于应用，但都存在一定的缺陷。图示法进行对水文预报精度进行定性分析，难以量化，评价结果主观性强；统计方法能够进行定量评价，但是，基于单一误差指标的评价框架不能反映不同误差指标之间的互补作用，误差指数范围如何合理地代表水文模型的性能也存在争议。
总的来说，现有的水文预报精度评价方法，难以准确地对水文模型的预报精度进行定量综合评价。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种基于机器学习的水文预报精度评价方法及系统，旨在解决现有的水文预报精度评价方法难以准确地对水文模型的预报精度进行定量评价的技术问题。
为实现上述目的，按照本发明的第一方面，提供了一种基于机器学习的水文预报精度评价方法，包括：
获得同一断面的水文预报结果和同期实测结果，并根据获取到的数据计算洪峰评价指标、洪量评价指标及径流过程评价指标，从而形成一条评价指标数据；
利用已训练好的水文预报精度评价模型识别评价指标数据所属的精度等级，作为水文预报精度的评价结果；
其中，水文预报精度评价模型为机器学习分类模型，用于确定水文评价指标数据所属的精度等级。
本发明以洪峰评价指标、洪量评价指标以及径流过程评价指标共同作为水文预测精度的评价指标数据，建立了综合、健全的评价指标体系，既能够全面地考虑各项指标对水文预报精度的影响，也能够充分考虑各项评价指标之间的相关性，同时，引入机器学习分类模型，实现了对水文预报精度的准确评级。
进一步地，精度等级的划分方式包括：
从历史数据中提取洪水事件的水文预报结果及同期的实测结果，以分别计算每一场历史洪水事件对应的评价指标数据，作为历史评价指标数据；
根据预设的精度等级数C，对历史评价指标数据进行聚类，以得到C个类别，分别对应C个精度等级；
根据各个类别内部的评价指标水平，对相应的精度等级进行优劣排序，从而完成精度等级划分；
其中，C为正整数。
相比于根据经验划分等级，本发明通过对历史数据进行聚类的方式完成水文预报精度的等级划分，既避免了主观性的影响，最终划分得到的精度等级也与水文数据的特征相匹配，因此，本发明能够保证水文预报精度评级的准确度。
进一步地，用于衡量类别内部的评价指标水平的参数包括：类别内所有历史评价指标数据中，每一个指标项的平均值。
进一步地，水文预报精度评价模型的训练方法包括：
在聚类之后，将每一条历史评价指标数据及其所属的精度等级作为一条样本数据，由所有的样本数据构成输入数据集，并将输入数据集划分为训练数据集和检验数据集；
基于机器学习分类模型建立水文预报精度评价模型后，利用训练数据集对其进行参数率定；
在参数率定结束后，利用检验数据集对水文预报精度评价模型进行验证，以得到已训练好的水文预报精度评价模型。
进一步地，本发明第一方面提供的基于机器学习的水文预报精度评级方法，还包括：若利用检验数据集对水文预报精度评价模型进行验证的验证结果不满足预设的精度要求，则对所建立的模型重新进行参数率定或更换机器学习分类模型，以使得模型验证结果满足精度要求。
进一步地，洪峰评价指标包括洪峰相对误差和峰现时间误差。
进一步地，洪量评价指标包括洪量相对误差。
进一步地，径流过程评价指标包括确定性系数、相对平均误差和均方根误差。
本发明在对水文预报精度进行评价时，具体利用洪峰相对误差、峰现时间误差、洪量相对误差、确定性系数、相对平均误差和均方根误差共同作为评价指标数据，克服了传统评价方法评价指标单一，主观性强的缺点，保证了对水文预报精度定量评价(评级)的准确度。
按照本发明的第二方面，提供了一种基于机器学习的水文预报精度评价系统，包括：评价指标获取模块和评价模块；
评价指标获取模块，用于获得同一断面的水文预报结果和同期实测结果，并根据获取到的数据计算洪峰评价指标、洪量评价指标及径流过程评价指标，从而形成一条评价指标数据；
评价模块，用于利用已训练好的水文预报精度评价模型识别评价指标数据所属的精度等级，作为水文预报精度的评价结果；
其中，水文预报精度评价模型为机器学习分类模型，用于确定水文评价指标数据所属的精度等级。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)本发明以洪峰评价指标、洪量评价指标以及径流过程评价指标共同作为水文预测精度的评价指标数据，建立了综合、健全的评价指标体系，既能够全面地考虑各项指标对水文预报精度的影响，也能够充分考虑各项评价指标之间的相关性，同时，引入机器学习分类模型，实现了对水文预报精度的准确评级。
(2)本发明通过对历史数据进行聚类的方式完成水文预报精度的等级划分，既避免了主观性的影响，最终划分得到的精度等级也与水文数据的特征相匹配，因此，本发明能够保证水文预报精度评级的准确度。
附图说明
图1为本发明实施例提供的基于机器学习的水文预报精度评价方法流程图；
图2为本发明实施例提供的水文预报精度评价模型的训练方法流程图。
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。
在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
为了解决现有的水文预报精度评价方法难以准确地对水文模型的预报精度进行定量评价的问题，本发明提供的基于机器学习的水文预报精度评价方法，如图1所示，包括：
获得同一断面的水文预报结果和同期实测结果，并根据获取到的数据计算洪峰评价指标、洪量评价指标及径流过程评价指标，从而形成一条评价指标数据；
利用已训练好的水文预报精度评价模型识别评价指标数据所属的精度等级，作为水文预报精度的评价结果；
其中，水文预报精度评价模型为机器学习分类模型，用于确定水文评价指标数据所属的精度等级。
水文径流序列时空变化明显，水文预报结果受多种复杂因素影响，在对水文预报精度进行评价时，需同时对洪峰流量、峰现时间、流量过程，总水量等多个维度进行全面分析，采用单一评价指标只能从单一维度评价水文预报结果，无法满足以上需求。上述基于机器学习的水文预报精度评价方法，以洪峰评价指标、洪量评价指标以及径流过程评价指标共同作为水文预测精度的评价指标数据，建立了综合、健全的评价指标体系，既能够全面地考虑各项指标对水文预报精度的影响，也能够充分考虑各项评价指标之间的相关性，同时，引入机器学习分类模型，实现了对水文预报精度的准确评级；
在一个可选的实施方式中，洪峰评价指标具体包括洪峰相对误差PF和峰现时间误差TP；洪量评价指标包括洪量相对误差WF；径流过程评价指标包括确定性系数DC、相对平均误差MRE以及均方根误差RMSE；
各项指标的计算公式分别如下：
(1)洪峰评价指标：
Figure BDA0002326274700000061
TP＝T实测-T预测
其中，Q实测为预报断面实测流量，Q预测为预报断面预测流量；T实测为实测洪峰流量发生时间，T预测为预测洪峰流量发生时间；洪峰评价指标精度对于洪水预报具有重要意义，直接影响防洪调度决策及水利工程的防洪安全；
(2)洪量评价指标：
Figure BDA0002326274700000062
其中，W实测为实测洪水总量，W预测为预测洪水总量；洪量评价指标用于对洪峰评价指标进行补充，对于防洪调度具有重要影响；
(3)径流过程评价指标：
Figure BDA0002326274700000063
Figure BDA0002326274700000071
Figure BDA0002326274700000072
起中，n为预见期长度，
Figure BDA0002326274700000073
为t时刻实测流量，
Figure BDA0002326274700000074
为t时刻预测流量，
Figure BDA0002326274700000075
为实测流量的平均值；径流过程评价指标主要用于衡量预报径流过程与实际径流过程的相似程度，对于供水调度、水利发电调度等具有重要影响；
在对水文预报精度进行评价时，具体利用洪峰相对误差、峰现时间误差、洪量相对误差、确定性系数、相对平均误差和均方根误差这6项指标共同作为评价指标数据，克服了传统评价方法评价指标单一，主观性强的缺点，保证了对水文预报精度定量评价(评级)的准确度。
为了进一步提高水文预报精度评价的准确度，在本实施例中，精度等级的划分方式包括：
从历史数据中提取洪水事件的水文预报结果及同期的实测结果，以分别计算每一场历史洪水事件对应的评价指标数据，作为历史评价指标数据；
根据预设的精度等级数C，对历史评价指标数据进行聚类，以得到C个类别，分别对应C个精度等级；具体可采用任意一种聚类算法(如模糊C均值聚类等)实现对历史评价指标数据进行聚类；
根据各个类别内部的评价指标水平，对相应的精度等级进行优劣排序，从而完成精度等级划分；可选地，用于衡量类别内部的评价指标水平的参数包括：类别内所有历史评价指标数据中，每一个指标项的平均值，在此基础上，还可包括每一个指标项的最大值、最小值、方差等指标中的一项或多项；
其中，C为正整数；
相比于根据经验划分等级，本实施例通过对历史数据进行聚类的方式完成水文预报精度的等级划分，既避免了主观性的影响，最终划分得到的精度等级也与水文数据的特征相匹配，由此保证了水文预报精度评级的准确度；经过聚类操作，在确定具体的等级划分的同时，确定了每一条历史评价指标数据所属的精度等级；
基于上述等级划分方法，在本实施例中，如图2所示，水文预报精度评价模型的训练方法包括：
在聚类之后，将每一条历史评价指标数据及其所属的精度等级作为一条样本数据，由所有的样本数据构成输入数据集，并将输入数据集划分为训练数据集和检验数据集；
基于机器学习分类模型建立水文预报精度评价模型后，利用训练数据集对其进行参数率定；具体所采用的机器学习分类模型，可以是神经网络、支持向量机、树分类等任意一种机器学习分类模型，在实际应用中，可根据流域本身的水文特性，确定具体的模型种类；
在参数率定结束后，利用检验数据集对水文预报精度评价模型进行验证，以得到已训练好的水文预报精度评价模型；
为了保证评级准确度，上述基于机器学习的水文预报精度评价方法，还包括：若利用检验数据集对水文预报精度评价模型进行验证的验证结果不满足预设的精度要求，则对所建立的模型重新进行参数率定或更换机器学习分类模型，以使得模型验证结果满足精度要求。
本发明还提供了一种基于机器学习的水文预报精度评价系统，包括：评价指标获取模块和评价模块；
评价指标获取模块，用于获得同一断面的水文预报结果和同期实测结果，并根据获取到的数据计算洪峰评价指标、洪量评价指标及径流过程评价指标，从而形成一条评价指标数据；
评价模块，用于利用已训练好的水文预报精度评价模型识别评价指标数据所属的精度等级，作为水文预报精度的评价结果；
其中，水文预报精度评价模型为机器学习分类模型，用于确定水文评价指标数据所属的精度等级；
在本实施例中，各模块的具体实施方式可参考上述方法实施例中的描述，在此将不作复述。
应用实例：
以金沙江中游三堆子至三峡区间水文预报精度评价为例，选取1996-2017年龙街，溪洛渡，向家坝，朱沱，寸滩，三峡等六个预报断面共107场洪水预报结果作为样本，结合历史同期实测流量数据，分别计算每场洪水预报的评价指标数据，作为历史评价指标数据；
拟定3种不同水文预报精度等级(甲、乙、丙)，相应地，设定聚类算法的聚类中心数为3，具体采用模糊C均值聚类算法对历史评价指标数据进行聚类，得到每条历史评价指标数据的聚类结果，即所属的等级；统计不同等级下，各项评价指标的最大值、最小值和均值，用于等级内部的评价指标水平，依据不同等级评价指标的统计特征值，确定甲、乙、丙三个等级的优劣顺序。其中，确定性系数均值越接近1越优，峰现时间误差均值的绝对值越小越优，其余指标的均值越小越优，各等级内部的评价指标水平统计结果如表1所示，相应地，三个等级的优劣顺序为甲、乙、丙。
表1聚类评价等级
Figure BDA0002326274700000091
在聚类之后，将每一条历史评价指标数据及其所属的精度等级作为一条样本数据，由所有的样本数据构成输入数据集，并将输入数据集划分为训练数据集和检验数据集；基于支持向量机建立水文预报精度评价模型利用训练数据集对其进行参数率定，在参数率定结束后，利用检验数据集对水文预报精度评价模型进行验证，统计评价模型的分类正确率。分类结果混淆矩阵如表2所示：
表2分类结果混淆矩阵
Figure BDA0002326274700000101
表2表头中甲、乙、丙表示上述评价模型输出标签，第一列中甲、乙、丙表示实际标签，由表中数据可知，上述评价模型对甲、乙两个等级的预报结果分类正确率可达94％，对丙级预报结果分类的正确率可达98％，说明该模型能够准确地对预报结果进行分类评级。
综上，本发明根据流域径流预报的实际情况，制定了水文预报综合评价指标体系，并在此基础上构建了一种基于混合机器学习框架新的水文预报综合评价模型，克服了传统评价方法评价指标单一，主观性强的缺点，拓展了机器学习方法在水文预报领域的应用。
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)

1.一种基于机器学习的水文预报精度评价方法，其特征在于，包括：
获得同一断面的水文预报结果和同期实测结果，并根据获取到的数据计算洪峰评价指标、洪量评价指标及径流过程评价指标，从而形成一条评价指标数据；
利用已训练好的水文预报精度评价模型识别所述评价指标数据所属的精度等级，作为水文预报精度的评价结果；
其中，所述水文预报精度评价模型为机器学习分类模型，用于确定水文评价指标数据所属的精度等级。
2.如权利要求1所述的基于机器学习的水文预报精度评价方法，其特征在于，精度等级的划分方式包括：
从历史数据中提取洪水事件的水文预报结果及同期的实测结果，以分别计算每一场历史洪水事件对应的评价指标数据，作为历史评价指标数据；
根据预设的精度等级数C，对历史评价指标数据进行聚类，以得到C个类别，分别对应C个精度等级；
根据各个类别内部的评价指标水平，对相应的精度等级进行优劣排序，从而完成精度等级划分；
其中，C为正整数。
3.如权利要求2所述的基于机器学习的水文预报精度评价方法，其特征在于，用于衡量类别内部的评价指标水平的参数包括：类别内所有历史评价指标数据中，每一个指标项的平均值。
4.如权利要求2所述的基于机器学习的水文预报精度评价方法，其特征在于，所述水文预报精度评价模型的训练方法包括：
在聚类之后，将每一条历史评价指标数据及其所属的精度等级作为一条样本数据，由所有的样本数据构成输入数据集，并将所述输入数据集划分为训练数据集和检验数据集；
基于机器学习分类模型建立水文预报精度评价模型后，利用所述训练数据集对其进行参数率定；
在参数率定结束后，利用所述检验数据集对所述水文预报精度评价模型进行验证，以得到已训练好的水文预报精度评价模型。
5.如权利要求4所述的基于机器学习的水文预报精度评价方法，其特征在于，还包括：若利用所述检验数据集对所述水文预报精度评价模型进行验证的验证结果不满足预设的精度要求，则对所建立的模型重新进行参数率定或更换机器学习分类模型，以使得模型验证结果满足精度要求。
6.如权利要求1-5任一项所述的基于机器学习的水文预报精度评价方法，其特征在于，所述洪峰评价指标包括洪峰相对误差和峰现时间误差。
7.如权利要求1-5任一项所述的基于机器学习的水文预报精度评价方法，其特征在于，所述洪量评价指标包括洪量相对误差。
8.如权利要求1-5任一项所述的基于机器学习的水文预报精度评价方法，其特征在于，所述径流过程评价指标包括确定性系数、相对平均误差和均方根误差。
9.一种基于机器学习的水文预报精度评价系统，其特征在于，包括：评价指标获取模块和评价模块；
所述评价指标获取模块，用于获得同一断面的水文预报结果和同期实测结果，并根据获取到的数据计算洪峰评价指标、洪量评价指标及径流过程评价指标，从而形成一条评价指标数据；
所述评价模块，用于利用已训练好的水文预报精度评价模型识别所述评价指标数据所属的精度等级，作为水文预报精度的评价结果；
其中，所述水文预报精度评价模型为机器学习分类模型，用于确定水文评价指标数据所属的精度等级。
CN201911317633.4A 2019-12-19 2019-12-19 一种基于机器学习的水文预报精度评价方法及系统 Active CN111104981B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911317633.4A CN111104981B (zh) 2019-12-19 2019-12-19 一种基于机器学习的水文预报精度评价方法及系统
PCT/CN2020/119823 WO2021120788A1 (zh) 2019-12-19 2020-10-06 一种基于机器学习的水文预报精度评价方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911317633.4A CN111104981B (zh) 2019-12-19 2019-12-19 一种基于机器学习的水文预报精度评价方法及系统

Publications (2)

Publication Number Publication Date
CN111104981A true CN111104981A (zh) 2020-05-05
CN111104981B CN111104981B (zh) 2022-09-16

Family

ID=70422316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911317633.4A Active CN111104981B (zh) 2019-12-19 2019-12-19 一种基于机器学习的水文预报精度评价方法及系统

Country Status (2)

Country Link
CN (1) CN111104981B (zh)
WO (1) WO2021120788A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021120788A1 (zh) * 2019-12-19 2021-06-24 华中科技大学 一种基于机器学习的水文预报精度评价方法及系统
CN113361798A (zh) * 2021-06-23 2021-09-07 长沙理工大学 基于预泄指数的水库防洪调度方法、系统及存储介质
CN113657557A (zh) * 2021-06-22 2021-11-16 中国电建集团华东勘测设计研究院有限公司 一种基于反演数据和实测数据融合的水文预报方法及系统
CN116609860A (zh) * 2023-07-18 2023-08-18 水利部交通运输部国家能源局南京水利科学研究院 基于集成学习算法的水文模型实时校正方法和系统

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705855B (zh) * 2021-07-14 2024-02-27 河海大学 一种基于不完全贝塔函数的水文预测方法
CN113869354B (zh) * 2021-08-16 2024-05-07 天津大学 一种凌汛期堤防危险性综合评价方法
CN113807709B (zh) * 2021-09-22 2024-02-27 河海大学 一种基于水情要素的多目标湖区水安全评价方法
CN113988378A (zh) * 2021-09-30 2022-01-28 河海大学 一种WRF-Hydro模型的参数率定方法
CN114169590B (zh) * 2021-11-22 2024-05-28 华中科技大学 一种基于多情景划分的水库入库径流预报校正方法和系统
CN114282431B (zh) * 2021-12-09 2023-08-18 淮阴工学院 一种基于改进sca和qrgru的径流区间预测方法及系统
CN114254767B (zh) * 2021-12-22 2024-08-06 武汉理工大学 基于Stacking集成学习的气象水文特征预测方法及系统
CN114372631A (zh) * 2022-01-11 2022-04-19 电子科技大学 一种基于小样本学习和lstm的缺资料地区径流预测方法
CN114741987B (zh) * 2022-04-18 2024-04-26 浙江省水利河口研究院(浙江省海洋规划设计研究院) 考虑洪水预报模型绝对误差拟合残差分布的洪水概率预报模型
CN114970171B (zh) * 2022-05-31 2023-03-14 水利部交通运输部国家能源局南京水利科学研究院 考虑产流结构不确定性的水文模型及对地表地下水文过程影响的量化方法
CN115063111B (zh) * 2022-06-24 2023-08-18 中国长江三峡集团有限公司 场次洪水识别方法、装置、电子设备及可读存储介质
CN115240060B (zh) * 2022-09-22 2023-04-07 海南浙江大学研究院 一种海星灾害预警方法及系统
CN115471115B (zh) * 2022-10-01 2023-10-31 浙江嘉园智能科技有限公司 一种全域水体统一联治的电子河长控制系统
CN115829120B (zh) * 2022-11-29 2023-07-18 中国环境科学研究院 基于机器学习方法的水质预测预警系统
CN116150973B (zh) * 2022-12-29 2024-02-13 中国长江电力股份有限公司 一种基于模型树和集成学习组合算法的河道流量演算方法
CN118428408B (zh) * 2024-07-04 2024-09-20 浙江省水利河口研究院(浙江省海洋规划设计研究院) 一种基于多ai模型融合及参数优化的山洪预报方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6654728B1 (en) * 2000-07-25 2003-11-25 Deus Technologies, Llc Fuzzy logic based classification (FLBC) method for automated identification of nodules in radiological images
CN101794495A (zh) * 2010-02-05 2010-08-04 国网电力科学研究院 洪水预报系统中实时校正模型的优选方法
CN102651053A (zh) * 2012-04-01 2012-08-29 中国科学院地理科学与资源研究所 基于贝叶斯网络模型的泥石流灾害危险性评价方法
CN105631228A (zh) * 2016-01-18 2016-06-01 中科宇图科技股份有限公司 一种超级多模集成应用的水文预警预报系统和方法
CN106875047A (zh) * 2017-01-23 2017-06-20 国网湖南省电力公司 水库流域径流预报方法及系统
CN107766694A (zh) * 2017-11-03 2018-03-06 中山大学 基于fcm‑nsga‑ii的水文模型参数估计方法
CN108470221A (zh) * 2018-02-07 2018-08-31 中国水利水电科学研究院 流域径流的预测方法及装置
KR101911516B1 (ko) * 2017-12-26 2018-10-24 (주)에프앤아이 사용자의 심리 상태 데이터를 획득하고 사용자의 심리 상태를 판단하고 피드백을 제공하는 방법 및 이를 이용한 서버

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111104981B (zh) * 2019-12-19 2022-09-16 华中科技大学 一种基于机器学习的水文预报精度评价方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6654728B1 (en) * 2000-07-25 2003-11-25 Deus Technologies, Llc Fuzzy logic based classification (FLBC) method for automated identification of nodules in radiological images
CN101794495A (zh) * 2010-02-05 2010-08-04 国网电力科学研究院 洪水预报系统中实时校正模型的优选方法
CN102651053A (zh) * 2012-04-01 2012-08-29 中国科学院地理科学与资源研究所 基于贝叶斯网络模型的泥石流灾害危险性评价方法
CN105631228A (zh) * 2016-01-18 2016-06-01 中科宇图科技股份有限公司 一种超级多模集成应用的水文预警预报系统和方法
CN106875047A (zh) * 2017-01-23 2017-06-20 国网湖南省电力公司 水库流域径流预报方法及系统
CN107766694A (zh) * 2017-11-03 2018-03-06 中山大学 基于fcm‑nsga‑ii的水文模型参数估计方法
KR101911516B1 (ko) * 2017-12-26 2018-10-24 (주)에프앤아이 사용자의 심리 상태 데이터를 획득하고 사용자의 심리 상태를 판단하고 피드백을 제공하는 방법 및 이를 이용한 서버
CN108470221A (zh) * 2018-02-07 2018-08-31 中国水利水电科学研究院 流域径流的预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
QI SUN ET AL.: "Multi-Label Automatic Labeling for Question Attributes Based on Adaboost and Bayes Algorithms", 《2018 CHINESE AUTOMATION CONGRESS (CAC)》 *
徐志敏: "基于填挖方分析的DEM精度评价模型", 《武汉大学学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021120788A1 (zh) * 2019-12-19 2021-06-24 华中科技大学 一种基于机器学习的水文预报精度评价方法及系统
CN113657557A (zh) * 2021-06-22 2021-11-16 中国电建集团华东勘测设计研究院有限公司 一种基于反演数据和实测数据融合的水文预报方法及系统
CN113657557B (zh) * 2021-06-22 2023-12-15 中国电建集团华东勘测设计研究院有限公司 一种基于反演数据和实测数据融合的水文预报方法及系统
CN113361798A (zh) * 2021-06-23 2021-09-07 长沙理工大学 基于预泄指数的水库防洪调度方法、系统及存储介质
CN113361798B (zh) * 2021-06-23 2023-08-22 长沙理工大学 基于预泄指数的水库防洪调度方法、系统及存储介质
CN116609860A (zh) * 2023-07-18 2023-08-18 水利部交通运输部国家能源局南京水利科学研究院 基于集成学习算法的水文模型实时校正方法和系统
CN116609860B (zh) * 2023-07-18 2023-09-19 水利部交通运输部国家能源局南京水利科学研究院 基于集成学习算法的水文模型实时校正方法和系统

Also Published As

Publication number Publication date
CN111104981B (zh) 2022-09-16
WO2021120788A1 (zh) 2021-06-24

Similar Documents

Publication Publication Date Title
CN111104981B (zh) 一种基于机器学习的水文预报精度评价方法及系统
CN108520357B (zh) 一种线损异常原因的判别方法、装置及服务器
CN110634080B (zh) 异常用电检测方法、装置、设备及计算机可读存储介质
CN108375808A (zh) Nriet基于机器学习的大雾预报方法
CN107992968B (zh) 基于集成时间序列分析技术的电能表计量误差预测方法
CN106022509B (zh) 考虑地域和负荷性质双重差异的配电网空间负荷预测方法
JP2023529760A (ja) 気候変動の影響下における貯水池スケジューリング規則の失効早期警告分析法
CN109614997A (zh) 一种基于深度学习的窃电风险预测方法及装置
CN104021430B (zh) 一种城市轨道交通站点客流不确定性分析方法
CN104899135B (zh) 软件缺陷预测方法和系统
CN105740991A (zh) 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
CN102789545A (zh) 基于退化模型匹配的涡轮发动机剩余寿命的预测方法
CN111080356A (zh) 一种利用机器学习回归模型计算住宅价格影响因素的方法
CN105678481A (zh) 一种基于随机森林模型的管线健康状态评估方法
CN104657788A (zh) 基于行业景气指数的重点行业用电量预测方法
CN105868534A (zh) 一种基于多目标优化抽样的水文模型不确定性分析方法
CN105571645A (zh) 一种大坝自动化监测方法
CN110502277A (zh) 一种基于bp神经网络的代码坏味检测方法
CN111178585A (zh) 基于多算法模型融合的故障接报量预测方法
CN111784022A (zh) 一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法
CN111797188B (zh) 一种基于开源地理空间矢量数据的城市功能区定量识别方法
CN115854999A (zh) 基于场景自适应的h-adcp断面平均流速自校正方法
CN111859787A (zh) 基于气象水文预报因子分类和深度学习模型耦合的日径流预报方法
CN115471000A (zh) 一种确定性分级降雨预报不确定性的评估方法
CN111652403A (zh) 一种基于反馈修正的工作平台任务工作量预测方法

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
GR01 Patent grant
GR01 Patent grant