CN112183721A - 一种基于自适应差分进化的组合水文预测模型的构建方法 - Google Patents

一种基于自适应差分进化的组合水文预测模型的构建方法 Download PDF

Info

Publication number
CN112183721A
CN112183721A CN202010976107.5A CN202010976107A CN112183721A CN 112183721 A CN112183721 A CN 112183721A CN 202010976107 A CN202010976107 A CN 202010976107A CN 112183721 A CN112183721 A CN 112183721A
Authority
CN
China
Prior art keywords
hydrological
individuals
model
data
population
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
CN202010976107.5A
Other languages
English (en)
Other versions
CN112183721B (zh
Inventor
朱跃龙
赵群
万定生
余宇峰
姚成
王继民
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202010976107.5A priority Critical patent/CN112183721B/zh
Publication of CN112183721A publication Critical patent/CN112183721A/zh
Application granted granted Critical
Publication of CN112183721B publication Critical patent/CN112183721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于自适应差分进化的组合水文预测模型的构建方法，包括以下步骤：构建水文数据集，构建水文基模型，构建最终的组合水文预测模型。本发明基于自适应差分进化方法选择长短期记忆网络(LSTM)作为基模型，结合把种群中优秀的个体和个体适应度保存在临时数组中的思想，通过选择前m个优秀水文参数作为各个基模型的初始参数，建立加权组合模型ADE‑LSTMs，来增加预测的鲁棒性，提高单一模型的预测精度。

Description

一种基于自适应差分进化的组合水文预测模型的构建方法
技术领域
本发明涉及水文预测技术，具体涉及一种基于自适应差分进化的组合水文预测模型的构建方法。
背景技术
随着大数据时代的发展，各类数据快速增长，从大数据中挖掘出更多实用的、有价值的信息越来越受到关注。时序数据挖掘采用特定的算法分析历史数据中包含的规则和模式，然后完成对未来可能发生的情况做预测，为相关人员提供决策服务。时间序列分析通常以未来数据为因变量，以当前时间或先前数据为自变量构建样本集。通常，选择的自变量必然与因变量相关，通过现有的深度学习方法进行拟合，可以获得输入值和输出值的最佳映射关系。
深度学习(Deep Learning)是学者们对人工神经网络的探索所提出的一个新的领域，最为典型的深度学习结构就是具有多个隐藏层的多层感知器。深度学习方法尤其注重于特征学习，它首先使用非线性转换机制把样本值转换至新的特征空间，然后在新的特征空间中找出输入值和输出值的最佳映射关系，该处理方法非常有利于分类和预测工作。深度网络可以更好地分析出数据中包含的规则，更好地帮助进行预测。
组合模型是通过各种分类、聚类、决策树、关联规则分析等智能算法来分析数据中包含的规则，以提升预测的精度。通过组合机器学习模型可以有效提高预测精度。现有的组合水文预测模型方法复杂，例如基模型必须具有差异性，使用不同的基模型，算法复杂，每个基模型的参数还得分开反复训练；或者使用相同的基模型，但是必须保证它们的差异性，人工赋予不同的权重参数，或者给不同的数据集。
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，提供一种基于自适应差分进化的组合水文预测模型的构建方法，本发明基于自适应差分进化方法进行寻优，用m个不同的参数给基模型，不用人工赋权重，还能保证基模型的差异性。
技术方案：本发明的一种基于自适应差分进化的组合水文预测模型的构建方法，包括以下步骤：
S1、构建数据集
选择对应水文数据集，并对该水文数据集归一化使得水文数据在[-1,1]之间；然后组织数据，即利用前N个时刻的水文数据来预测未来时刻的水文情况；最后随机打乱顺序并选择部分水文数据(例如采用80％的水文数据)作为训练集，剩余水文数据则作为测试集；
S2、构建水文基模型，即使用LSTM水文模型作为组合水文预测模型的水文基模型，并采用小批量梯度下降算法对水文基模型进行优化训练：
S2.1、对水文样本集进行归一化，对各个水文基模型的网络权重进行初始化；使用sigmoid函数和tanh函数作为激活函数，均方误差函数mse作为损失函数，计算公式如下：
Figure BDA0002685857840000021
其中，yi为第i时刻的预测值，Yi为第i时刻的真实值，n为模型输入的样本数目；
S2.2、对LSTM水文基模型的隐藏层中每个单元进行前向计算；
对于门控制单元，门结构接受上一个时刻的输出和当前记忆单元的水文输入数据，与各自权重矩阵相乘，加上偏执向量，通过Sigmoid函数对信息进行筛选。
输入门：It＝σ(Wi×[ht-1,xt]+bi)
Wi为输入门权重矩阵，σ为Sigmoid函数，ht-1为记忆单元前一时刻的水文输出数据，xt为当前时刻的输入，bi为输入门的偏置；
遗忘门：Ft＝σ(Wf×[ht-1,xt]+bf)
Wf为遗忘门权重矩阵，bf为遗忘门的偏置；
输出门：Ot＝σ(Wo×[ht-1,xt]+bo)
Wo为输出门权重矩阵，bo为输出门的偏置；
对于记忆单元c，计算候选值：
Figure BDA0002685857840000022
Wc为记忆细胞权重矩阵，bc为记忆细胞门的偏置；
对于记忆单元c，更新候选值：
Figure BDA0002685857840000023
记忆单元输出：ht＝Ot*tanh(ct)
S2.3、计算水文基模型的预测误差，然后反向计算每个神经元的预测误差，使用小批量梯度下降算法MBGD更新网络权重，对网络进行迭代训练；
S2.4、当均方误差mse不再下降或者满足对应条件时，迭代结束，网络训练完成；
S3、构建组合水文预测模型：采用自使用差分进化方法对多个LSTM水文基模型进行加权组合，具体方法为：
编码：对LSTM水文基模型的参数进行统一编码到个体(即水文基模型参数)中；
种群产生：随机产生初始种群，大小为np，初始化变异因子的最大值Fmax,最小值Fmin与杂交概率CR；
计算初始种群中个体的适应度：适应度函数采用均方误差；
变异操作：随机选择任务种群中两个个体(即是指水文基模型参数)，根据公式对个体进行变异，生成变异个体；
交叉操作：对变异个体进行交叉操作，得到新的个体；
选择操作：使用贪婪算法对原个体和新个体进行选择，将适应度函数值小的个体作为新种群的个体，代替原个体，并将优秀个体的适应度与优秀个体保存在临时数组中；
选择优秀个体：循环迭代执行种群的变异，交叉，选择操作，直到满足循环停止条件，即最优个体位置不再变化或达到循环迭代次数，对临时数组按适应度值从小到大排序，并选择前m个作为优秀的个体；
建立LSTM水文基模型：对m个优秀个体进行解码，建立m个LSTM水文基模型，并将优化得到的初始权重和阈值分别赋值给不同的网络模型，最后再次训练样本集来构建出m个LSTM水文基模型；
建立组合水文预测模型：利用测试集对建立m个LSTM水文基模型进行仿真测试，然后根据均方误差mse大小来为m个LSTM水文基模型进行加权组合，最终建立组合水文预测模型。
进一步的，所述步骤S3中种群产生的具体方法为：
种群定义：X＝(X1,X2,…,XNP)
种群个体定义：
Figure BDA0002685857840000031
其中，种群大小为NP，迭代次数为t，维度为D。
自适应变异因子定义：
Figure BDA0002685857840000032
其中，F为变异因子，t为迭代次数，T为最大迭代次数，Fmax为变异因子的最大值，Fmin为变异因子的最小值。
适应度函数定义：f(xi(t))，这里使用均方误差值。
进一步的，所述步骤S3中变异操作的具体方法为：
变异操作：
Figure BDA0002685857840000033
其中，r1，r2，r3为随机生成的三个整数且r∈{1,2,…,NP},
Figure BDA0002685857840000034
Figure BDA0002685857840000035
分别为三个个体的第j维分量，F为变异因子。进行变异操作后，得到变异个体Vi(t)＝(v1(t),v2(t),…,vD(t))。
进一步的，所述步骤S3中交叉操作的具体方法：
交叉操作：
Figure BDA0002685857840000036
其中，CR为交叉概率。一般来说，CR越大，收敛速度越快且有利于局部搜索，但过大的交叉概率会使算法陷入早熟，稳健性差。CR越小，种群多样性越好且有利于全局搜索。交叉后新个体Ui(t)＝(u1(t),u2(t),…,uD(t))。
进一步的，所述步骤S3中选择操作包括如下方法：
选择操作：
Figure BDA0002685857840000037
比较适应度，选择下一代个体。
有益效果：与现有技术相比，本发明具有以下优点：通过本发明方法构建的组合水文预测模型，结合把种群中优秀的个体(即水文基模型参数)和个体适应度保存在临时数组中的思想，通过选择前m个优秀水文基模型参数作为水文基模型的初始参数，建立加权组合水文预测模型来增加预测的鲁棒性，提高单一模型的预测精度。
附图说明
图1为本发明的框架示意图；
图2为本发明的流程示意图；
图3为实施例中的模型架构示意图。
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，本发明的一种基于自适应差分进化的组合水文预测模型的构建方法，包括以下步骤：
S1、构建数据集
选择对应水文数据集，并对该水文数据集归一化使得水文数据在[-1,1]之间；然后组织数据，即利用前N个时刻的水文数据来预测未来时刻的水文情况；最后随机打乱顺序并选择80％的数据作为训练集，剩下的作为测试集；
S2、构建水文基模型，即使用LSTM水文模型作为组合水文预测模型的水文基模型，并采用小批量梯度下降算法对基模型进行优化训练：
S2.1、对水文样本集进行归一化，对各个水文基模型的网络权重进行初始化；使用sigmoid函数和tanh函数作为激活函数，均方误差函数mse作为损失函数，计算公式如下：
Figure BDA0002685857840000041
其中，yi为第i时刻的预测值，Yi为第i时刻的真实值，n为模型输入的样本数目；
S2.2、对LSTM水文基模型的隐藏层中每个单元进行前向计算；
对于门控制单元，门结构接受上一个时刻的输出和当前记忆单元的输入，与各自权重矩阵相乘，加上偏执向量，通过Sigmoid函数对信息进行筛选。
输入门：It＝σ(Wi×[ht-1,xt]+bi)
Wi为输入门权重矩阵，σ为Sigmoid函数，ht-1为记忆单元前一时刻的输出，xt为当前时刻的输入，bi为输入门的偏置；
遗忘门：Ft＝σ(Wf×[ht-1,xt]+bf)
Wf为遗忘门权重矩阵，bf为遗忘门的偏置；
输出门：Ot＝σ(Wo×[ht-1,xt]+bo)
Wo为输出门权重矩阵，bo为输出门的偏置；
对于记忆单元c，计算候选值：
Figure BDA0002685857840000042
Wc为记忆细胞权重矩阵，bc为记忆细胞门的偏置；
对于记忆单元c，更新候选值：
Figure BDA0002685857840000051
记忆单元输出：ht＝Ot*tanh(ct)
S2.3、计算水文基模型的预测误差，然后反向计算每个神经元的预测误差，使用小批量梯度下降算法MBGD更新网络权重，对网络进行迭代训练；
S2.4、当均方误差mse不再下降或者满足对应条件时，迭代结束，网络训练完成；
S3、构建组合水文预测模型：采用自使用差分进化方法对多个LSTM水文基模型进行加权组合，具体方法为：
编码：对LSTM水文基模型的参数进行统一编码到个体中；
种群产生：随机产生初始种群，大小为np，初始化变异因子的最大值Fmax,最小值Fmin与杂交概率CR；
计算初始种群中个体的适应度：适应度函数采用均方误差；
变异操作：随机选择任务种群中两个个体，根据公式对个体进行变异，生成变异个体；
交叉操作：对变异个体进行交叉操作，得到新的个体；
选择操作：使用贪婪算法对原个体和新个体进行选择，将适应度函数值小的个体作为新种群的个体，代替原个体，并将优秀个体的适应度与优秀个体保存在临时数组中；
选择优秀个体：循环迭代执行种群的变异，交叉，选择操作，直到满足循环停止条件，即最优个体位置不再变化或达到循环迭代次数，对临时数组按适应度值从小到大排序，并选择前m个作为优秀的个体；
建立LSTM水文基模型：对m个优秀个体进行解码，建立m个LSTM水文基模型，并将优化得到的初始权重和阈值分别赋值给不同的网络模型，最后再次训练样本集来构建出m个LSTM水文基模型；
建立组合水文预测模型：利用测试集对建立m个LSTM水文基模型进行仿真测试，然后根据均方误差mse大小来为m个LSTM水文基模型进行加权组合，最终建立组合水文预测模型。
进一步的，所述步骤S3中种群产生的具体方法为：
种群定义：X＝(X1,X2,…,XNP)
种群个体定义：
Figure BDA0002685857840000052
其中，种群大小为NP，迭代次数为t，维度为D。
自适应变异因子定义：
Figure BDA0002685857840000053
其中，F为变异因子，t为迭代次数，T为最大迭代次数，Fmax为变异因子的最大值，Fmin为变异因子的最小值。
适应度函数定义：f(xi(t))，这里使用均方误差值。
进一步的，所述步骤S3中变异操作的具体方法为：
变异操作：
Figure BDA0002685857840000061
其中，r1，r2，r3为随机生成的三个整数且r∈{1,2,…,NP},
Figure BDA0002685857840000062
Figure BDA0002685857840000063
分别为三个个体的第j维分量，F为变异因子。进行变异操作后，得到变异个体Vi(t)＝(v1(t),v2(t),…,vD(t))。
进一步的，所述步骤S3中交叉操作的具体方法：
交叉操作：
Figure BDA0002685857840000064
其中，CR为交叉概率。一般来说，CR越大，收敛速度越快且有利于局部搜索，但过大的交叉概率会使算法陷入早熟，稳健性差。CR越小，种群多样性越好且有利于全局搜索。交叉后新个体Ui(t)＝(u1(t),u2(t),…,uD(t))。
进一步的，所述步骤S3中选择操作包括如下方法：
选择操作：
Figure BDA0002685857840000065
比较适应度，选择下一代个体。
经过上面的步骤，最终的组合水文预测模型就建立完成，接着每隔一段时间，将临时数组中的m个优秀的水文基模型参数，与随机生成的k个水文基模型参数一起组成初始种群，种群大小为n(m+k)再次进行训练，最后选取在选择操作中新生成的最优的水文基模型参数，把最优初始化参数赋值给新的LSTM水文基模型，训练网络并得到新测试集的均方误差。若该新网络的误差小于组合模型中的网络，那么用它把组合水文预测模型中误差最大的替换，重新建立组合水文预测，否则不改变原组合水文预测。
实施例：鄱阳湖是我国最大的淡水湖，是长江中下游洪涝灾害的多发区和重灾区，鄱阳湖流域内水系发达，流域面积约占江西省流域面积的97％，对鄱阳湖流域的水文数据进行分析能够为鄱阳湖流域水文模式的发现和防洪调度提供有关技术支持。
本实施例采用鄱阳湖附近的星子水文站(测站编码62601200，东经116°1'12"，北纬29°16'12")作为实验数据，星子水文站位于江西省星子县南康镇，所在水系是湖区，所在河流是鄱阳湖湖口水道。
水文数据集选取：由于本实施例暂不考虑气象因素，因此选取1955年1月1日～2010年12月31日共20454条日平均水位数据作为实验数据。本实施例使用80％的水文数据作为训练集，20％作为测试集。
水文数据预处理：
缺失水文数据补充：
水文数据的缺失一般会分成两类，一类是单个水文数据的缺失，另一类是一段连续水文数据的缺失。对于单个水文数据的缺失，可采取平均值填补的方法，即取缺失位置前一个和后一个数据值的平均值来填补缺失位置的水文数据。对于一段连续水文数据的缺失，如果缺失部分不多于
Figure BDA0002685857840000071
个周期，则使用该缺失部分临近周期相同位置的水文数据进行填补，如果缺失部分多于
Figure BDA0002685857840000072
个周期，则将该缺失数据部分的整个周期的水文数据都舍弃掉。
水文数据标准化处理：
采用Min-Max标准化的方法：
Figure BDA0002685857840000073
其中，x表示水文原始数据，
Figure BDA0002685857840000074
表示经过数据标准化后的数据，max表示水文原始数据中的最大值，min表示水文原始数据中的最小值。Min-Max标准化是为了将水文数据变换到[0,1]之间，从而解决数据振幅伸缩和平移等问题。
模型参数设置：种群规模设置为20，维度设置为30，最大变异因子为0.6，最小变异因子为0.2，交叉概率CR为0.5，最大迭代次数为20。LSTM基模型的隐含层节点数的范围为150～250，学习因子lr为0.003。
实验对比：本实验采用支持向量机SVM，单一长短时神经网络LSTM与本文提出的组合模型进行对比，实验对比如表1所示。
对上述实施例进行评价，其评价指标包括：平均绝对误差、平均相对误差和均方根误差。
平均绝对误差(Mean Absolute Error，MAE)是预测值与真实值间绝对差值的平均，可以较好地反映预测值与实际值之间的偏差；平均相对误差(Mean Relative Error，MRE)是预测值与真实值相对误差的平均，可以较好地反映预测的可信程度；均方根误差(Root Mean Squared Error，RMSE)是预测值与真实值偏差的平方与预测总数比值的平方根，可以较好地反映预测的离散程度。
三种评价指标公式如下：
平均绝对误差：
Figure BDA0002685857840000075
平均相对误差：
Figure BDA0002685857840000076
均方根误差：
Figure BDA0002685857840000077
其中，yi表示真实值，
Figure BDA0002685857840000078
代表对应的预测值。
表1实验结果对比表
Figure BDA0002685857840000079
Figure BDA0002685857840000081
由上表可以看出本发明的效果最好，整体误差最小，预测准确率最高。
通过上述实施例看出，本发明组合水文预测模型，结合把种群中优秀的个体和个体适应度保存在临时数组中的思想，通过选择前m个优秀水文参数作为各个基模型的初始参数，建立加权组合模型，可以有效提高单一水文模型的预测精度。

Claims (5)

1.一种基于自适应差分进化的组合水文预测模型的构建方法，其特征在于：包括以下步骤：
S1、构建数据集
选择对应水文数据集，并对该水文数据集归一化使得水文数据在[-1,1]之间；然后组织数据，即利用前N个时刻的水文数据来预测未来时刻的水文情况；最后随机打乱顺序并选择部分水文数据作为训练集，剩余水文数据作为测试集；
S2、构建水文基模型，即使用LSTM水文模型作为组合水文预测模型的水文基模型，并采用小批量梯度下降算法对水文基模型进行优化训练：
S2.1、对水文样本集进行归一化，对各个水文基模型的网络权重进行初始化；使用sigmoid函数和tanh函数作为激活函数，均方误差函数mse作为损失函数，计算公式如下：
Figure FDA0002685857830000011
其中，yi为第i时刻的预测值，Yi为第i时刻的真实值，n为模型输入的样本数目；
S2.2、对LSTM水文基模型的隐藏层中每个单元进行前向计算；
对于门控制单元，门结构接受上一个时刻的输出和当前记忆单元的水文输入数据，与各自权重矩阵相乘，加上偏执向量，通过Sigmoid函数对信息进行筛选。
输入门：It＝σ(Wi×[ht-1,xt]+bi)
Wi为输入门权重矩阵，σ为Sigmoid函数，ht-1为记忆单元前一时刻的水文输数据出，xt为当前时刻的输入，bi为输入门的偏置；
遗忘门：Ft＝σ(Wf×[ht-1,xt]+bf)
Wf为遗忘门权重矩阵，bf为遗忘门的偏置；
输出门：Ot＝σ(Wo×[ht-1,xt]+bo)
Wo为输出门权重矩阵，bo为输出门的偏置；
对于记忆单元c，计算候选值：
Figure FDA0002685857830000012
Wc为记忆细胞权重矩阵，bc为记忆细胞门的偏置；
对于记忆单元c，更新候选值：
Figure FDA0002685857830000013
记忆单元输出：ht＝Ot*tanh(ct)
S2.3、计算水文基模型的预测误差，然后反向计算每个神经元的预测误差，使用小批量梯度下降算法MBGD更新网络权重，对网络进行迭代训练；
S2.4、当均方误差mse不再下降或者满足对应条件时，迭代结束，网络训练完成；
S3、构建组合水文预测模型：采用自使用差分进化方法对多个LSTM水文基模型进行加权组合，具体方法为：
编码：对LSTM水文基模型的参数进行统一编码到个体中；
种群产生：随机产生初始种群，大小为np，初始化变异因子的最大值Fmax,最小值Fmin与杂交概率CR；
计算初始种群中个体的适应度：适应度函数采用均方误差；
变异操作：随机选择任务种群中两个个体，根据公式对个体进行变异，生成变异个体；
交叉操作：对变异个体进行交叉操作，得到新的个体；
选择操作：使用贪婪算法对原个体和新个体进行选择，将适应度函数值小的个体作为新种群的个体，代替原个体，并将优秀个体的适应度与优秀个体保存在临时数组中；
选择优秀个体：循环迭代执行种群的变异，交叉，选择操作，直到满足循环停止条件，即最优个体位置不再变化或达到循环迭代次数，对临时数组按适应度值从小到大排序，并选择前m个作为优秀的个体；
建立LSTM水文基模型：对m个优秀个体进行解码，建立m个LSTM水文基模型，并将优化得到的初始权重和阈值分别赋值给不同的网络模型，最后再次训练样本集来构建出m个LSTM水文基模型；
建立组合水文预测模型：利用测试集对建立m个LSTM水文基模型进行仿真，然后根据均方误差mse大小来为m个LSTM水文基模型进行加权组合，最终建立组合水文预测模型。
2.根据权利要求1所述的基于自适应差分进化的组合水文预测模型的构建方法，其特征在于：所述步骤S3中种群产生的具体方法为：
种群定义：X＝(X1,X2,…,XNP)
种群个体定义：
Figure FDA0002685857830000021
其中，种群大小为NP，迭代次数为t，维度为D；
自适应变异因子定义：
Figure FDA0002685857830000022
其中，F为变异因子，t为迭代次数，T为最大迭代次数，Fmax为变异因子的最大值，Fmin为变异因子的最小值；
适应度函数定义：f(xi(t))，这此处使用均方误差值。
3.根据权利要求1所述的基于自适应差分进化的组合水文预测模型的构建方法，其特征在于：所述步骤S3中变异操作的具体方法为：
变异操作：
Figure FDA0002685857830000023
其中，r1，r2，r3为随机生成的三个整数且r∈{1,2,…,NP},
Figure FDA0002685857830000024
Figure FDA0002685857830000025
分别为三个个体的第j维分量，F为变异因子；进行变异操作后，得到变异个体Vi(t)＝(v1(t),v2(t),…,vD(t))。
4.根据权利要求1所述的基于自适应差分进化的组合水文预测模型的构建方法，其特征在于：所述步骤S3中交叉操作的具体方法：
交叉操作：
Figure FDA0002685857830000031
其中，CR为交叉概率，交叉后新个体Ui(t)＝(u1(t),u2(t),…,uD(t))。
5.根据权利要求1所述的基于自适应差分进化的组合水文预测模型的构建方法，其特征在于：所述步骤S3中选择操作包括如下方法：
选择操作：
Figure FDA0002685857830000032
比较适应度，选择下一代个体。
CN202010976107.5A 2020-09-16 2020-09-16 一种基于自适应差分进化的组合水文预测模型的构建方法 Active CN112183721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010976107.5A CN112183721B (zh) 2020-09-16 2020-09-16 一种基于自适应差分进化的组合水文预测模型的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010976107.5A CN112183721B (zh) 2020-09-16 2020-09-16 一种基于自适应差分进化的组合水文预测模型的构建方法

Publications (2)

Publication Number Publication Date
CN112183721A true CN112183721A (zh) 2021-01-05
CN112183721B CN112183721B (zh) 2022-04-26

Family

ID=73921385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010976107.5A Active CN112183721B (zh) 2020-09-16 2020-09-16 一种基于自适应差分进化的组合水文预测模型的构建方法

Country Status (1)

Country Link
CN (1) CN112183721B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114417740A (zh) * 2022-03-30 2022-04-29 青岛杰瑞工控技术有限公司 一种深海养殖态势感知方法
CN115759403A (zh) * 2022-11-15 2023-03-07 东北农业大学 一种针对寒区水循环过程的动态组合预测模型构建方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110569890A (zh) * 2019-08-23 2019-12-13 河海大学 一种基于相似性度量的水文数据异常模式检测方法
CN111210128A (zh) * 2019-12-27 2020-05-29 广东工业大学 一种基于人工智能及随机自适应阈值的湿地预警方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110569890A (zh) * 2019-08-23 2019-12-13 河海大学 一种基于相似性度量的水文数据异常模式检测方法
CN111210128A (zh) * 2019-12-27 2020-05-29 广东工业大学 一种基于人工智能及随机自适应阈值的湿地预警方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
QUN ZHAO等: "Joint Spatial and Temporal Modeling for Hydrological Prediction", 《IEEE数据库》 *
司存友等: "基于相似性搜索的水文时间序列预测模型研究", 《信息技术》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114417740A (zh) * 2022-03-30 2022-04-29 青岛杰瑞工控技术有限公司 一种深海养殖态势感知方法
CN115759403A (zh) * 2022-11-15 2023-03-07 东北农业大学 一种针对寒区水循环过程的动态组合预测模型构建方法
CN115759403B (zh) * 2022-11-15 2023-12-15 东北农业大学 一种针对寒区水循环过程的动态组合预测模型构建方法

Also Published As

Publication number Publication date
CN112183721B (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN109142171B (zh) 基于特征扩张的融合神经网络的城市pm10浓度预测方法
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
Lu et al. Review of meta-heuristic algorithms for wind power prediction: Methodologies, applications and challenges
CN111340273B (zh) 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法
CN113053115B (zh) 一种基于多尺度图卷积网络模型的交通预测方法
Wu et al. Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm
JP5888640B2 (ja) 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム
CN113299354B (zh) 基于Transformer和增强交互型MPNN神经网络的小分子表示学习方法
CN109583565B (zh) 基于注意力模型长短时记忆网络的洪水预测方法
CN108985515B (zh) 一种基于独立循环神经网络的新能源出力预测方法及系统
CN101782743A (zh) 神经网络建模方法及系统
CN112183721B (zh) 一种基于自适应差分进化的组合水文预测模型的构建方法
CN112561058A (zh) 基于Stacking-集成学习短期光伏功率预测方法
CN111141879B (zh) 一种深度学习的空气质量监测方法以及装置、设备
CN114912673A (zh) 一种基于鲸鱼优化算法和长短时记忆网络的水位预测方法
CN112446489A (zh) 基于变分自编码器的动态网络嵌入链接预测方法
CN115907122A (zh) 区域电动汽车充电负荷预测方法
CN116894384A (zh) 一种多风机风速时空预测方法及系统
CN109408896B (zh) 一种污水厌氧处理产气量多元智能实时监控方法
CN111222762A (zh) 太阳能电池板镀膜工艺状态监控及质量控制系统
CN116822722A (zh) 水位预测方法、系统、装置、电子设备及介质
CN116865232A (zh) 一种基于风速误差修正的中长期风电功率预测方法及系统
CN105512249A (zh) 一种基于紧凑进化算法的本体匹配方法
Qiu et al. Air traffic flow of genetic algorithm to optimize wavelet neural network prediction
Lu et al. Dynamic evolution analysis of desertification images based on BP neural network

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