CN112529274A - 月径流灰色预测方法、装置、计算机设备和存储介质 - Google Patents

月径流灰色预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112529274A
CN112529274A CN202011390436.8A CN202011390436A CN112529274A CN 112529274 A CN112529274 A CN 112529274A CN 202011390436 A CN202011390436 A CN 202011390436A CN 112529274 A CN112529274 A CN 112529274A
Authority
CN
China
Prior art keywords
data
monthly runoff
runoff
monthly
gray
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.)
Pending
Application number
CN202011390436.8A
Other languages
English (en)
Inventor
万阳
朱玺
刘凯龙
张�焕
郭婷
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.)
HNAC Technology Co Ltd
Original Assignee
HNAC Technology Co Ltd
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 HNAC Technology Co Ltd filed Critical HNAC Technology Co Ltd
Priority to CN202011390436.8A priority Critical patent/CN112529274A/zh
Publication of CN112529274A publication Critical patent/CN112529274A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Entrepreneurship & Innovation (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)

Abstract

本申请涉及一种月径流灰色预测方法、装置、计算机设备和存储介质。方法包括：获取月径流原始数据；对月径流原始数据进行二次平滑处理，得到处理后的月径流数据；根据月径流数据，进行数据建模处理，得到月径流灰色预报方程；根据月径流灰色预报方程，进行月径流数据预测，得到月径流预测数据。采用本方法通过二次平滑处理后的月径流数据进行建模处理，能够建立更为准确的月径流灰色预报方程，得到了误差较小的月径流预测数据，保证了模拟的月径流预测数据的预测精度。

Description

月径流灰色预测方法、装置、计算机设备和存储介质
技术领域
本申请涉及月径流预报技术领域，特别是涉及一种基于二次平滑处理的月径流灰色预测方法、装置、计算机设备和存储介质。
背景技术
目前在水电站、水库、河湖等水文领域，随着降雨量、地下水深、年径流量预报等水文非线性时间序列分析方面相关技术的发展已逐步取得成效，月径流数据的预报对水文领域同样有重要意义，目前，月径流数据预报建模之前采取的大多为单一的数据处理方法。
传统的月径流数据预报方法中，对初始数据进行平滑处理，然而，由于月径流数据存在突变、极度不平滑情况，具有不确定性，导致所预报的月径流数据存在误差，不满足水文预报规范要求，无法得到应用。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高预报精度的月径流灰色预测方法、装置、计算机设备和存储介质。
一种月径流灰色预测方法，所述方法包括：
获取月径流原始数据；
对月径流原始数据进行二次平滑处理，得到处理后的月径流数据；
根据月径流数据，进行数据建模处理，得到月径流灰色预报方程；
根据月径流灰色预报方程，进行月径流数据预测，得到月径流预测数据。
在其中一个实施例中，对月径流原始数据进行二次平滑处理，得到处理后的月径流数据包括：
对月径流原始数据进行第一次平滑处理，得到月径流去季节数据；
对月径流去季节数据进行第二次平滑处理，得到处理后的月径流数据。
在其中一个实施例中，对月径流原始数据进行第一次平滑处理，得到月径流去季节数据包括：
基于滑动平均法，得到月径流原始数据对应的月径流季节指数；
将月径流原始数据除以月径流季节指数，得到月径流去季节数据。
在其中一个实施例中，对月径流去季节数据进行第二次平滑处理，得到处理后的月径流数据包括：
根据三点平滑法对月径流去季节数据中的两端数据和中间数据分别进行平滑处理，得到处理后的月径流数据。
在其中一个实施例中，所述根据月径流数据，进行数据建模处理，得到月径流灰色预报方程包括：
根据灰色自记忆模型，对月径流数据进行数据建模处理，得到月径流灰色预报方程。
在其中一个实施例中，灰色自记忆模型包括灰色模型和自记忆函数；
根据灰色自记忆模型，对月径流数据进行数据建模处理，得到月径流灰色预报方程包括：
根据灰色模型函数，确定月径流数据对应的微分动力方程；
将自记忆函数引入微分动力方程，进行数据建模处理，得到月径流灰色预报方程。
在其中一个实施例中，根据月径流灰色预报方程，进行月径流数据预测，得到月径流预测数据之后，还包括：
获取与月径流预测数据对应的实际月径流数据；
根据实际月径流数据与月径流预测数据之间的残差，得到残差概率分布；
根据残差概率分布，对月径流预测数据进行精度分析，得到月径流灰色预报方程的精度。
一种月径流灰色预测装置，所述装置包括：
数据获取模块，用于获取月径流原始数据；
第一数据处理模块，用于对月径流原始数据进行二次平滑处理，得到处理后的月径流数据；
第二数据处理模块，用于根据月径流数据，进行数据建模处理，得到月径流灰色预报方程；
数据预测模块，用于根据月径流灰色预报方程，进行月径流数据预测，得到月径流预测数据。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取月径流原始数据；
对月径流原始数据进行二次平滑处理，得到处理后的月径流数据；
根据月径流数据，进行数据建模处理，得到月径流灰色预报方程；
根据月径流灰色预报方程，进行月径流数据预测，得到月径流预测数据。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取月径流原始数据；
对月径流原始数据进行二次平滑处理，得到处理后的月径流数据；
根据月径流数据，进行数据建模处理，得到月径流灰色预报方程；
根据月径流灰色预报方程，进行月径流数据预测，得到月径流预测数据。
上述月径流灰色预测方法、装置、计算机设备和存储介质，获取月径流原始数据；对月径流原始数据进行二次平滑处理，得到处理后的月径流数据；通过二次平滑处理，消除了月径流初始数据的突变以及不平滑的数据，提高了月径流数据的平滑度，将月径流数据进行数据建模处理，得到月径流灰色预报方程；根据月径流灰色预报方程，进行月径流数据预测，得到月径流预测数据，通过二次平滑处理后的月径流数据进行建模处理，建立更为准确的月径流灰色预报方程，得到了误差较小的月径流预测数据，保证了模拟的月径流预测数据的预测精度。
附图说明
图1为一个实施例中月径流灰色预测方法的流程示意图；
图2为另一个实施例中月径流灰色预测方法的流程示意图；
图3为又一个实施例中月径流灰色预测方法的流程示意图；
图4为再一个实施例中月径流灰色预测方法的流程示意图；
图5为还一个实施例中月径流灰色预测方法的流程示意图；
图6为另一个实施例中月径流灰色预测方法的流程示意图；
图7为又一个实施例中月径流灰色预测方法的流程示意图；
图8为另一个实施例中月径流灰色预测方法的流程示意图；
图9为一个实施例中月径流灰色预测方法的月径流过程线图；
图10为一个实施例中月径流灰色预测方法中去季节波动法步骤之后的月径流过程线图；
图11为一个实施例中月径流灰色预测方法中三点平滑法处理步骤之后的月径流平滑处理前后对比图；
图12为一个实施例中月径流灰色预测方法中月径流预测数据模拟曲线图；
图13为一个实施例中月径流灰色预测方法中实际月径流数据与月径流预测数据对比图；
图14为一个实施例中月径流灰色预测装置的结构框图；
图15为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种月径流灰色预测方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现，其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，该方法包括以下步骤：
步骤102，获取月径流原始数据。
其中，月径流原始数据是指没有处理过的直接获取的月径流，月径流是指一个月内通过河流湖泊某一过水断面的平均流量或者水量，月径流中的径流是指在某一时段内通过河流湖泊某一过水断面的水量。
具体地，终端从月径流资料库中获取月径流原始数据，月径流资料库存储已知的月径流历史数据，月径流原始数据是直接获取的以往历史数据，已知一年以上的月径流原始数据即可开展月径流预测，优选的是，为保证后续建模的精度，可以但不限于是获取已知两年以上的月径流原始数据。
步骤104，对月径流原始数据进行二次平滑处理，得到处理后的月径流数据。
其中，二次平滑处理是根据两种不同的方法进行的处理，包括第一次平滑处理和第二次平滑处理。其中，二次平滑处理具体可以是先对月径流原始数据进行第一次平滑处理，然后根据第一平滑处理后得到的数据结果，进行第二次平滑处理。通过上述平滑处理可以但不限于消除月径流突变、不平滑数据等让月径流原始数据平滑度提高，平滑处理是指对平滑度进行提升的处理，平滑处理用于提高数据的平滑度，目前平滑处理的方法包括线性变换、对数变换、幂函数变换、指数平滑、三点平滑、去季节波动法等，优选的是，第一次平滑处理采用去季节波动法，第二次平滑处理采用三点平滑法，后续数据的建模对数据的平滑度有一定要求，提高平滑度可以保证建模的拟合精度，其平滑度也可以称为光滑度或光滑性或平滑性。
具体地，终端将获取到的月径流原始数据进行两次平滑处理，对月径流原始数据进行平滑处理，得到处理过后平滑度提升的月径流数据。
步骤106，根据月径流数据，进行数据建模处理，得到月径流灰色预报方程。
其中，月径流数据是月径流原始数据经过二次平滑处理得到的数据，数据建模处理是根据月径流数据建立模型方程的过程，月径流灰色预报方程是月径流数据建立的模型方程，月径流灰色预报方程可以通过模拟数据对月径流数据进行预测或预报。
具体地，终端根据月径流数据，对月径流数据进行数据建模处理，经过数据建模处理后得到建立的模型方程：月径流灰色预报方程。
步骤108，根据月径流灰色预报方程，进行月径流数据预测，得到月径流预测数据。
其中，月径流灰色预报方程是上述对月径流数据进行数据建模得到的方程，月径流数据预测预测的是未来的月径流数据，得到的月径流预测数据，进行月径流数据预测也可以是进行月径流数据预报，得到月径流预报数据。
具体地，终端根据月径流灰色预报方程，通过月径流灰色预报方程模拟月径流数据，对月径流数据进行预测，得到已知月径流原始数据之后的月径流预测数据。
上述月径流灰色预测方法中，获取月径流原始数据；对月径流原始数据进行二次平滑处理，得到处理后的月径流数据；通过二次平滑处理，消除了月径流初始数据的突变以及不平滑的数据，提高了月径流数据的精度，将月径流数据进行数据建模处理，得到月径流灰色预报方程；根据月径流灰色预报方程，进行月径流数据预测，得到月径流预测数据，通过二次平滑处理后的月径流数据进行建模处理，建立更为准确的月径流灰色预报方程，得到了误差较小的月径流预测数据，保证了模拟的月径流预测数据的预测精度。
在一个实施例中，如图2所示，步骤104，对月径流原始数据进行二次平滑处理，得到处理后的月径流数据包括：
步骤202，对月径流原始数据进行第一次平滑处理，得到月径流去季节数据。
其中，月径流原始数据具有季节性，季节性是指存在季节性波动，季节性会影响其后续数据建模的精度，第一次平滑处理是用于去除月径流原始数据的季节波动，第一次平滑处理基于季节指数对月径流原始数据去除季节波动，优选的是去季节法，去季节法也可以称为季节指数法或是季节指数平滑法，月径流去季节数据是指去除季节波动后的月径流数据，季节指数是基于月径流资料库中的月径流原始数据得到的。
具体地，终端对获取到的月径流原始数据进行第一次平滑处理，通过第一次平滑处理后，采用去季节法，终端基于季节指数对月径流原始数据去除了季节波动，得到了去除季节波动的月径流去季节数据。
步骤204，对月径流去季节数据进行第二次平滑处理，得到处理后的月径流数据。
在其中一个实施例中，为了使月径流数据更为平滑，对月径流进行第二次平滑处理，第二次平滑处理采用的是三点平滑法，三点平滑法又可以称为三点平滑处理，三点平滑法为加大待处理数据和前后数据联系的一种数据处理办法，具体地，终端对去除季节波动的月径流去季节数据进行第二次平滑处理，得到处理后的月径流数据，处理后的月径流数据是经过两次平滑处理提高了平滑度的数据，处理后的月径流数据可用于后续数据建模过程。
本实施例中，通过对月径流原始数据进行第一次平滑处理，得到月径流去季节数据；采用去季节法，去除了月径流原始数据的季节波动，提升了平滑度，对月径流去季节数据进行第二次平滑处理，得到处理后的月径流数据，通过二次平滑处理，消除了月径流初始数据的突变以及不平滑的数据，提高了月径流数据的精度。
在一个实施例中，如图3所示，步骤202，对月径流原始数据进行第一次平滑处理，得到月径流去季节数据包括：
步骤302，基于滑动平均法，得到月径流原始数据对应的月径流季节指数。
在其中一个实施例中，月径流原始数据具有季节性，存在季节性波动，周期为12个月，终端对月径流原始数据消除其季节性，终端采用滑动平滑法计算得到与月径流原始数据对应的月径流季节指数，具体地，首先，计算时间序列滑动平均值：假设原始观测数据为n，季节周期为N，则：
Figure BDA0002812513850000071
式中：(i＝1，2，3，…，n-N+1)
然后，计算中心滑动平均CMA：
Figure BDA0002812513850000072
再计算比例因子Ra：
Figure BDA0002812513850000073
接下来将序列中相同季节的比例因子乘以100后取平均值，得到季节数；
最后调整计算出季节数调整比例，令其和等于12×N，得到季节指数；上述方法中的N默认为偶数，如若N为奇数，则不需要进行计算中心滑动平均CMA直接进行下一步计算比例因子Ra的处理，通过上述方法得到相应的月径流季节指数。
步骤304，将月径流原始数据除以月径流季节指数，得到月径流去季节数据。
在其中一个实施例中，终端通过上述得到的月径流季节指数，对月径流原始数据进行去季节处理，将月径流原始数据除以其所在季节对应的月径流季节指数，得到月径流去季节数据，月径流去季节数据即为去季节波动的月径流数据。
本实施例中，通过对月径流原始数据进行第一次平滑处理，得到月径流去季节数据；去除了月径流原始数据的季节波动，提升了平滑度，保证了后续建模的精度。
在一个实施例中，如图4所示，步骤204，对月径流去季节数据进行第二次平滑处理，得到处理后的月径流数据包括：
步骤402，根据三点平滑法对月径流去季节数据中的两端数据和中间数据分别进行平滑处理，得到处理后的月径流数据。
在其中一个实施例中，三点平滑法通过重新赋予待处理数据和前后数据的权值，增加待处理数据的权重，减少数据的波动性，待处理数据在此处是指月径流去季节数据，前后数据是指月径流去季节数据的两端数据，引入三点平滑法对月径流去季节数据处理，对月径流去季节数据的突变点进行平滑处理，具体地，当月径流去季节数据为：
X(0)(k)＝{x(0)(1),x(0)(2),…,x(0)(n)}
对月径流去季节数据的两端数据平滑处理处理：
Figure BDA0002812513850000081
对月径流去季节数据的中间数据平滑处理：
Figure BDA0002812513850000082
其中，当月径流去季节数据整理为一个集合列的数据时，两端数据是指这段集合数据的开头和末尾的数据，具体地可以是取开头的两个数据和末尾的两个数据，可以但不限于是上述两端数据的取值方法，也可以设定为取其他数据，中间数据为取中间的数据，以最中间数据为例从两头延展取值，可以设定延展的数值，此处以取最中间数据的左右两边各一个数据为例，也可以设定取左右两边各延展几个相同的数据，但是，需要注意的是以最中间数据为基准进行左右两端数值的延展取值。
本实施例中，通过三点平滑法对月径流去季节数据中的两端数据和中间数据分别进行平滑处理，能够使数据更加平滑，通过二次平滑处理，消除了月径流初始数据的突变以及不平滑的数据，提高了月径流数据的精度，提高了后续模型的建模精度。
在一个实施例中，如图5所示，步骤106，根据月径流数据，进行数据建模处理，得到月径流灰色预报方程包括：
步骤502，根据灰色自记忆模型，对月径流数据进行数据建模处理，得到月径流灰色预报方程。
在其中一个实施例中，终端根据构建的灰色自记忆模型，对月径流数据进行数据建模处理，灰色自记忆模型是在灰色模型的基础上引入动力系统的自记忆模型，构建灰色自记忆模型，自然界中各种事件，有些内部结构全部已知，根据已知以此建立的模型(比如数学定理)，就是确定性模型。有些事件内部情况什么也不清楚，建立的模型就是黑箱模型。有些事件部分已知、部分未知，以此建立的模型就是灰色模型。
本实施例中，通过根据灰色自记忆模型，对月径流数据进行数据建模处理，得到月径流灰色预报方程，在灰色模型的基础上引入自记忆模型能够克服灰色模型对初始值的依赖性，提升灰色模型的精确性和稳定性，能够建立更为准确的月径流灰色预报方程，得到了误差较小的月径流预测数据，保证了模拟的月径流预测数据的预测精度。
在一个实施例中，如图6所示，步骤502，根据灰色自记忆模型，对月径流数据进行数据建模处理，得到月径流灰色预报方程包括：
步骤602，根据灰色模型函数，确定月径流数据对应的微分动力方程。
在其中一个实施例中，当一个系统具有层次、结构关系的模糊性，动态变化的随机性，指标数据的不完备或不确定性，则称这些特性为灰色性，具有灰色性的系统称为灰色系统，对灰色系统建立的预测模型称为灰色模型(Grey Model)，简称GM模型，它揭示了系统内部事物连续发展变化的过程，本实施例中，根据灰色模型构建的灰色模型函数，常用的以GM(1,1)模型函数为例，GM(1,1)模型函数为一阶单变量的灰色预测模型，月径流数据即为原始建模数据，假设原始建模数据构成的数据序列为：
X(0)(k)＝{x(0)(1),x(0)(2),…,x(0)(n)}
对X(0)进行一次累加生成1-AGO：
X(1)(k)＝{x(1)(1),x(1)(2),…,x(1)(n)}
式中：
Figure BDA0002812513850000101
生成相邻均值序列：
Figure BDA0002812513850000102
式中：z(1)(k)＝θx(1)(k)+(1-θ)x(1)(k+1)，θ一般取0.5。
建立白化微分方程：
Figure BDA0002812513850000103
式中：a为发展灰数，表示预测对象的变化趋势；u为内生控制灰数。
对应建立离散型灰色方程：
x(0)(k)+az(1)(k)＝u
令：
Figure BDA0002812513850000104
其中
Figure BDA0002812513850000105
Figure BDA0002812513850000106
式中a，u可运用最小二乘法进行求解：
[a,u]T＝(BTB)-1BTYn
通过上述数据建模，得到灰色模型函数。
步骤604，将自记忆函数引入微分动力方程，进行数据建模处理，得到月径流灰色预报方程。
在其中一个实施例中，自记忆函数是指一种能够记住上次计算结果的函数，将灰色GM(1,1)系统导出的微分方程作为动力方程：
dx(1)/dt＝F(x,t)＝-ax(1)+u
引入自记忆函数β(x)，根据灰色自记忆推导公式，求得p阶自记忆函数预测方程为：
Figure BDA0002812513850000111
式中：αi，βi为自记忆系数，αi＝(βi+1-βi)/βi，θi＝βi/βt，
Figure BDA0002812513850000112
F(x,t)＝axi+u
令：
Xt＝Yα+Fθ
式中：
Figure BDA0002812513850000113
令：M＝[Y,F]，W＝[α,θ]，则Xt＝MW
运用最小二乘法计算参数α，θ，公式如下：
Figure BDA0002812513850000114
终端通过计算处理求出矩阵W后，即可用
Figure BDA0002812513850000115
构建的月径流灰色预报方程进行月径流预测。
本实施例中，通过根据灰色自记忆模型，对月径流数据进行数据建模处理，得到月径流灰色预报方程，在灰色模型的基础上引入自记忆模型能够克服灰色模型对初始值的依赖性，提升灰色模型的精确性和稳定性，能够建立更为准确的月径流灰色预报方程，得到了误差较小的月径流预测数据，保证了模拟的月径流预测数据的预测精度。
在一个实施例中，如图7所示，根据月径流灰色预报方程，进行月径流数据预测，得到月径流预测数据之后，即步骤108之后还包括：
步骤702，获取与月径流预测数据对应的实际月径流数据。
在其中一个实施例中，当月径流资料库中更新了月径流原始数据，即此次预测的月径流数据，在月径流资料库中已经存在了相应的实际月径流数据时，即实际月径流数据已经为月径流历史数据时，终端从月径流资料库中获取与月径流预测数据对应的实际月径流数据。
步骤704，根据实际月径流数据与月径流预测数据之间的残差，得到残差概率分布。
在其中一个实施例中，终端采用后验差检验计算处理，根据实际月径流数据与月径流预测数据之间的残差，得到残差概率分布，后检查检验属于统计概率，是按照残差的概率分布进行检验的，设建模用的月径流实际数据为：
X(0)(k)＝{x(0)(1),x(0)(2),…,x(0)(n)}
根据GM(1,1)模型函数，建模求出的月径流实际数据，首先，终端通过方差计算处理得到月径流实际数据序列以及残差序列E的方差分别为S1和S2，然后，终端通过后验差比值计算处理得到后验差比值为：C＝S1/S2，最后，终端通过小误差概率计算处理得到小误差概率p。
步骤706，根据残差概率分布，对月径流预测数据进行精度分析，得到月径流灰色预报方程的精度。
在其中一个实施例中，根据相对误差、后验差比值(也称均方差比值)以及小误差概率对月径流灰色预报方程模拟的月径流预测数据进行精度分析，月径流灰色预报方程的精度评价包括四类：不合格、勉强合格、合格以及高，当精度不合格时，对月径流灰色预报方程进行修正和改进，使精度提升符合要求。
本实施例中，通过获取与月径流预测数据对应的实际月径流数据，根据实际月径流数据与月径流预测数据之间的残差，得到残差概率分布，，根据残差概率分布，对月径流预测数据进行精度分析，得到月径流灰色预报方程的精度，采用后验差检验法模型进行验证，相比去季节波动、三点平滑法等一次平滑方法，经验证后精度得到了提高，证明了通过二次平滑处理后的月径流数据进行建模处理，建立更为准确的月径流灰色预报方程，得到了误差较小的月径流预测数据，保证了模拟的月径流预测数据的预测精度。
在一个实施例中，如图8所示，提供了一种月径流灰色预测方法，包括以下步骤802至步骤810。
步骤802，获取月径流原始数据。
步骤804，根据基于季节指数的去季节波动法，得到月径流去季节数据。
步骤806，根据三点平滑法对月径流去季节数据中的两端数据和中间数据分别进行平滑处理，得到处理后的月径流数据。
步骤808，根据灰色自记忆模型，对月径流数据进行数据建模处理，得到月径流灰色预报方程。
步骤810，根据月径流灰色预报方程，进行月径流数据预测，得到月径流预测数据。
步骤812，根据后验差检验法对月径流预测数据进行精度验证。
在一个应用实例中，本申请还提供一种应用场景，该应用场景应用上述的月径流灰色预测方法。具体地，该月径流灰色预测方法在该应用场景的应用如下：
在其中一个实施例中，以炎陵县的月径流为例，炎陵县属亚热带季风湿润气候区，四季分明，日照充足，雨量集中。终端获取炎陵县的月径流相关资料，得到炎陵县最大降水年为1994年的2248mm，最小降水年为1963年的970mm，年际差达1278mm。终端获取炎陵县炎陵水文站1959-2015的年月径流资料(实测)得出月径流最大值为130m3/s，最小值为5.74m3/s，相差约23倍。根据月径流资料得出月径流存在突变、不平滑，平均流量较小，是典型的小流域特征。
在其中一个实施例中，如图9的月径流过程线图所示，图中横坐标为月平均流量，即为月径流量，纵坐标为数据的个数，月径流存在季节性波动，周期为12个月，终端用基于季节指数的去季节波动法对月径流原始数据进行处理。月径流原始数据最大值与最小值比例约23倍，图10为去除季节波动后月径流过程线图，经过去除季节波动后，得到月径流去季节数据，最大值与最小值比值约15倍，波动明显变缓。
在其中一个实施例中，如图11所示为月径流三点平滑法处理前后对比图，根据三点平滑法对月径流去季节数据中的两端数据和中间数据分别进行平滑处理，得到处理后的月径流数据，引入三点平滑法对去季节数据处理，对突变点进行平滑处理，结果表明三点平滑法在对数据进行平滑处理后，能最大限度减小与原始数据的误差，经计算误差约为15.7％，达到了使数据更加平滑，提高灰色自记忆模型精度的效果。
在其中一个实施例中，终端根据灰色自记忆模型，对月径流数据进行数据建模处理，具体地，根据灰色模型函数，确定月径流数据对应的微分动力方程，首先求解灰色GM(1,1)模型参数，求得a＝-0.000549，u＝0.2721，求得微分动力方程：F(x,t)＝-0.000549xi+0.2721u。
在其中一个实施例中，终端将自记忆函数引入微分动力方程，进行数据建模处理，经过验证，选择p＝10阶灰色自相关模型，经过最小二乘法计算，求得去季节波动平滑法的灰色自相关模型参数(月径流灰色预报方程)，
Figure BDA0002812513850000141
带入式
Figure BDA0002812513850000142
中，得到月径流灰色预报方程，对1959-2010年炎陵站月径流资料进行拟合，采用后验差检验法进行检验，对比不同数据平滑方法，检验结果如表1所示，结果表明去季节波动平滑法后进行月径流预报，模拟精度最高，去季节波动平滑法即为去季节波动法和三点平滑法的二次平滑处理方法，其平均相对误差15.39％，预报成果满足精度要求，其月径流模拟曲线如图12所示，图中横坐标月平均流量即为月径流，纵坐标为数据的个数，根据拟合结果得出，枯水期(1-4月、11-12月)平均相对误差约14％，汛期(5-10月)平均相对误差约16.7％，枯水期相对而言，预报精度较高。由于月径流灰色预报方程的模型使用三点平滑法对月径流数据进行平滑处理，并没有对数据再次进行修正，会损失部分极值变化点的预报精度，尤其在相邻月度数据存在急剧变化的情况下，预报精度难以保证，同时由于小流域流量数据很小，最小月径流量数据仅有5.74m3/s，有微小变动，误差就会急剧放大，从预报成果看，个别月份预报误差不满足精度要求。
表1拟合结果检验统计表
Figure BDA0002812513850000151
终端根据1959-2010年月径流资料中的月径流原始数据处理过后的月径流数据建立的灰色自相关模型，预报2011-2015年月平均流量，得到平均相对误差12.71％，月平均流量预报曲线较好的拟合实测月平均流量走势，对比图见图13，图中横坐标月平均流量即为月径流，纵坐标为数据的个数，2014-2015年实测与预报对比数据，见表2。从表2可以得出，灰色自相关模型预测月径流，径流总量基本与实测值相近，除个别月份误差较大外(个别月份误差大于20％，总体上是满足，可以使用)，大部分月份预报精度都满足要求(误差小于20％)。
表2 2014-2015年月平均流量实测值与预报值统计分析表
Figure BDA0002812513850000161
以炎陵水文站2011-2015年月径流数据为样本，以2011、2011-2012年、2011-2013年、2011-2014年为建模资料，统一用P＝3阶灰色自记忆模型进行拟合，并分别对2012-2015年、2013-2014年、2014-2015年、2015年数据进行预报。拟合情况检验统计和预报情况统计表见表3所示。
表3短缺资料拟合结果检验统计表
Figure BDA0002812513850000162
从表3可以看出，有2年及以上拟合资料，用去季节波动平滑法处理月径流数据，再用3阶灰色自记忆模型进行小流域地区月径流预报，预报平均误差在20％以内，满足水文预报规范要求。
本实施例中，通过获取月径流原始数据；对月径流原始数据进行二次平滑处理，得到处理后的月径流数据；通过二次平滑处理，消除了月径流初始数据的突变以及不平滑的数据，提高了月径流数据的精度，将月径流数据进行数据建模处理，得到月径流灰色预报方程；根据月径流灰色预报方程，进行月径流数据预测，得到月径流预测数据，并且对月径流预测数据进行了精度分析，去季节平滑后模拟和预测平均误差为15.5％，满足精度要求，其中枯水期预报精度更好，通过二次平滑处理后的月径流数据进行建模处理，建立更为准确的月径流灰色预报方程，得到了误差较小的月径流预测数据，保证了模拟的月径流预测数据的预测精度。
应该理解的是，虽然上述各流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图14所示，提供了一种月径流灰色预测装置，包括：数据获取模块1402、第一数据处理模块1404、第二数据处理模块1406和数据预测模块1408，其中：
数据获取模块1402，用于获取月径流原始数据；
第一数据处理模块1404，用于对月径流原始数据进行二次平滑处理，得到处理后的月径流数据；
第二数据处理模块1406，用于根据月径流数据，进行数据建模处理，得到月径流灰色预报方程；
数据预测模块1408，用于根据月径流灰色预报方程，进行月径流数据预测，得到月径流预测数据。
在其中一个实施例中，第一数据处理模块1404，还用于对月径流原始数据进行第一次平滑处理，得到月径流去季节数据；对月径流去季节数据进行第二次平滑处理，得到处理后的月径流数据。
在其中一个实施例中，第一数据处理模块1404，还用于基于滑动平均法，得到月径流原始数据对应的月径流季节指数；将月径流原始数据除以月径流季节指数，得到月径流去季节数据。
在其中一个实施例中，第一数据处理模块1404，还用于根据三点平滑法对月径流去季节数据中的两端数据和中间数据分别进行平滑处理，得到处理后的月径流数据。
在其中一个实施例中，第二数据处理模块1406，还用于根据灰色自记忆模型，对月径流数据进行数据建模处理，得到月径流灰色预报方程。
在其中一个实施例中，第二数据处理模块1406，还用于根据灰色模型函数，确定月径流数据对应的微分动力方程；将自记忆函数引入微分动力方程，进行数据建模处理，得到月径流灰色预报方程。
在其中一个实施例中，月径流灰色预测装置还包括数据验证模块，数据验证模块用于获取与月径流预测数据对应的实际月径流数据；根据实际月径流数据与月径流预测数据之间的残差，得到残差概率分布；根据残差概率分布，对月径流预测数据进行精度分析，得到月径流灰色预报方程的精度。
关于月径流灰色预测装置的具体限定可以参见上文中对于月径流灰色预测方法的限定，在此不再赘述。上述月径流灰色预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图15所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种月径流灰色预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图15中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种月径流灰色预测方法，其特征在于，所述方法包括：
获取月径流原始数据；
对所述月径流原始数据进行二次平滑处理，得到处理后的月径流数据；
根据所述月径流数据，进行数据建模处理，得到月径流灰色预报方程；
根据所述月径流灰色预报方程，进行月径流数据预测，得到月径流预测数据。
2.根据权利要求1所述的方法，其特征在于，所述对所述月径流原始数据进行二次平滑处理，得到处理后的月径流数据包括：
对所述月径流原始数据进行第一次平滑处理，得到月径流去季节数据；
对所述月径流去季节数据进行第二次平滑处理，得到处理后的月径流数据。
3.根据权利要求2所述的方法，其特征在于，所述对所述月径流原始数据进行第一次平滑处理，得到月径流去季节数据包括：
基于滑动平均法，得到所述月径流原始数据对应的月径流季节指数；
将所述月径流原始数据除以所述月径流季节指数，得到月径流去季节数据。
4.根据权利要求2所述的方法，其特征在于，所述对所述月径流去季节数据进行第二次平滑处理，得到处理后的月径流数据包括：
根据所述三点平滑法对所述月径流去季节数据中的两端数据和中间数据分别进行平滑处理，得到处理后的月径流数据。
5.根据权利要求1所述的方法，其特征在于，所述根据所述月径流数据，进行数据建模处理，得到月径流灰色预报方程包括：
根据灰色自记忆模型，对所述月径流数据进行数据建模处理，得到所述月径流灰色预报方程。
6.根据权利要求5所述的方法，其特征在于，所述灰色自记忆模型包括灰色模型和自记忆函数；
所述根据灰色自记忆模型，对所述月径流数据进行数据建模处理，得到所述月径流灰色预报方程包括：
根据所述灰色模型函数，确定所述月径流数据对应的微分动力方程；
将自记忆函数引入所述微分动力方程，进行数据建模处理，得到所述月径流灰色预报方程。
7.根据权利要求1所述的方法，其特征在于，所述根据所述月径流灰色预报方程，进行月径流数据预测，得到月径流预测数据之后，还包括：
获取与所述月径流预测数据对应的实际月径流数据；
根据所述实际月径流数据与所述月径流预测数据之间的残差，得到残差概率分布；
根据所述残差概率分布，对所述月径流预测数据进行精度分析，得到所述月径流灰色预报方程的精度。
8.一种月径流灰色预测装置，其特征在于，所述装置包括：
数据获取模块，用于获取月径流原始数据；
第一数据处理模块，用于对所述月径流原始数据进行二次平滑处理，得到处理后的月径流数据；
第二数据处理模块，用于根据所述月径流数据，进行数据建模处理，得到月径流灰色预报方程；
数据预测模块，用于根据所述月径流灰色预报方程，进行月径流数据预测，得到月径流预测数据。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202011390436.8A 2020-12-02 2020-12-02 月径流灰色预测方法、装置、计算机设备和存储介质 Pending CN112529274A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011390436.8A CN112529274A (zh) 2020-12-02 2020-12-02 月径流灰色预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011390436.8A CN112529274A (zh) 2020-12-02 2020-12-02 月径流灰色预测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN112529274A true CN112529274A (zh) 2021-03-19

Family

ID=74996202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011390436.8A Pending CN112529274A (zh) 2020-12-02 2020-12-02 月径流灰色预测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112529274A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103577895A (zh) * 2013-11-08 2014-02-12 河海大学 一种资料短缺情形下的二次耦合月径流预报方法
CN107274030A (zh) * 2017-06-23 2017-10-20 华中科技大学 基于水文变量年际和月变化特性的径流预报方法和系统
CN107480810A (zh) * 2017-07-21 2017-12-15 上海电力学院 一种利用季节指数改进二次指数平滑的月用电量预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103577895A (zh) * 2013-11-08 2014-02-12 河海大学 一种资料短缺情形下的二次耦合月径流预报方法
CN107274030A (zh) * 2017-06-23 2017-10-20 华中科技大学 基于水文变量年际和月变化特性的径流预报方法和系统
CN107480810A (zh) * 2017-07-21 2017-12-15 上海电力学院 一种利用季节指数改进二次指数平滑的月用电量预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
仲志余: "《三峡工程运用后长江中下游防洪技术研究》", 31 December 2011, 《长江出版社》, pages: 101 - 102 *
张晓伟;沈冰;黄领梅;: "基于BP神经网络的灰色自记忆径流预测模型", 水力发电学报, no. 01 *
段海妮等: ""基于灰色自记忆模型的城市月需水量预测"", 《干旱区地理》, vol. 34, no. 7, pages 591 - 594 *
牛勇;王震宇;王红军;孙毅;李欣;: "改进灰色模型在中长期电力负荷预测中的应用", 东北电力大学学报(自然科学版), no. 02 *
赵晓艳等: ""灰色模型GM(1, 1)的平滑改进及其应用"", 《东北电力大学学报》, vol. 26, no. 4, pages 63 - 66 *

Similar Documents

Publication Publication Date Title
CN109902801B (zh) 一种基于变分推理贝叶斯神经网络的洪水集合预报方法
Ganji et al. Advance first order second moment (AFOSM) method for single reservoir operation reliability analysis: a case study
CN111144644A (zh) 基于变分异方差高斯过程回归的短期风速预测方法
Lu et al. Application of profile likelihood function to the uncertainty analysis of hydrometeorological extreme inference
Kazemi et al. Assessing temporal data partitioning scenarios for estimating reference evapotranspiration with machine learning techniques in arid regions
Lu et al. Detecting the impact of climate and reservoirs on extreme floods using nonstationary frequency models
Su et al. Dam structural behavior identification and prediction by using variable dimension fractal model and iterated function system
Rwasoka et al. Calibration, validation, parameter indentifiability and uncertainty analysis of a 2–parameter parsimonious monthly rainfall-runoff model in two catchments in Zimbabwe
CN108205713A (zh) 一种区域风电功率预测误差分布确定方法和装置
CN115796351A (zh) 基于变分模态分解和微波衰减的降雨短临预测方法及装置
CN108694472B (zh) 预测误差极值分析方法、装置、计算机设备和存储介质
CN111859303B (zh) 基于动态贝叶斯平均的土壤湿度融合方法及系统
CN112100711B (zh) 一种基于arima和pso-elm的混凝土坝变形组合预报模型构建方法
CN114168574A (zh) 一种面向工业负荷的数据缺失处理方法及装置
Kuang et al. Comparison of first-order and second-order derived moment approaches in estimating annual runoff distribution
Wang et al. Prediction of water quality in South to North Water Transfer Project of China based on GA-optimized general regression neural network
CN109540089A (zh) 一种基于贝叶斯-克里金模型的桥面高程拟合方法
CN117114190A (zh) 一种基于混合深度学习的河道径流预测方法及设备
CN112257958A (zh) 一种电力饱和负荷预测方法及装置
CN111651427A (zh) 一种基于gamlss模型的非一致性水文频率计算方法
CN116822743A (zh) 一种基于两阶段分解重构与误差校正的风电功率预测方法
CN114564487B (zh) 预报预测相结合的气象栅格数据更新方法
CN112529274A (zh) 月径流灰色预测方法、装置、计算机设备和存储介质
CN114363004B (zh) 风险评估方法、装置、计算机设备和存储介质
CN113723006B (zh) 一种基于ls-svm的单台站地球变化磁场建模预测方法及系统

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