CN112084461A - 一种基于历史洪水学习的knn实时校正方法 - Google Patents
一种基于历史洪水学习的knn实时校正方法 Download PDFInfo
- Publication number
- CN112084461A CN112084461A CN202010798316.5A CN202010798316A CN112084461A CN 112084461 A CN112084461 A CN 112084461A CN 202010798316 A CN202010798316 A CN 202010798316A CN 112084461 A CN112084461 A CN 112084461A
- Authority
- CN
- China
- Prior art keywords
- flood
- historical
- value
- knn
- current
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 78
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 20
- 230000000630 rising effect Effects 0.000 claims abstract description 17
- 239000002689 soil Substances 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 34
- 238000007599 discharging Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于历史洪水学习的KNN实时校正方法,包括:选出与当前预报洪水总雨量或降雨强度分布在设定范围内的历史洪水;选出与当前洪水降雨中心位置在设定范围内的历史洪水;选出与当前洪水前期土壤含水量在设定范围内的历史洪水;设置一个流量比例系数,用于判断当前洪水处于涨洪或是退水阶段,利用KNN‑H方法匹配到历史洪水的相同阶段,并对历史洪水该阶段水文模型的预报值与实测值误差值进行重点学习通过匹配近邻样本,估计出水文模型的预报误差值并计算得到校正后的预报值。本发明的方法通过对历史洪水预报误差进行学习,有效提高了KNN实时校正方法对于洪水预报值的校正精度,为防洪决策提供依据。
Description
技术领域
本发明涉及一种基于历史洪水学习的KNN实时校正方法,属于水文技术领域。
背景技术
实时校正是实时洪水预报系统中的重要组成部分,校正能力的强弱对洪水预报精度有直接影响。在洪水预报中,由于输入资料、模型结构及参数、模型状态变量等都与实际存在误差,因此水文模型预报结果不可避免会存在误差。实时校正的目的是通过对比历史预报与实测资料,判断出预报误差的来源和大小,在实时洪水预报中及时对输入资料、模型参数、状态变量或预报结果作出调整,提高洪水预报精度。最初,实时校正方法的实现是通过预报员手工修正预报值,随着计算机技术的发展和算法的进步,实时校正方法逐渐实现自动化、智能化。常用于水文预报实时校正的方法有误差自回归、人工神经网络、卡尔曼滤波、集合卡尔曼滤波等。
K-最近邻(K-Nearest Neighbor,KNN)实时校正法是一种利用概率统计原理进行自主学习的方法,该方法在历史资料中选择k个与当前校正样本最相似的历史样本,通过学习历史预报误差,判断出当前预报值的误差大小。KNN方法在机器学习、天气预报等领域已经获得了广泛推广应用,凭借其优秀的表现,近些年来越来越多的学者将其应用于水文实时校正。相较于AR与ANN等传统校正方法,KNN方法无需精确求解输入与输出的关系,仅通过从历史数据库中匹配得到少数几个训练样本即可完成校正,计算精度和效率更高。
目前的KNN校正方法使用当前场次洪水预报时刻之前的资料进行学习预热,其存在以下几个问题:(1)随着校正预见期增长,实时校正精度下降严重,对于面积较大、洪水预报预见期长的流域,实时校正精度不够理想;(2)对于面积小、汇流时间短的流域,降雨后很快出现洪峰,由于洪峰前实测和预报资料较少,实时校正方法无法进行有效学习,导致校正效果不好;(3)当校正预见期较长时,校正后的洪峰常常比实际洪峰滞后出现,造成较大的峰现时间误差,尤其对于半干旱地区面积较小的流域,洪水涨落速度很快,校正结果滞后会造成很大的预报误差。
以上三个问题的出现都是由于预热期中可供实时校正方法学习的洪水资料不足或资料参考价值不大。针对以上问题,如何通过改变预热期洪水资料,进一步提高实时校正精度,是需要解决的问题。
发明内容
本发明为了解决现有实时校正方法预热期资料不足、预报误差大的问题,提供一种基于历史洪水学习的KNN实时校正方法,加入历史洪水过程供KNN实时校正方法学习,以提高校正精度。
本发明具体采用以下技术方案解决上述技术问题:
一种基于历史洪水学习的KNN实时校正方法,包括以下步骤:
步骤1、选出与当前预报洪水总雨量或降雨强度分布在设定范围内的历史洪水;
步骤2、选出与当前洪水降雨中心位置在设定范围内的历史洪水;
步骤3、选出与当前洪水前期土壤含水量在设定范围内的历史洪水;
步骤4、设置一个流量比例系数c,用于判断当前洪水处于涨洪或是退水阶段,利用KNN-H方法匹配到历史洪水的相同阶段,并对历史洪水该阶段水文模型的预报值与实测值误差值进行重点学习;
步骤5、通过匹配近邻样本,估计出水文模型的预报误差并计算得到校正后的预报值。
进一步地,作为本发明的一种优选技术方案,所述步骤1中选出历史洪水,包括:
步骤1.1、在湿润或半湿润地区选择与当前洪水总雨量在设定范围内的历史洪水,设置一个雨量相对误差值作为判断的标准;
步骤1.2、在干旱或半干旱地区选择与当前洪水降雨强度在设定范围内的历史洪水,设置一个雨强相对误差值作为判断的标准。
进一步地,作为本发明的一种优选技术方案,所述步骤2中选出历史洪水,包括:
步骤2.1、通过流域DEM资料计算出当前洪水与历史洪水的降雨中心到流域出口断面的汇流路径长度;
步骤2.2、设置一个汇流路径长度相对误差值作为判断标准,选出符合判断标准的历史洪水。
进一步地,作为本发明的一种优选技术方案,所述步骤3中选出历史洪水,包括:
步骤3.1、比较当前洪水前期土壤含水量与历史洪水的前期土壤含水量值,以相对误差不超过设定值作为判断标准,选出符合判断标准的历史洪水。
进一步地,作为本发明的一种优选技术方案,所述步骤4中对历史洪水的相同阶段水文模型的预报值与实测值误差进行重点学习,包括以下步骤:
步骤4.1、计算流量比例系数c:
其中,Qs为水文模型预报值;c为当前时刻与前一时刻水文模型预报值的比值,用来表示预报值所处的洪水阶段;
步骤4.2、若连续n个时刻c大于某一值,则判断为涨洪阶段,若连续n个时刻c小于某一值,则判断为退水阶段;当待校正的水文模型预报值处于涨洪或退水阶段时,利用KNN-H方法匹配到历史洪水的相同阶段,对历史洪水该阶段的水文模型预报值与实测值误差进行重点学习。
进一步地,作为本发明的一种优选技术方案,所述步骤5中通过匹配近邻样本,估计出水文模型的预报误差并计算得到校正后的水文模型预报值,包括以下步骤:
步骤5.1、更新历史样本库:假设当前时刻为t,将t时刻及之前时刻的水文模型预报值与实测值的误差作为历史样本,存放于历史样本库中;随着实测数据的不断更新,每过一个时刻将有一个新的预报误差值进入历史样本库中;选择连续s个预报误差值作为特征向量,s即为特征向量的长度;
步骤5.2、匹配近邻样本:设t+l时刻,其中l为KNN校正算法预见期,水文模型的预报误差为et+l,选择与当前时刻t相邻的s个预报误差作为预报误差et+l的特征向量,即预报误差的特征向量为vt(et-s+1,...,et-1,et);历史样本中的特征向量及其对应的预报误差分别为vn(en-s+1,...,en-1,en)和en+l,将预报误差et+l的特征向量与历史样本中的特征向量逐一对比,计算其欧氏距离D:
选择匹配度最高的k个历史样本特征向量,称其为k个最近邻居;
步骤5.3、估计出水文模型的预报误差,校正水文模型的预报值,包括:使用反距离权重法对k个历史样本的预报误差赋予权重值,第j个样本预报误差的权重值aj为:
其中Di、Dj分别表示第i个和第j个历史样本的特征向量与预报误差et+l的特征向量之间的欧氏距离;则预报误差et+l的值为:
et+l=a1e1+a2e2+...+akek
其中e1,e2,...,ek分别为k个历史样本对应的预报误差;
将t+l时刻水文模型的预报值减去水文模型的预报误差et+l的值即得到校正后的水文模型预报值。
本发明采用上述技术方案,能产生如下技术效果:
本发明通过对历史洪水预报误差进行学习,有效提高了KNN实时校正方法对于洪水预报值的校正精度,相比于原始KNN方法,本发明提出的KNN-H实时校正法的优势主要有:(1)随着校正预见期增长,KNN-H校正精度下降速度比原始KNN方法慢,也就是说当预见期较长时,KNN-H的校正精度明显高于原始KNN方法;(2)对于面积小、汇流时间短的流域,降雨后很快出现洪峰,由于洪峰前实测和预报资料较少,原始KNN实时校正法无法进行有效学习,导致校正效果不好,而KNN-H通过对历史洪水预报误差的学习,有效提高了校正精度;(3)相比于原始KNN方法,当校正预见期较长时,经KNN-H方法校正后的峰现时间误差明显减小。KNN-H实时校正法可以有效提高洪水预报精度,为防洪决策提供依据。
附图说明
图1为本发明基于历史洪水学习的KNN实时校正方法的流程示意图。
图2(a)为采用本发明的KNN-H方法在率定期洪水中找到的与当前洪水相似的历史洪水(1988081216号洪水);图2(b)为KNN与KNN-H两种实时校正法对当前2007072908号洪水新安江模型预报值的校正结果。
图3(a)为采用本发明的KNN-H方法在率定期洪水中找到的与当前洪水相似的历史洪水(2001081723号洪水),图3(b)为KNN与KNN-H两种实时校正法对当前2006082916号洪水GA-PIC模型预报值的校正结果。
具体实施方式
下面结合说明书附图对本发明的实施方式进行描述。
如图1所示,本发明提供了一种基于历史洪水学习的KNN实时校正方法,该方法具体包括以下步骤:
步骤1、选出与当前预报洪水总雨量或降雨强度分布在设定范围内的历史洪水,包括以下步骤:
步骤1.1、在湿润或半湿润地区选择与当前洪水总雨量在设定范围内的历史洪水,设置一个雨量相对误差值作为判断的标准,如不超过±20%;
步骤1.2、在干旱或半干旱地区选择与当前洪水降雨强度在设定范围内的历史洪水,设置一个雨强相对误差值作为判断的标准,如不超过±20%。
步骤2、选出与当前洪水降雨中心位置在设定范围内的历史洪水,包括以下步骤:
步骤2.1、通过流域DEM资料计算出当前洪水与历史洪水的降雨中心到流域出口断面的汇流路径长度;
步骤2.2、设置一个汇流路径长度相对误差值作为判断标准,如不超过±20%,选出符合判断标准的历史洪水。
步骤3、选出与当前洪水前期土壤含水量在设定范围内的历史洪水,包括以下步骤:
步骤3.1、比较当前洪水前期土壤含水量与历史洪水的前期土壤含水量值,以相对误差不超过设定值为±20%作为判断标准,选出符合判断标准的历史洪水。
步骤4、设置一个流量比例系数c,用于判断当前洪水处于涨洪或是退水阶段,利用KNN-H方法匹配到历史洪水的相同阶段,并对历史洪水该阶段水文模型的预报值与实测值误差值进行重点学习;具体包括以下步骤:
步骤4.1、计算流量比例系数c:
其中,Qs为水文模型预报值;c为当前时刻与前一时刻水文模型预报值的比值,用来表示预报值所处的洪水阶段;
步骤4.2、若连续n个时刻c大于某一值,如c>1.1,则判断为涨洪阶段,若连续n个时刻c小于某一值,如c<0.9,则判断为退水阶段;当待校正的水文模型预报值处于涨洪或退水阶段时,利用KNN-H方法快速匹配到历史洪水的相同阶段,对历史洪水该阶段的水文模型预报值与实测值误差进行重点学习,对该阶段预报误差值赋予较高的权重。
步骤5、通过匹配近邻样本,估计出水文模型的预报误差并计算得到校正后的水文模型预报值,具体包括以下步骤:
步骤5.1、更新历史样本库。假设当前时刻为t,将t时刻及之前时刻的模型预报值与实测值的误差作为历史样本,存放于历史样本库中。随着实测数据的不断更新,每过一个时刻将有一个新的预报误差进入历史样本库中。选择连续s个预报误差作为特征向量,s即为特征向量的长度。在洪水预报实时校正中,一般取洪水过程前30%的预报误差样本作为初始历史样本库。
步骤5.2、匹配近邻样本。设t+l时刻,其中l为KNN校正算法预见期,模型的预报误差为et+l,选择与当前时刻t相邻的s个预报误差作为预报误差et+l的特征向量,即预报误差的特征向量为vt(et-s+1,...,et-1,et)。历史样本中的特征向量及其对应的预报误差分别为vn(en-s+1,...,en-1,en)和en+l,将预报误差et+l的特征向量与历史样本中的特征向量逐一对比,计算其欧氏距离D:
欧氏距离D越小,代表预报误差的特征向量与历史样本中的特征向量匹配度越高。选择匹配度最高的k个历史样本特征向量,认为这k个样本对当前洪水预报最具参考价值,称其为k个最近邻居。
步骤5.3、估计水文模型的预报误差,校正水文模型的预报值。使用反距离权重法对k个历史样本的预报误差赋予一定权重值,第j个样本预报误差的权重值aj为:
其中Di、Dj分别表示第i个和第j个历史样本的特征向量与预报误差et+l的特征向量之间的欧氏距离;则预报误差et+l的值为:
et+l=a1e1+a2e2+...+akek
其中e1,e2,...,ek分别为k个历史样本对应的预报误差。
将t+l时刻水文模型预报值减去水文模型的预报误差et+l的值即得到校正后的水文模型预报值。
为了验证本发明方法能够对历史洪水预报误差进行学习,有效提高KNN实时校正方法对于洪水预报值的校正精度,现列举两个实例进行对比说明。
将河南省东湾流域2007072908号洪水KNN与KNN-H校正结果对比,图2(a)为本发明采用KNN-H方法在率定期洪水中找到的与当前洪水相似的历史洪水(1988081216号洪水),图2(b)为两种实时校正法对当前2007072908号洪水新安江模型预报值的校正结果。1988081216号历史洪水实测降雨量60.8mm,实测径流深27.1mm,实测洪峰流量591m3/s;2007072908号校正洪水实测降雨量68.7mm,实测径流深29.7mm,实测洪峰流量812m3/s。历史洪水与当前校正洪水的总降雨量,降雨中心位置以及前期土壤含水量都在设定范围内,因此KNN-H选择了该场洪水作为相似洪水进行学习。在这两场洪水中,新安江模型对总径流深和洪峰流量的预报结果都偏大。在2007072908号洪水中新安江模型预报洪峰流量为1232.7m3/s,相对误差为51.8%;经KNN校正后洪峰流量为1048.6m3/s,相对误差29.1%;经KNN-H校正后洪峰流量为872.9m3/s,相对误差7.5%。从图2(b)中可以看出,在涨洪前新安江模型预报流量和实测流量非常接近,从涨洪阶段开始新安江模型预报流量就持续偏高。由于东湾流域实时校正预见期为10小时,KNN校正所用的历史资料为10小时前本场洪水的预报值与实测值误差。当新安江模型预报流量开始上涨并高于实测流量时,由于10小时前的预报值与实测值非常接近,因此KNN认为新安江模型预报准确,没有对其预报结果进行过多干预。从图2(b)中也可以看出,在涨洪阶段KNN校正结果和新安江模型预报结果几乎一致,比实测流量偏高很多,直到2007/7/31 23:00时,KNN才发现新安江模型预报结果偏高,对其进行校正,这时从图中可以看到KNN校正结果出现了下降,随后继续上升直到洪峰出现。KNN-H方法在校正2007072908号洪水前学习了1988081216号历史洪水的预报与实测值误差,由于本发明KNN-H方法中增加了流量比例系数c,当预报流量开始上涨时,KNN-H可以快速判断出当前处于涨洪阶段,并迅速定位到历史洪水的涨洪阶段,通过对历史洪水预报误差分析后认为当前模型预报值很可能偏大,于是对预报值进行校正。从图2(b)中可以看到,本发明的KNN-H校正结果在涨洪初期也与新安江模型预报结果几乎一致,在2007/7/3120:00时KNN-H判断出当前预报值偏大,对预报值进行了校正,经KNN-H校正后预报值开始下降,随后继续上升直到洪峰。KNN-H方法比KNN方法提前3小时判断出新安江模型预报结果偏大,即在涨洪阶段实测流量还未知时,KNN-H就根据历史洪水经验判断出预报流量会比实测值偏大,并提前对预报值进行校正。因此在涨洪阶段KNN-H的校正结果与实测值更接近,对洪峰的校正精度也比KNN方法更高。在退水阶段,新安江模型预报值也比实测值偏高,KNN通过对本场洪水的误差学习后认为模型预报值严重偏高,并对退水阶段的预报值进行了过度校正,使得校正后的流量过低,与实测流量偏差较大。KNN-H通过对历史洪水退水阶段的误差学习后,对本场洪水退水段的预报值进行了更为合理的校正。总体上,本发明采用的KNN-H方法对2007072908号洪水校正精度高于KNN方法。
将陕西省曹坪流域2006082916号洪水KNN与KNN-H校正结果对比,图3(a)为本发明采用KNN-H方法在率定期洪水中找到的与当前洪水相似的历史洪水(2001081723号洪水),图3(b)为两种实时校正法对当前2006082916号洪水GA-PIC模型预报值的校正结果。在这两场洪水中,GA-PIC模型对总径流深和洪峰流量的预报结果都偏小。2006082916号洪水实测洪峰流量154m3/s,GA-PIC模型预报洪峰流量为42.8m3/s,相对误差为-72.2%;经KNN校正后洪峰流量为172.4m3/s,相对误差11.9%;经KNN-H校正后洪峰流量为165.7m3/s,相对误差7.6%。虽然两种实时校正方法校正后洪峰流量值差别不大,但KNN校正结果的峰现时间比实测峰现时间晚了90分钟,因此确定性系数只有-0.05,而KNN-H校正结果的峰现时间比实测峰现时间晚20分钟,确定性系数达到0.69。KNN方法通过学习本场洪水历史资料后进行校正会存在一定的“滞后性”,校正结果比实测洪水过程滞后一段时间,并且校正预见期越长滞后的时间也越长。而KNN-H通过学习历史洪水资料,当预报值进入到涨洪阶段时,KNN-H能够快速定位到历史洪水的涨洪阶段,分析历史误差后迅速对当前预报值做出校正,因此本发明采用的KNN-H校正结果的峰现时间误差更小,并且其校正结果受校正预见期增长的影响也较小。
综上,本发明的方法通过对历史洪水预报误差进行学习,有效提高了KNN实时校正方法对于洪水预报值的校正精度,为防洪决策提供依据。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于历史洪水学习的KNN实时校正方法,其特征在于,包括以下步骤:
步骤1、选出与当前预报洪水总雨量或降雨强度分布在设定范围内的历史洪水;
步骤2、选出与当前洪水降雨中心位置在设定范围内的历史洪水;
步骤3、选出与当前洪水前期土壤含水量在设定范围内的历史洪水;
步骤4、设置一个流量比例系数c,用于判断当前洪水处于涨洪或是退水阶段,利用KNN-H方法匹配到历史洪水的相同阶段,并对历史洪水该阶段水文模型的预报值与实测值误差值进行重点学习;
步骤5、通过匹配近邻样本,估计出水文模型的预报误差并计算得到校正后的水文模型预报值。
2.根据权利要求1所述基于历史洪水学习的KNN实时校正方法,其特征在于,所述步骤1中选出历史洪水,包括:
步骤1.1、在湿润或半湿润地区选择与当前洪水总雨量在设定范围内的历史洪水,设置一个雨量相对误差值作为判断的标准;
步骤1.2、在干旱或半干旱地区选择与当前洪水降雨强度在设定范围内的历史洪水,设置一个雨强相对误差值作为判断的标准。
3.根据权利要求1所述基于历史洪水学习的KNN实时校正方法,其特征在于,所述步骤2中选出历史洪水,包括:
步骤2.1、通过流域DEM资料计算出当前洪水与历史洪水的降雨中心到流域出口断面的汇流路径长度;
步骤2.2、设置一个汇流路径长度相对误差值作为判断标准,选出符合判断标准的历史洪水。
4.根据权利要求1所述基于历史洪水学习的KNN实时校正方法,其特征在于,所述步骤3中选出历史洪水,包括:
步骤3.1、比较当前洪水前期土壤含水量与历史洪水的前期土壤含水量值,以相对误差不超过设定值作为判断标准,选出符合判断标准的历史洪水。
6.根据权利要求1所述基于历史洪水学习的KNN实时校正方法,其特征在于,所述步骤5中通过匹配近邻样本,估计出水文模型的预报误差并计算得到校正后的水文模型预报值,包括以下步骤:
步骤5.1、更新历史样本库:假设当前时刻为t,将t时刻及之前时刻的水文模型预报值与实测值的误差作为历史样本,存放于历史样本库中;随着实测数据的不断更新,每过一个时刻将有一个新的预报误差进入历史样本库中;选择连续s个预报误差作为特征向量,s即为特征向量的长度;
步骤5.2、匹配近邻样本:设t+l时刻,其中l为KNN校正算法预见期,水文模型的预报误差为et+l,选择与当前时刻t相邻的s个预报误差作为预报误差et+l的特征向量,即预报误差的特征向量为vt(et-s+1,...,et-1,et);历史样本中的特征向量及其对应的预报误差分别为vn(en-s+1,...,en-1,en)和en+l,将预报误差et+l的特征向量与历史样本中的特征向量逐一对比,计算其欧氏距离D:
选择匹配度最高的k个历史样本特征向量,称其为k个最近邻居;
步骤5.3、估计出水文模型的预报误差,校正水文模型的预报值,包括:使用反距离权重法对k个历史样本的预报误差赋予权重值,第j个样本预报误差的权重值aj为:
其中Di、Dj分别表示第i个和第j个历史样本的特征向量与预报误差et+l的特征向量之间的欧氏距离;则预报误差et+l的值为:
et+l=a1e1+a2e2+...+akek
其中e1,e2,...,ek分别为k个历史样本对应的预报误差;
将t+l时刻水文模型的预报值减去水文模型的预报误差et+l的值即得到校正后的水文模型预报值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010798316.5A CN112084461B (zh) | 2020-08-10 | 2020-08-10 | 一种基于历史洪水学习的knn实时校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010798316.5A CN112084461B (zh) | 2020-08-10 | 2020-08-10 | 一种基于历史洪水学习的knn实时校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112084461A true CN112084461A (zh) | 2020-12-15 |
CN112084461B CN112084461B (zh) | 2024-05-14 |
Family
ID=73736106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010798316.5A Active CN112084461B (zh) | 2020-08-10 | 2020-08-10 | 一种基于历史洪水学习的knn实时校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112084461B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705931A (zh) * | 2021-09-17 | 2021-11-26 | 中国长江电力股份有限公司 | 一种利用k最邻近法预测径流要素的方法 |
CN114239925A (zh) * | 2021-11-29 | 2022-03-25 | 中国长江电力股份有限公司 | 一种水电站入库洪水预报偏差分割和评估方法 |
CN114676882A (zh) * | 2022-03-01 | 2022-06-28 | 河海大学 | 一种水文多模型时变权重组合预报方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104090974A (zh) * | 2014-07-18 | 2014-10-08 | 河海大学 | 展延水库后续来水的动态数据挖掘方法及系统 |
CN107491903A (zh) * | 2017-09-27 | 2017-12-19 | 河海大学 | 一种基于数据挖掘‑相似性理论的洪水预报方法 |
CN109272146A (zh) * | 2018-08-23 | 2019-01-25 | 河海大学 | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 |
CN110471950A (zh) * | 2019-07-19 | 2019-11-19 | 河海大学 | 一种中小河流实时洪水预报智能模型预报方法 |
CN110852526A (zh) * | 2019-11-19 | 2020-02-28 | 南京中禹智慧水利研究院有限公司 | 一种基于雨洪过程相似性判别的实时洪水预报方法 |
-
2020
- 2020-08-10 CN CN202010798316.5A patent/CN112084461B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104090974A (zh) * | 2014-07-18 | 2014-10-08 | 河海大学 | 展延水库后续来水的动态数据挖掘方法及系统 |
CN107491903A (zh) * | 2017-09-27 | 2017-12-19 | 河海大学 | 一种基于数据挖掘‑相似性理论的洪水预报方法 |
CN109272146A (zh) * | 2018-08-23 | 2019-01-25 | 河海大学 | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 |
CN110471950A (zh) * | 2019-07-19 | 2019-11-19 | 河海大学 | 一种中小河流实时洪水预报智能模型预报方法 |
CN110852526A (zh) * | 2019-11-19 | 2020-02-28 | 南京中禹智慧水利研究院有限公司 | 一种基于雨洪过程相似性判别的实时洪水预报方法 |
Non-Patent Citations (5)
Title |
---|
LU CHEN等: "Real-time error correction method combined with combination flood forcasting technique for improving the accuracy of flood forcasting", JOURNAL OF HYDROLOGY * |
李月玉;周建奕;蒋汝成;周密;: "基于K均值聚类分析的流域洪水实时分类修正", 中国农村水利水电, no. 12 * |
林子珩;石朋;钟平安;瞿思敏;纪小敏;崔彦萍;: "基于改进灰关联分析的相似洪水动态识别与预报方法", 水电能源科学, no. 01 * |
霍文博;朱跃龙;李致家;冯钧;周莉;孔俊;: "新安江模型和支持向量机模型实时洪水预报应用比较", 河海大学学报(自然科学版), no. 04 * |
韩通;李致家;刘开磊;黄鹏年;: "山区小流域洪水预报实时校正研究", 河海大学学报(自然科学版), no. 03 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705931A (zh) * | 2021-09-17 | 2021-11-26 | 中国长江电力股份有限公司 | 一种利用k最邻近法预测径流要素的方法 |
CN114239925A (zh) * | 2021-11-29 | 2022-03-25 | 中国长江电力股份有限公司 | 一种水电站入库洪水预报偏差分割和评估方法 |
CN114676882A (zh) * | 2022-03-01 | 2022-06-28 | 河海大学 | 一种水文多模型时变权重组合预报方法 |
CN114676882B (zh) * | 2022-03-01 | 2022-12-13 | 河海大学 | 一种水文多模型时变权重组合预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112084461B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112084461B (zh) | 一种基于历史洪水学习的knn实时校正方法 | |
CN109272146B (zh) | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 | |
CN109299812B (zh) | 一种基于深度学习模型和knn实时校正的洪水预测方法 | |
CN108764539A (zh) | 一种梯级电站的上下游水位预测方法 | |
CN110309608B (zh) | 一种针对时滞不确定信息的高炉铁水硅含量预报方法 | |
CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN110363349A (zh) | 一种基于ascs的lstm神经网络水文预测方法及系统 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
JP2004062440A (ja) | 予測モデルシステム | |
CN114219131A (zh) | 一种基于lstm的流域径流预测方法 | |
CN115115284A (zh) | 一种基于神经网络的能耗分析方法 | |
CN115423146A (zh) | 一种基于多因子最近邻抽样回归和支持向量机的自适应径流预报方法 | |
CN111275253A (zh) | 融合深度学习和误差校正的径流概率性预测方法及系统 | |
CN117932470A (zh) | 一种基于动态贝叶斯网络的月径流预报方法 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 | |
CN117587403A (zh) | 基于化学转化的铝合金模板表面处理方法及系统 | |
CN116341770B (zh) | 基于聚苯乙烯生产数据的生产能力预测方法及系统 | |
CN109902266B (zh) | 一种基于Copula函数的河道流量演算方法 | |
CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
CN110009132A (zh) | 一种基于lstm深度神经网络的短期电力负荷精细化预测方法 | |
CN116777027A (zh) | 一种非正常日的负荷预测方法及系统 | |
CN113642230B (zh) | 基于机器学习的多目标复杂排水系统可调堰智能操控方法 | |
CN115423149A (zh) | 一种能源互联网负荷预测和噪声等级估计的增量迭代聚类方法 |
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 |