CN111931983A - 一种降水量预测方法及系统 - Google Patents

一种降水量预测方法及系统 Download PDF

Info

Publication number
CN111931983A
CN111931983A CN202010648222.XA CN202010648222A CN111931983A CN 111931983 A CN111931983 A CN 111931983A CN 202010648222 A CN202010648222 A CN 202010648222A CN 111931983 A CN111931983 A CN 111931983A
Authority
CN
China
Prior art keywords
precipitation
neural network
prediction
optimized
decomposition
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
CN202010648222.XA
Other languages
English (en)
Other versions
CN111931983B (zh
Inventor
王永涛
刘坚
李蓉
索鑫宇
陈琳
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.)
Hunan University
Original Assignee
Hunan University
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 Hunan University filed Critical Hunan University
Priority to CN202010648222.XA priority Critical patent/CN111931983B/zh
Publication of CN111931983A publication Critical patent/CN111931983A/zh
Application granted granted Critical
Publication of CN111931983B publication Critical patent/CN111931983B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/004—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
    • G06N3/045—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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种降水量预测方法及系统。该方法包括：采集历史降水量数据；对所述历史降水量数据进行处理，得到处理后的降水量数据；采用MEEMD方法对所述处理后的降水量数据进行分解，得到多个不同频率的分解项和余项；确定降水量预测模型；所述降水量预测模型包括训练好的卷积神经网络、优化后的支持向量机以及优化后的BP神经网络；根据各所述分解项以及所述余项，通过所述降水量预测模型对降水量进行预测。本发明利用MEEMD将降水量数据分解为不同分解项，分别对不同分解项采取卷积神经网络、粒子群优化的支持向量机和人工蚁群算法优化的BP神经网络建立组合预测模型，减少数据非光滑性所引起的预测误差，提高了预测精度。

Description

一种降水量预测方法及系统
技术领域
本发明涉及降水量预测领域，特别是涉及一种降水量预测方法及系统。
背景技术
由于降水量受到大气环流、水文气象要素、自然地理等诸多物理要素的综合作用，是一种弱相关、高度复杂的非线性动力系统，其年际变化并不是以一种固定的周期在运动，而是包含着各种时间尺度的变化和局部波动，这种特性导致中长期预测降水量难度较大、精度较低。
发明内容
本发明的目的是提供一种降水量预测方法及系统，用以快速、准确的预测降水量。
为实现上述目的，本发明提供了如下方案：
一种降水量预测方法，包括：
采集历史降水量数据；
对所述历史降水量数据进行处理，得到处理后的降水量数据；
采用MEEMD方法对所述处理后的降水量数据进行分解，得到多个不同频率的分解项和余项；
确定降水量预测模型；所述降水量预测模型包括训练好的卷积神经网络、优化后的支持向量机以及优化后的BP神经网络；
根据各所述分解项以及所述余项，通过所述降水量预测模型对降水量进行预测。
可选的，所述采用MEEMD方法对所述处理后的降水量数据进行分解，得到多个不同频率的分解项和余项，具体包括：
将白噪声信号添加至所述处理后的降水量数据中；
对添加白噪声信号后的降水量数据进行分解，得到多个分量；
根据多个所述分量计算平均分量；
判断所述平均分量是否为异常信号；
若是，则继续添加白噪声信号；
若否，则将所述平均分量进行分离，得到多个不同频率的分解项和余项。
可选的，所述确定降水量预测模型，具体包括：
通过减小输出误差确定训练好的卷积神经网络；
通过粒子群算法优化支持向量机，得到优化后的支持向量机；
通过人工蚁群算法优化BP神经网络，得到优化后的BP神经网络；
基于所述训练好的卷积神经网络、所述优化后的支持向量机以及所述优化后的BP神经网络，构建降水量预测模型。
可选的，所述根据各所述分解项以及所述余项，通过所述降水量预测模型对降水量进行预测，具体包括：
将各所述分解项以及所述余项分别输入至所述训练好的卷积神经网络、所述优化后的支持向量机以及所述优化后的BP神经网络中，得到对应的分量预测值；
将各所述分量预测值进行组合，得到最终预测的降水量。
可选的，还包括：
基于排列熵对所述处理后的降水量数据进行随机性检测。
可选的，还包括：
通过相对误差、平均相对误差、均方根误差、一致性指标以及有效系数对所述降水量预测模型的预测结果进行评价。
本发明还提供了一种降水量预测系统，包括：
采集模块，用于采集历史降水量数据；
处理模块，用于对所述历史降水量数据进行处理，得到处理后的降水量数据；
分解模块，用于采用MEEMD方法对所述处理后的降水量数据进行分解，得到多个不同频率的分解项和余项；
模型确定模块，用于确定降水量预测模型；所述降水量预测模型包括训练好的卷积神经网络、优化后的支持向量机以及优化后的BP神经网络；
预测模块，用于根据各所述分解项以及所述余项，通过所述降水量预测模型对降水量进行预测。
可选的，所述分解模块包括：
添加单元，用于将白噪声信号添加至所述处理后的降水量数据中；
分解单元，用于对添加白噪声信号后的降水量数据进行分解，得到多个分量；
计算单元，用于根据多个所述分量计算平均分量；
判断单元，用于判断所述平均分量是否为异常信号；当判断结果表示所述平均分量为异常信号，则继续添加白噪声信号；当判断结果表示所述平均分量为非异常信号，则将所述平均分量进行分离，得到多个不同频率的分解项和余项。
可选的，所述模型确定模块具体包括：
第一优化单元，用于通过减小输出误差确定训练好的卷积神经网络；
第二优化单元，用于通过粒子群算法优化支持向量机，得到优化后的支持向量机；
第三优化单元，用于通过人工蚁群算法优化BP神经网络，得到优化后的BP神经网络；
模型构建单元，用于基于所述训练好的卷积神经网络、所述优化后的支持向量机以及所述优化后的BP神经网络，构建降水量预测模型。
可选的，所述预测模块具体包括：
输入单元，用于将各所述分解项以及所述余项分别输入至所述训练好的卷积神经网络、所述优化后的支持向量机以及所述优化后的BP神经网络中，得到对应的分量预测值；
组合单元，用于将各所述分量预测值进行组合，得到最终预测的降水量。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明利用MEEMD将降水量数据分解为不同分解项，分别对不同分解项采取卷积神经网络、粒子群优化的支持向量机和人工蚁群算法优化的BP神经网络建立组合预测模型，减少数据非光滑性所引起的预测误差，提高了预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例降水量预测方法的流程图；
图2为本发明实施例降水量预测方法的工作原理图；
图3为1961-2018年乌江流域降水量年际变化趋势图；
图4为降水量MEEMD分解的结果图；
图5为降水量预测模型结构图；
图6为IMF1分项PSO-SVM适应度曲线；
图7为IMF1分项预测值与实际值对比图；
图8为IMF2分项PSO-SVM适应度曲线
图9为IMF2分项预测值与实际值对比图；
图10为CNN网络模型示意图；
图11为IMF3分项预测值与实际值对比图；
图12为IMF4分项预测值与实际值对比图；
图13为RS5分项最优解的适应度；
图14为RS5分项预测值与实际值对比图；
图15为乌江流域降水量逐年变化模拟的结果对比图；
图16为本发明实施例降水量预测系统的的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种降水量预测方法及系统，用以快速、准确的预测降水量。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1、图2所示，一种降水量预测方法包括以下步骤：
步骤101：采集历史降水量数据。在实际中主要通过长序列的人工监测或观测仪器自动采集获得。
步骤102：对所述历史降水量数据进行处理，得到处理后的降水量数据。
完成非线性、非平稳信号序列数据的存储管理、数据的均值和方差相互关系的基本分析、数据间相关系数的计算等。通过分析剔除明显错误的数据，并在此基础上得出可用的样本集。
步骤103：采用MEEMD方法对所述处理后的降水量数据进行分解，得到多个不同频率的分解项和余项。
MEEMD方法分解步骤如下：
(1)在原始信号S(t)中，分别添加均值为零的白噪声信号ni(t)和-ni(t)，即：
Figure BDA0002573903000000051
Figure BDA0002573903000000052
其中，ni(t)表示添加的白噪声信号，ai表示添加噪声信号的幅值，i＝1,2,…,Ne，Ne表示添加白噪声对数。分别对
Figure BDA0002573903000000053
和
Figure BDA0002573903000000054
进行EMD分解，得到第一阶IMF分量序列，
Figure BDA0002573903000000055
和
Figure BDA0002573903000000056
集成平均上述得到的分量
Figure BDA0002573903000000057
检查I1(t)是否为异常。如果信号的熵值大于θ0，则被认为是异常信号，否则认为近似平稳信号。经过多次实验发现，θ0取0.55～0.6较为合适，本发明取0.6。
(2)如果I1(t)是异常，继续执行(1)，直到IMF分量Ip(t)不是异常信号。
(3)将已分解的前p-1个分量从原始信号中分离出来，即：
Figure BDA0002573903000000061
再对剩余信号r(t)进行EMD分解，将得到的所有IMF分量按高频到低频排列。
基于EMMED将随机信号分解为多个平稳信号IMF1,IMF2,…IMFn和余项RSn。
步骤104：确定降水量预测模型；所述降水量预测模型包括训练好的卷积神经网络、优化后的支持向量机以及优化后的BP神经网络。
粒子群优化支持向量机(PSO-SVM)分别对降水量分项数据建立SVM预测模型，并使用PSO算法找出最优参数；然后利用最优参数优化支持向量机；最后，使用优化后的支持向量机对降水量分项数据进行预测。
所述的粒子群优化过程为：
(1)训练一次SVR
a)初始化常数ε＝0.01，r＝0.05，参数C和c分别是一个随机数，拉格朗日乘子a＝0，ax＝0，核函数矩阵H＝0。
b)计算核函数K(xi,xj)+1,i,j＝1,2,…,l；核函数采用RBF核函数，其中σ＝2；即
Figure BDA0002573903000000062
c)计算误差Ei，其中yi为第i个粒子的的模型预测值：
Figure BDA0002573903000000063
d)根据公式(6)、(7)计算梯度δta(i)和δta*(i)，并根据条件(8)、(9)更新Δai和Δai *；
Figure BDA0002573903000000071
Figure BDA0002573903000000072
由于优化变量有变化范围限制，即0≤ai,ai *＜C·c，取
Figure BDA0002573903000000073
Figure BDA0002573903000000074
e)根据公式(10)、(11)更新ai和ai *；
ai＝ai+Δai (10)
ai *＝ai *+Δai * (11)
f)判断是否满足停止条件(迭代50次)，若满足则终止迭代，否则返回c)。
g)输出结果yout。
h)根据以下公式计算均方误差，该均方误差即为PSO算法中粒子的适应度函数。
Figure BDA0002573903000000075
其中，fit(i)表示第i个粒子的适应值；l表示样本个数；yi表示第i个粒子的的模型预测值；
Figure BDA0002573903000000076
表示第i个样本的模型期望值。
(2)POS优化过程
a)初始化常数m＝10,c1＝1.5，c2＝1.7,Maxiter＝20,vmax＝1。
b)把寻优目标参数C和c作为粒子，它们的初始值分别为(1).a中参数C和c的值，并将它们作为当前个体最优解。
c)将(1).g中粒子适应度与预测结果的均方误差xerr作为目标函数。搜索其中的最优值作为全局最优适应值，并将其对应的粒子作为当前全局最优解。
d)迭代寻优过程开始。根据下列公式调整惯性权重值w：
Figure BDA0002573903000000081
其中：wmin、wmax分别为w的最小值和最大值，一般为0.4和0.9；f为当前粒子个体的适应度；favg和fmin分别为当前所有粒子的平均适应度和最小适应度。
e)根据公式(14)和(15)更新速度和位置向量：判断速度向量是否满足约束条件-Vmax≤Vid≤Vmax，若不满足则将速度值Vid更新为Vid＝-Vmax；或者如果Vid＞Vmax，则Vid＝Vmax。
假设D维空间中有N个粒子，xi＝(xi1,xi2,…xid)表示粒子i的位置，vi＝(vi1,vi2,…,vid)表示粒子i的速度，pbestid＝(pi1,pi2…,pid)表示粒子i个体经过的最好位置，pbestd＝(g1,g2…,gd)表示种群所经历的最好位置，在每次迭代中，粒子i的第d维速度根据下列公式更新：
Figure BDA0002573903000000082
粒子i的第d维位置根据下列公式更新:
Figure BDA0002573903000000083
其中：
Figure BDA0002573903000000084
表示第k次迭代粒子i飞行速度矢量的第d维分量，
Figure BDA0002573903000000085
表示第k次迭代粒子i位置矢量的第d维分量；c1和c2表示学习因子为非负常数，取值范围在[1.2,2]；γ1和γ2表示在[0,1]区间的随机数；ω是惯性权重，描述了粒子的惯性对于速度的影响，其取值可以调节粒子群算法的全局与局部寻优的能力。
Figure BDA0002573903000000086
Vmax是事先确定的正常数，限制速度的变化范围。迭代终止条件根据具体问题一般选为最大迭代次数或粒子群迄今为止搜索到的最优位置且满足预定最小适应阈值。
f)将更新后的参数C和c的值重新代入PSO-SVR模型，并根据(1)所叙述的过程重新进行SVR的训练，保存其输出结果，计算粒子的适应值。
g)将(2).f中的适应值与当前的粒子适应值作比较，如果优于当前的粒子适应值，则更新当前的粒子适应值，并将当前的粒子相对应的个体最优值更新为与(2).f中适应值相对应的粒子值。
h)如果当前的粒子适应值优于全局最优适应值，则更新全局最优适应值为当前的粒子的适应值，并更新全局最优解为当前的粒子适应值所对应的粒子值。
i)判断是都满足停止条件(迭代200次)，若满足则终止迭代，否则返回d。
(3)输出最优值。
(4)结束算法。
所述的卷积神经网络(CNN)，主要由输入层、卷积层和全连接层组成。输入层应以2维图像的形式输入。
非线性、非平稳信号序列主要指时间序列数据通常为1维数据，采用CNN预测时，需进行维度转换，将1维数据维度转换维2维数据维度。
所述的维度转换：以1维—2维的转换过程为例，在确定2维图像的维度时，采用的是不断试错的方法，具体操作如下：1)首先经过不断实验观察误差的变化，并选取误差最小时的图像维度m×n作为输入图像的大小；2)然后确定输入的数据样本个数，此时需满足样本数＝m×n；3)将样本中的1～n个数据作为输入图像的第一行。将接下来的2～n+1个数据作为第二行，以此类推直到得到最后的二维图像。2维-1维转换过程则与之相反。
所述的ABC-BP神经网络，通过人工蜂群算法与BP神经网络组合，将ABC算法寻找最优解变换成BP网络连接的网络权值和阈值，可兼有神经网络的泛化映射能力和ABC算法的全局迭代及局部搜索的特点。
步骤105：根据各所述分解项以及所述余项，通过所述降水量预测模型对降水量进行预测。
对各分量不同频率的分解项IMF1,MF2,…,IMFn和余项RSn未来一段时间开展预测得到预测项IMF1’,IMF2’,…IMFn’和RSn‘预测项。
将预测项IMF1’,IMF2’,…IMFn’和RSn‘预测项进行组合，构成非线性、非平稳时间序列数据的预测值。
在步骤102之后，还包括：基于排列熵对所述处理后的降水量数据进行随机性检测。
所述的基于排列熵(PE)检测信号的随机性主要步骤如下：
(1)对非线性、非平稳信号序列数据s(t)，首先确定出s(t)上的极值点，然后将所有极大值点和极小值点分别用一条曲线连接起来。
(2)将这两条曲线分别作为s(t)的上、小包络线。上、小包络线各个点的均值记作m，s(t)与m的差记作h，则h＝s(t)-m。
(3)将h视为新的s(t)，重复以上操作，当满足m为零或接近零、h足够小或h是单调函数之一条件时，记c1＝h。将c1视为IMF1(t)，再记作s(t)-c1＝r1(t)。
(4)将r1(t)视为新的s(t)，重复以上过程。依次得到IMF2(t),c2,r2(t),IMF3(t),c3,r3(t),……。
当cn或rn(t)满足给定的终止条件(余项足够小或成为单调函数)时过程终止，得分解式：
Figure BDA0002573903000000101
其中，rn(t)称为余项。
所述的时间序列{x(i),i＝1,2,…,N}的排列熵(PE)可以按照Shannon熵的形式定义为：
Figure BDA0002573903000000102
m是嵌入维数，Pg每一种符号序列出现的频率。
当
Figure BDA0002573903000000103
时，Hp(m)达到最大值ln(m！)，因此，可以通过ln(m！)将排列熵Hp(m)进行标准化处理，即：
Figure BDA0002573903000000104
显然，Hp的取值范围是0≤Hp≤1。Hp的大小表示时间序列的随机性程度。Hp越大，说明时间序列越随机，反之，则说明时间序列越规则。
在步骤105之后，还包括通过相对误差、平均相对误差、均方根误差、一致性指标以及有效系数对所述降水量预测模型的预测结果进行评价。
相对误差(e)、平均相对误差(MAPE)、均方根误差(RMSE)、一致性指标(α)及有效系数(Ω)评价结果。其中平均相对误差(MAPE)和均方根误差(RMSE)越小，则说明模拟精度越高；一致性指标(α)和有效系数(Ω)越大，越接近于1，则说明模拟精度越高。
具体实施例：
采用本发明提出的降水量预测方法对乌江流域2019-2028年未来降水量开展预测研究。基础数据为1961-2018年58气象站点采集降水量数据。图3为1961-2018年乌江流域降水量年际变化趋势图。
由于降水量预测的复杂性，特别是高频分量是随机变量和非平稳信号的缘故，采用常规预测方法很难进行准确预测，本发明提出了新的降水量组合预测模型。
数据进行预处理。完成数据的存储管理、数据的均值和方差相互关系的基本分析、数据间相关系数的计算等。通过分析剔除明显错误的数据，并在此基础上得出可用的样本集。
MEEMD分解。利用MEEMD对乌江流域1961-2018年共58年的降水量样本数据进行分解。在分解时，设置白噪声强度为0.2，最大固有模态数为6，加入噪声的次数为30，嵌入维数为6，时间延时为1，信号的排列熵取0.6。降水量原始信号x最多分解为IMF1～IMF4和余项RS5。图4为降水量MEEMD分解的结果。
通过各分解项并依据均方根误差指标进行筛选。IMF1、IMF2分解项随时间变化较快，将采用粒子群优化支持向量机(PSO-SVM)预测。IMF3、IMF4分解项由于拟合误差较大，采用CNN拟合，而采用ABC-BP对贵州省乌江流域降水量的余项RS5进行进行预测。图5为降水量预测模型结构图。
粒子群优化支持向量机(PSO-SVM)预测。分别对乌江流域降水量分量IMF1、IMF2数据建立SVM预测模型，并使用PSO算法找出最优参数。然后利用最优参数优化IMF1、IMF2预测模型。最后，使用优化后的模型对IMF1、IMF2未来年10年(2019-2028年)降水量进行预测。IMF1适应度参数C1＝1.5，C2＝1.7，终止代数200，种群数量50，BestC＝32.33，g＝0.01，CVmse＝0.041305；IMF2适应度参数C1＝1.5，C2＝1.7，终止代数200，种群数量50，BestC＝100，g＝0.01，CVmse＝0.052051。
图6为IMF1分项PSO-SVM适应度曲线，图7为IMF1分项预测值与实际值对比，图8为IMF2分项PSO-SVM适应度曲线，图9为IMF2分项预测值与实际值对比。
卷积神经网络(CNN)预测。卷积神经网络设置为3层，1个输入层、1个卷积层和1个全连接层组成，输入样本为2*2*1的三维数据，卷积层分别设置为4个卷积核进行卷积操作，卷积核的大小为1*1，卷积层的输出作为全连接层的输入，构成单层感知机，输出预测值。图10为网络模型，网络设置参数如表1所示：
表1网络参数设置参数
Figure BDA0002573903000000121
1)输入层：输入层的大小为2*2*1，2*2代表数据集中的4个特征。
2)卷积层：由于输入数据的矩阵较小，所以选用较小的1*1卷积核。卷积核的个数选用4个，步长为1，通过卷积实现对特征的2*2*4的升维操作。为了防止矩阵在卷积过程中信息量丢失过大，采用的方式进行补零。同时，设置卷积的步长为1。
将初始学习率设置为0.01，每5个阶段将学习率降低0.2倍，最小批量更新次数为64，最大迭代次数为1600。采用前42组数据用于训练网络，后12组数据用于测试。图11为IMF3分项预测值与实际值对比、图12为IMF4分项预测值与实际值对比。
ABC-BP神经网络预测。对分解项RS5采用ABC－BP神经网络进行预测。本发明选取蜂群的大小为100，极限值需大于每个解的维数D为161，最大循环次数100。采蜜蜂和跟随蜂的数量分别为161。选取前10个样本数据做相关性分析，发现3个样本数据的相关系数大于0.59为强相关。故本发明用前3个样本数据，预测第4个样本数据。选用2隐层前馈网络，即5层BP网络结构。通过实验来确定第1、2层隐含层的结点数为10，第3层隐含层的结点数为1最佳。网络的输入层有3个神经元，第1、2层隐含层的结点数为10个神经元，第3层隐含层的结点数为1个神经元，输出层有1个神经元。
选用MATLAB神经网络工具箱进行网络训练，将38组样本归一化后输入网络进行训练，20组样本输入网络进行测试。隐含层和输出层神经元激活函数均为tansig。允许的最大训练次数为3000；期望误差为0.000001，学习速率为0.01。该网络通过3000次的学习达到期望误差后则完成学习。网络训练完成后，把需预测的样本X20＝(x39,x40,…x58)输入网络，网络输出值进行反归一化得到预测值R20＝(r39,r40,…r58)。图13为RS5分项最优解的适应度，图14为RS5分项预测值与实际值对比。
各分量预测值的组合。对乌江流域1961-2018年58年降水量MEEMD分解，采用组合预测模型预测未来10年降水量IMF1'、IMF2'、IMF3'、IMF4'、RS5'，通过S＝IMF1'+IMF2'+IMF3'+IMF4'+RS5'累加即可得到降水量预测值S。
预测结果的评价与反馈。相对误差(e)、平均相对误差(MAPE)、均方根误差(RMSE)、一致性指标(α)及有效系数(Ω)评价结果。
表2不同模型算法模拟精度评价
Figure BDA0002573903000000131
Figure BDA0002573903000000141
预测结果对比。选用BP、PSO、PSO-SVM、MEEMD等算法，在初始值设置相同的情况下，对乌江流域1961-2018年58年的前46年的降水量数据进行训练，后12组数据进行模拟，并将模拟结果和实测数据进行对比分析。
选用BP、PSO、PSO-SVM、MEEMD等算法，在初始值设置相同的情况下，对乌江流域1961-2018年58年的前46年的降水量数据进行训练，后12组数据进行模拟，并将模拟结果和实测数据进行对比分析，图15为乌江流域降水量逐年变化模拟的结果对比。
表2给出了各模型的模拟精度评价。总体来看，几种预报模型合格率为100％(以绝对百分比误差小于20％为合格标准)。由图15可以直观的看出，本发明MEEMD组合模型的预测结果更加接近真实值，具有更好的预测精度。为更加全面地评价模型性能，表2给出了模型性能的统计值MAPE、RMSE、α以及Ω。从表2可以看出，MEEMD组合模型MAPE，RMSE由0.12，0.15降低到0.05，0.03；并且α和Ω分别由0.32，-1.02显著提高到0.68，0.7。由此可以出，MEEMD组合模型这4项性能评价指标上明显优于其他3种模型，具有更加准确的时序数据预测能力。
未来降水量预测结果应用：
对乌江流域1961-2018年58年降水量MEEMD分解，采用组合预测模型预测未来10年降水量IMF1'、IMF2'、IMF3'、IMF4'、RS5'，通过S＝IMF1'+IMF2'+IMF3'+IMF4'+RS5'累加即可得到降水量预测值S。预测结果如表3所示。根据预测结果，采用Z指标对乌江流域未来10年的旱情等级特征进行分析。
表3乌江流域未来10年降水量预测
Figure BDA0002573903000000142
Figure BDA0002573903000000151
如图16所示，本发明还提供了一种降水量预测系统，包括：
采集模块1601，用于采集历史降水量数据。
处理模块1602，用于对所述历史降水量数据进行处理，得到处理后的降水量数据。
分解模块1603，用于采用MEEMD方法对所述处理后的降水量数据进行分解，得到多个不同频率的分解项和余项。
所述分解模块1603包括：
添加单元，用于将白噪声信号添加至所述处理后的降水量数据中；
分解单元，用于对添加白噪声信号后的降水量数据进行分解，得到多个分量；
计算单元，用于根据多个所述分量计算平均分量；
判断单元，用于判断所述平均分量是否为异常信号；当判断结果表示所述平均分量为异常信号，则继续添加白噪声信号；当判断结果表示所述平均分量为非异常信号，则将所述平均分量进行分离，得到多个不同频率的分解项和余项。
模型确定模块1604，用于确定降水量预测模型；所述降水量预测模型包括训练好的卷积神经网络、优化后的支持向量机以及优化后的BP神经网络。
所述模型确定模块1604具体包括：
第一优化单元，用于通过减小输出误差确定训练好的卷积神经网络；
第二优化单元，用于通过粒子群算法优化支持向量机，得到优化后的支持向量机；
第三优化单元，用于通过人工蚁群算法优化BP神经网络，得到优化后的BP神经网络；
模型构建单元，用于基于所述训练好的卷积神经网络、所述优化后的支持向量机以及所述优化后的BP神经网络，构建降水量预测模型。
预测模块1605，用于根据各所述分解项以及所述余项，通过所述降水量预测模型对降水量进行预测。
所述预测模块1605具体包括：
输入单元，用于将各所述分解项以及所述余项分别输入至所述训练好的卷积神经网络、所述优化后的支持向量机以及所述优化后的BP神经网络中，得到对应的分量预测值；
组合单元，用于将各所述分量预测值进行组合，得到最终预测的降水量。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种降水量预测方法，其特征在于，包括：
采集历史降水量数据；
对所述历史降水量数据进行处理，得到处理后的降水量数据；
采用MEEMD方法对所述处理后的降水量数据进行分解，得到多个不同频率的分解项和余项；
确定降水量预测模型；所述降水量预测模型包括训练好的卷积神经网络、优化后的支持向量机以及优化后的BP神经网络；
根据各所述分解项以及所述余项，通过所述降水量预测模型对降水量进行预测。
2.根据权利要求1所述的降水量预测方法，其特征在于，所述采用MEEMD方法对所述处理后的降水量数据进行分解，得到多个不同频率的分解项和余项，具体包括：
将白噪声信号添加至所述处理后的降水量数据中；
对添加白噪声信号后的降水量数据进行分解，得到多个分量；
根据多个所述分量计算平均分量；
判断所述平均分量是否为异常信号；
若是，则继续添加白噪声信号；
若否，则将所述平均分量进行分离，得到多个不同频率的分解项和余项。
3.根据权利要求1所述的降水量预测方法，其特征在于，所述确定降水量预测模型，具体包括：
通过减小输出误差确定训练好的卷积神经网络；
通过粒子群算法优化支持向量机，得到优化后的支持向量机；
通过人工蚁群算法优化BP神经网络，得到优化后的BP神经网络；
基于所述训练好的卷积神经网络、所述优化后的支持向量机以及所述优化后的BP神经网络，构建降水量预测模型。
4.根据权利要求1所述的降水量预测方法，其特征在于，所述根据各所述分解项以及所述余项，通过所述降水量预测模型对降水量进行预测，具体包括：
将各所述分解项以及所述余项分别输入至所述训练好的卷积神经网络、所述优化后的支持向量机以及所述优化后的BP神经网络中，得到对应的分量预测值；
将各所述分量预测值进行组合，得到最终预测的降水量。
5.根据权利要求1所述的降水量预测方法，其特征在于，还包括：
基于排列熵对所述处理后的降水量数据进行随机性检测。
6.根据权利要求1所述的降水量预测方法，其特征在于，还包括：
通过相对误差、平均相对误差、均方根误差、一致性指标以及有效系数对所述降水量预测模型的预测结果进行评价。
7.一种降水量预测系统，其特征在于，包括：
采集模块，用于采集历史降水量数据；
处理模块，用于对所述历史降水量数据进行处理，得到处理后的降水量数据；
分解模块，用于采用MEEMD方法对所述处理后的降水量数据进行分解，得到多个不同频率的分解项和余项；
模型确定模块，用于确定降水量预测模型；所述降水量预测模型包括训练好的卷积神经网络、优化后的支持向量机以及优化后的BP神经网络；
预测模块，用于根据各所述分解项以及所述余项，通过所述降水量预测模型对降水量进行预测。
8.根据权利要求7所述的降水量预测系统，其特征在于，所述分解模块包括：
添加单元，用于将白噪声信号添加至所述处理后的降水量数据中；
分解单元，用于对添加白噪声信号后的降水量数据进行分解，得到多个分量；
计算单元，用于根据多个所述分量计算平均分量；
判断单元，用于判断所述平均分量是否为异常信号；当判断结果表示所述平均分量为异常信号，则继续添加白噪声信号；当判断结果表示所述平均分量为非异常信号，则将所述平均分量进行分离，得到多个不同频率的分解项和余项。
9.根据权利要求7所述的降水量预测系统，其特征在于，所述模型确定模块具体包括：
第一优化单元，用于通过减小输出误差确定训练好的卷积神经网络；
第二优化单元，用于通过粒子群算法优化支持向量机，得到优化后的支持向量机；
第三优化单元，用于通过人工蚁群算法优化BP神经网络，得到优化后的BP神经网络；
模型构建单元，用于基于所述训练好的卷积神经网络、所述优化后的支持向量机以及所述优化后的BP神经网络，构建降水量预测模型。
10.根据权利要求7所述的降水量预测系统，其特征在于，所述预测模块具体包括：
输入单元，用于将各所述分解项以及所述余项分别输入至所述训练好的卷积神经网络、所述优化后的支持向量机以及所述优化后的BP神经网络中，得到对应的分量预测值；
组合单元，用于将各所述分量预测值进行组合，得到最终预测的降水量。
CN202010648222.XA 2020-07-07 2020-07-07 一种降水量预测方法及系统 Active CN111931983B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010648222.XA CN111931983B (zh) 2020-07-07 2020-07-07 一种降水量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010648222.XA CN111931983B (zh) 2020-07-07 2020-07-07 一种降水量预测方法及系统

Publications (2)

Publication Number Publication Date
CN111931983A true CN111931983A (zh) 2020-11-13
CN111931983B CN111931983B (zh) 2023-09-19

Family

ID=73312330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010648222.XA Active CN111931983B (zh) 2020-07-07 2020-07-07 一种降水量预测方法及系统

Country Status (1)

Country Link
CN (1) CN111931983B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114578195A (zh) * 2022-03-03 2022-06-03 海南电网有限责任公司儋州供电局 一种基于iemd和ga-bp的环网柜开关分合闸线圈绝缘故障在线智能诊断方法
CN114660677A (zh) * 2022-03-25 2022-06-24 澜途集思生态科技集团有限公司 一种城市雨洪水质水量预测动力学系统与方法
CN114676645A (zh) * 2022-05-30 2022-06-28 湖南大学 一种非平稳时间序列预测方法及系统
CN115438590A (zh) * 2022-10-27 2022-12-06 国能大渡河大数据服务有限公司 一种基于bp神经网络的降水预报订正方法及系统
CN117034780A (zh) * 2023-08-31 2023-11-10 江苏省气候中心 一种基于深度学习的多尺度次季节降水量预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880755A (zh) * 2012-09-25 2013-01-16 河海大学 一种极端降水的定量预测方法及系统
CN105184416A (zh) * 2015-09-23 2015-12-23 上海大学 基于粒子群优化反向传播神经网络的脉动风速预测方法
CN106875041A (zh) * 2017-01-16 2017-06-20 广东电网有限责任公司揭阳供电局 一种短期风速预测方法
CN107016453A (zh) * 2016-12-08 2017-08-04 中国农业大学 一种水产养殖溶解氧预测方法及装置
CN109376913A (zh) * 2018-09-30 2019-02-22 北京市天元网络技术股份有限公司 降水量的预测方法及装置
CN109946389A (zh) * 2019-01-31 2019-06-28 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法
CN111210082A (zh) * 2020-01-13 2020-05-29 东南大学 一种基于优化的bp神经网络算法的降水量预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880755A (zh) * 2012-09-25 2013-01-16 河海大学 一种极端降水的定量预测方法及系统
CN105184416A (zh) * 2015-09-23 2015-12-23 上海大学 基于粒子群优化反向传播神经网络的脉动风速预测方法
CN107016453A (zh) * 2016-12-08 2017-08-04 中国农业大学 一种水产养殖溶解氧预测方法及装置
CN106875041A (zh) * 2017-01-16 2017-06-20 广东电网有限责任公司揭阳供电局 一种短期风速预测方法
CN109376913A (zh) * 2018-09-30 2019-02-22 北京市天元网络技术股份有限公司 降水量的预测方法及装置
CN109946389A (zh) * 2019-01-31 2019-06-28 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法
CN111210082A (zh) * 2020-01-13 2020-05-29 东南大学 一种基于优化的bp神经网络算法的降水量预测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114578195A (zh) * 2022-03-03 2022-06-03 海南电网有限责任公司儋州供电局 一种基于iemd和ga-bp的环网柜开关分合闸线圈绝缘故障在线智能诊断方法
CN114660677A (zh) * 2022-03-25 2022-06-24 澜途集思生态科技集团有限公司 一种城市雨洪水质水量预测动力学系统与方法
CN114676645A (zh) * 2022-05-30 2022-06-28 湖南大学 一种非平稳时间序列预测方法及系统
CN114676645B (zh) * 2022-05-30 2022-08-12 湖南大学 一种非平稳时间序列预测方法及系统
CN115438590A (zh) * 2022-10-27 2022-12-06 国能大渡河大数据服务有限公司 一种基于bp神经网络的降水预报订正方法及系统
CN117034780A (zh) * 2023-08-31 2023-11-10 江苏省气候中心 一种基于深度学习的多尺度次季节降水量预测方法
CN117034780B (zh) * 2023-08-31 2024-04-19 江苏省气候中心 一种基于深度学习的多尺度次季节降水量预测方法

Also Published As

Publication number Publication date
CN111931983B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN111931983B (zh) 一种降水量预测方法及系统
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN111382906B (zh) 一种电力负荷预测方法、系统、设备和计算机可读存储介质
CN114399032B (zh) 一种电能表计量误差预测方法及系统
CN109143408B (zh) 基于mlp的动态区域联合短时降水预报方法
CN110991721A (zh) 基于改进经验模态分解和支持向量机的短期风速预测方法
CN108399434B (zh) 基于特征提取的高维时间序列数据的分析预测方法
CN114298134A (zh) 风电功率预测方法及装置、电子设备
CN111368900A (zh) 一种图像目标物识别方法
CN114897204A (zh) 一种海上风电场短期风速预测方法和装置
CN114578087A (zh) 基于非支配排序和随机模拟算法的风速不确定性度量方法
CN116303786B (zh) 一种基于多维数据融合算法的区块链金融大数据管理系统
CN113128666A (zh) 基于Mo-S-LSTMs模型的时间序列多步预测方法
CN112561180A (zh) 短期风速预测方法、装置、计算机设备及存储介质
CN116522594A (zh) 基于卷积神经网络的时间自适应暂态稳定预测方法及装置
CN115392441A (zh) 量化神经网络模型的片内适配方法、装置、设备及介质
CN114298300A (zh) 不确定度预测方法、装置、电子设备及存储介质
CN112183814A (zh) 一种短期风速预测方法
CN117494573B (zh) 一种风速预测方法、系统及电子设备
CN115907178B (zh) 一种净生态系统co2交换量的预测方法
CN111523258B (zh) 基于MS-Net网络的微地震有效信号初至拾取方法及系统
CN116976194A (zh) 基于联邦宽度随机配置网络的污泥体积指数在线软测量方法
CN117613890A (zh) 风功率预测方法、装置、计算机设备和存储介质
CN117371617A (zh) 一种光伏电站支撑能力与调节成本协同预测方法及其系统
CN118261223A (zh) 微电网光伏发电系统的发电量预测模型训练方法

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