CN113159224A - 一种径流预报模型构建方法、装置、电子设备和介质 - Google Patents
一种径流预报模型构建方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113159224A CN113159224A CN202110533450.7A CN202110533450A CN113159224A CN 113159224 A CN113159224 A CN 113159224A CN 202110533450 A CN202110533450 A CN 202110533450A CN 113159224 A CN113159224 A CN 113159224A
- Authority
- CN
- China
- Prior art keywords
- probability
- sequence
- sequences
- target
- error
- 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
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
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- 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
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Hydrology & Water Resources (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于水文分析技术领域,具体涉及一种径流预报模型构建方法、装置、电子设备和介质;其中方法包括:获取目标流域的历史水文序列和用于拟合目标流域水文分布情况的目标分布函数;将所述历史水文序列代入所述目标分布函数,以获得第一概率序列;根据所述第一概率序列,获得概率预测模型、第二概率序列以及预测误差序列;根据误差阈值序列和所述预测误差序列,生成误差概率关联函数;根据所述目标分布函数的反函数、所述概率预测模型和所述误差概率关联函数生成用于预测目标流域的水文情况的径流预报模型。本申请提供的预报模型构建方法通过目标分布函数,概率预测模型以及误差概率关联函数的相互配合,能使所述径流预报模型具备较高精度。
Description
技术领域
本申请属于水文分析技术领域,具体涉及一种径流预报模型构建方法、装置、电子设备和介质。
背景技术
近年来,由于人类活动对下垫面及蒸/散发、下渗、径流等水文要素的影响加剧,使得部分地区的产流量减少,降水径流关系发生变化。
传统的中长期水文预报方法虽然是基于历史水文序列(多指径流量),构建水文预报模型来进行预报工作,但其前提条件是假定所述历史水文序列满足独立性、平稳性、一致性等要求。就目前来说,随着时间推移,部分流域的历史水文序列不再满足平稳性和一致性要求,若仍通过传统的中长期径流预报方法来构建水文预报模型,则会使得所构建的径流预报模型的精度较差。
发明内容
本申请实施例提供一种径流预报模型构建方法、装置、电子设备和介质,用于改善传统的水文预报模型的精度较差的问题。
第一方面,本申请实施例提供一种径流预报模型构建方法,包括:
获取目标流域的历史水文序列和用于拟合目标流域水文分布情况的目标分布函数;
将所述历史水文序列代入所述目标分布函数,以获得所述历史水文序列的第一概率序列;
根据所述第一概率序列,获得概率预测模型以及所述历史水文序列的第二概率序列,所述概率预测模型用于预测目标流域的水文情况的概率;
根据所述第一概率序列和所述第二概率序列,获得预测误差序列,所述预测误差序列用于表示第一概率与第二概率的差异程度;其中,所述第一概率属于所述第一概率序列,所述第二概率属于所述第二概率序列,所述第一概率和所述第二概率对应于同一历史水文数据,所述历史水文数据属于所述历史水文序列;
根据误差阈值序列和所述预测误差序列,生成误差概率关联函数,所述误差概率关联函数用于表示目标元素在所述预测误差序列中的比例,所述目标元素为大于或等于误差阈值的预测误差,所述预测误差属于所述预测误差序列,所述误差阈值属于所述误差阈值序列;
根据所述目标分布函数的反函数、所述概率预测模型和所述误差概率关联函数生成预报模型,所述预报模型用于预测目标流域的水文情况。
第二方面,本申请实施例提供一种径流预报模型构建装置,包括:
第一获取模块,用于获取目标流域的历史水文序列;
第二获取模块,用于获取用于拟合目标流域水文分布情况的目标分布函数,并将所述历史水文序列代入所述目标分布函数,以获得所述历史水文序列的第一概率序列;
第三获取模块,用于根据所述第一概率序列,获得概率预测模型以及所述历史水文序列的第二概率序列,所述概率预测模型用于预测目标流域水文情况的概率;
第四获取模块,用于根据所述第一概率序列和所述第二概率序列,获得预测误差序列,所述预测误差序列用于表示第一概率与第二概率的差异程度;其中,所述第一概率属于所述第一概率序列,所述第二概率属于所述第二概率序列,所述第一概率和所述第二概率对应于同一历史水文数据,所述历史水文数据属于所述历史水文序列;
并根据误差阈值序列和所述预测误差序列,生成误差概率关联函数,所述误差概率关联函数用于表示目标元素在所述预测误差序列中的比例,所述目标元素为大于或等于误差阈值的预测误差,所述预测误差属于所述预测误差序列,所述误差阈值属于所述误差阈值序列;
建模模块,用于根据所述目标分布函数的反函数、所述概率预测模型和所述误差概率关联函数生成预报模型,所述预报模型用于预测目标流域在未来某一时间节点的水文情况。
第三方面,本申请实施例提供一种电子设备,包括:
处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如上第一方面所述的径流预报模型构建方法中的步骤。
第四方面,本申请实施例提供一种可读存储介质,所述可读存储介质上存储有程序或指令,所述程序或指令被处理器执行时实现如上第一方面所述的径流预报模型构建方法中的步骤。
本申请实施例提供的技术方案中,径流预报模型构建方法通过目标分布函数,概率预测模型以及误差概率关联函数的相互配合,来提高用于预测目标流域的水文情况的径流预报模型的精度。
附图说明
图1是本申请实施例提供的一种径流预报模型构建方法的流程图;
图2是本申请实施例提供的一种径流预报模型构建装置的结构示意图;
图3是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。
请参见图1,图1是本申请实施例提供的一种径流预报模型构建方法的流程图,该方法可以由一种径流预报模型构建装置来执行,该径流预报模型构建装置可由硬件和/或软件组成,并一般可集成在具备径流预报模型构建功能的设备中,该设备可以是服务器、移动终端或服务器集群等电子设备。如图1所示,该径流预报模型构建方法包括以下步骤:
步骤101、获取目标流域的历史水文序列和用于拟合目标流域水文分布情况的目标分布函数。
步骤102、将所述历史水文序列代入所述目标分布函数,以获得所述历史水文序列的第一概率序列。
步骤103、根据所述第一概率序列,获得概率预测模型以及所述历史水文序列的第二概率序列。
其中,所述概率预测模型用于预测目标流域的水文情况的概率。
步骤104、根据所述第一概率序列和所述第二概率序列,获得预测误差序列。
其中,所述预测误差序列用于表示第一概率与第二概率的差异程度;所述第一概率属于所述第一概率序列,所述第二概率属于所述第二概率序列,所述第一概率和所述第二概率对应于同一历史水文数据,所述历史水文数据属于所述历史水文序列。
步骤105、根据误差阈值序列和所述预测误差序列,生成误差概率关联函数。
其中,所述误差概率关联函数用于表示目标元素在所述预测误差序列中的比例,所述目标元素为大于或等于误差阈值的预测误差,所述预测误差属于所述预测误差序列,所述误差阈值属于所述误差阈值序列。
步骤106、根据所述目标分布函数的反函数、所述概率预测模型和所述误差概率关联函数生成预报模型。
其中,所述预报模型用于预测目标流域在未来某一时间节点的水文情况。
近年来,受人类活动(如兴建水库、进行工农业生产、开采地下水以及推动城市化进程等)的影响,中国北方地区降水径流关系发生明显变化,海河、黄河等流域水资源显著衰减,有资料表明,对比1956-2000年与2001-2018年两个时期,海河区后一时期平均降水量比前一时期减少4.7%,天然河川径流量却减少38.4%;黄河区后一时期平均降水量比前一时期增加3.6%,天然河川径流量却减少10.1%。
传统的中长期水文预报方法虽然是基于历史水文序列,构建水文预报模型来进行预报工作,但其前提条件是假定所述历史水文序列满足独立性、平稳性、一致性等要求。可如上所述,受人类活动的影响,如海河、黄河等流域的历史水文序列不再满足平稳性和一致性要求,若仍通过传统的中长期水文预报方法来构建水文预报模型,则会导致所构建得到的水文预报模型的精度较差。
而本申请提供的径流预报模型构建方法,先通过目标分布函数来拟合目标流域的水文分布情况,并获得对应历史水文序列的第一概率序列;再基于所述第一概率序列获得概率预测模型以及对应历史水文序列的第二概率序列;而后基于预设的误差阈值序列对所述概率预测模型的误差情况进行统计,并相应生成误差概率关联函数;最后根据所述目标分布函数的反函数、所述概率预测模型和所述误差概率关联函数生成预报模型。
由于本申请提供的所述径流预报模型构建方法,通过拟合分布、模型预测以及误差统计等多种方式的结合,可以对不满足平稳性和一致性要求的历史水文序列进行充分处理,因此能使最终生成的所述预报模型具备较好的预测精度。
所述径流预报模型在应用过程中,需要先根据所述概率预测模型获得所述目标分布函数(带有时变参数)在目标时间节点(即所要预测的某一未来时间节点)的预测概率数据;再根据指定的目标概率和所述误差概率关联函数,获得所述预测概率数据对应于所述目标概率的第一目标误差阈值;而后根据所述第一目标误差阈值、所述预测概率数据以及所述目标分布函数的反函数计算出第一预测水文数据,此时便可以认定,目标流域在目标时间节点的实际水文数据小于或等于所述预测水文数据的概率为所述目标概率。
举例说明为:
假定所述目标时间节点为2023年1月,所述目标分布函数为F(xt|θ(t)),所述θ(t)用于指示所述目标分布函数中的时变参数,所述xt用于指示所述历史水文序列,根据所述概率预测模型获得所述目标分布函数在2023年1月的预测概率数据为v0,所述指定的目标概率为α,所述对应于所述目标概率的第一目标误差阈值(基于误差概率关联函数得到)为dα1,目标流域在2023年1月的第一预测水文数据为y1,则第一预测水文数据y1可通过如下公式计算得到:
此时,可以认定目标流域在2023年1月的实际水文数据小于或等于第一预测水文数据y1的概率为α。
另外,所述差异程度用于表示概率差和所述第一概率的比值,所述概率差用于表示所述第二概率和所述第一概率的差。
举例说明为:
假定所述历史水文序列为xt(t=1,2,…,n),所述第一概率序列为ut(t=1,2,…,n),所述第二概率序列为vt(t=1,2,…,n),所述预测误差序列为Dt(t=1,2,…,n),则所述预测误差序列的具体表示如下:
其中,所述t用于表示所述历史水文序列所在历史期的时间序号,所述n用于表示所述历史水文序列所在历史期所包括的单位时间的总数目(假定所述历史水文序列所在历史期为2008-2010年,其单位时间设定为月尺度,则所述n的取值为36,且所述t的取值为1时,则表示2008年1月的时间节点,后续依此类推),需要强调的是,在实际应用中,所述单位时间(如月尺度、旬尺度、周尺度、日尺度等)和所述选取历史期的时间长度(3年、5年、7年等),可基于实际需求进行适应性调整,本申请对此并不加以限定。
另外,如上所述,所述历史水文序列为xt(t=1,2,…,n),所述目标分布函数为F(xt|θ(t)),因此所述第一概率序列的计算公式可以为:
ut=F(xt|θ(t))
至于所述误差概率关联函数的定义和应用,则可以举例说明为:
假定所述预测误差序列仍为Dt(t=1,2,…,n),所述t和n的定义参见上述示例,所述误差阈值序列为dk(k=1,2,…,m),所述误差概率关联函数为Fd(dk)。
其中,所述k用于表示所述误差阈值序列中某一元素的序号,所述m用于表示所述误差阈值序列中的元素总数目。
Fd(d1)用于表示Dt中大于或等于d1的元素在Dt中的比例,Fd(d2)用于表示Dt中大于或等于d2的元素在Dt中的比例,后续依此类推。
在应用过程中,若给定某一概率或比例(如上述示例中的目标概率),则根据所述误差概率关联函数可获得其所对应的某一误差阈值(如上述示例中的目标误差阈值);另外,所述误差概率关联函数除了可以通过公式表现外,还可以通过折线图(其纵坐标为所述误差阈值,其横坐标为所述预测误差序列Dt中大于或等于该误差阈值的元素在整个序列Dt所占比例)的形式进行表现,本申请实施例对所述误差概率关联函数的具体表现形式并不加以限定。
需要说明的是,在实际应用中,基于本申请提供的径流预报模型构建方法而生成的径流预报模型,可以相应提供给目标流域所属的水文预报部门,以使水文预报部门可以获得并传播目标流域在未来某一特定时间节点的水文数据。
可选的,所述根据误差阈值序列和所述预测误差序列,生成误差概率关联函数的步骤,包括:
对所述第二概率序列进行聚类处理,以获得多个相互独立的数据簇。
根据多个数据簇和所述预测误差序列,获得多个簇预测误差序列。
其中,所述多个簇预测误差序列与所述多个数据簇一一对应。
根据所述多个簇预测误差序列和所述误差阈值序列,分别生成多个簇关联函数。
其中,所述多个簇关联函数与所述多个数据簇一一对应,所述簇关联函数用于表示簇目标元素在所述簇预测误差序列中的比例,所述簇目标元素为大于或等于误差阈值的簇预测误差,所述簇预测误差属于所述簇预测误差序列。
所述根据所述目标分布函数的反函数、所述概率预测模型和所述误差概率关联函数生成径流预报模型的步骤包括:根据所述目标分布函数的反函数、所述概率预测模型以及所述多个簇关联函数,生成所述径流预报模型。
在实际应用中,可以通过聚类算法对所述第二概率序列进行聚类处理,以获得多个相互独立的数据簇,其具体聚类过程可以为:
假定所述第二概率序列仍为vt(t=1,2,…,n),所述t和n的定义参见上述示例;另设定所述数据簇为Bi(i=1,2,…,l),其中,所述i用于表示某一数据簇在多个数据簇中的唯一序号,所述l用于表示所述多个相互独立的数据簇的总数目,所述l为大于等于2且小于等于5的正整数。
从所述第二概率序列vt(t=1,2,…,n)中随机确定l个元素,并以所确定的l个元素作为簇心分别构建多个相互独立的数据簇B1、B2、…、Bl。
对所述第二概率序列vt(t=1,2,…,n)中的元素进行遍历,在遍历过程中,每从所述第二概率序列vt(t=1,2,…,n)中取出一个元素x,则根据预设的距离公式确定该元素x所归属数据簇,并将该元素x放入其所归属的数据簇中,同时重新计算该元素x所归属数据簇的均值。
所述距离公式表示如下:
E=(||x-ui||)2
其中,所述E用于表示元素x与某一数据簇Bi的距离,所述ui用于表示数据簇Bi的均值,当所述元素x的E的取值最小时,则表示所述元素x归属于令E的取值最小的均值所对应的数据簇。
在完成上述遍历后,便最终获得了所述多个相互独立的数据簇。
需要说明的是,上述聚类过程除了可以通过K-Means算法完成外,也可以通过二分K均值算法或K-Means++算法完成,还可以通过其他聚类算法完成,本申请实施例对上述聚类处理所应用的具体聚类算法并不加以限定。
获取所述多个簇关联函数的生成过程可以举例说明为:
假定所述误差阈值序列仍为dk(k=1,2,…,m),假定所述预测误差序列仍为Dt(t=1,2,…,n),假定所述数据簇为Bi(i=1,2,…,l),假定所述第二概率序列仍为vt(t=1,2,…,n),则对每一个误差阈值dk来说,将Dt中元素按其数值大小分为Dt≥dk和Dt<dk两类,并分别记作A1和A2,计算出Dt≥dk和Dt<dk的概率分别为Pk(A1)和Pk(A2)。
之后,计算出A1类和A2类中vt∈Bi(i=1,2,…,l)的概率密度fk(Bi|A1)和fk(Bi|A2)。
接着,根据贝叶斯公式以及上述两个概率密度式求得后验概率式Pk(A1|Bi)。
最后,根据所述后验概率式Pk(A1|Bi)以及所述误差阈值序列即可获得多个簇关联函数,其优选的表现形式为折线图,此时折线图中的横坐标用于指示所述后验概率式Pk(A1|Bi),而折线图中的纵坐标用于指示该后验概率式所对应的某一误差阈值。
需要说明的是,在实际应用中,所述折线图中应存在有l条折线,每一折线即代表一数据簇。
通过上述聚类处理的过程,将所述第二概率序列分割为多个相互独立的数据簇,并基于每一数据簇获得其所对应的簇预测误差序列和簇关联函数;由于第二概率序列的数据得到了进一步区分(指分为多个相互独立的数据簇),因此能使最终生成的所述径流预报模型的精度得到进一步提升。
需要说明的是,根据所述目标分布函数的反函数、所述概率预测模型以及所述多个簇关联函数生成的所述径流预报模型在应用时,需要先根据所述概率预测模型获得所述目标分布函数在目标时间节点(即所要预测的某一未来时间节点)的预测概率数据,再确定所述预测概率数据所归属的目标数据簇;之后根据指定的目标概率和所述目标数据簇对应的簇关联函数,获得所述预测概率数据对应于所述目标概率的第二目标误差阈值;而后根据所述第二目标误差阈值、所述预测概率数据以及诉讼目标分布函数的反函数计算出第二预测水文数据,此时便可以认定,目标流域在目标时间节点的实际水文数据小于或等于所述第二预测水文数据的概率为所述目标概率。
举例说明为:
假定所述目标时间节点仍为2023年1月,所述目标分布函数仍为F(xt|θ(t)),根据所述概率预测模型获得所述目标分布函数在2023年1月的预测概率数据仍为v0,所述指定的目标概率仍为α,所述对应于所述目标概率的第二目标误差阈值为dα2(基于簇关联函数得到),目标流域在2023年1月的第二预测水文数据为y2,则第二预测水文数据y2可通过如下公式计算得到:
此时,可以认定目标流域在2023年1月的实际水文数据小于或等于第二预测水文数据y2的概率为α。
可选的,所述根据所述第一概率序列,获得概率预测模型的步骤,包括:
获取多个备选气象序列,所述多个备选气象序列分别表示目标流域在历史期的多个备选气象因子的分布情况。
根据所述第一概率序列和所述多个备选气象序列,获得多个关联指数,所述多个关联指数与所述多个备选气象序列一一对应,所述关联指数为所述备选气象序列与所述第一概率序列的相关系数。
根据所述多个备选气象序列获得所述多个气象影响序列,所述气象影响序列用于表示关联指数大于关联阈值的所述备选气象序列。
根据所述多个气象影响序列和所述第一概率序列,获得所述概率预测模型。
所述关联指数优选为所述备选气象序列与所述第一概率序列的秩相关系数,所述概率预测模型优选为BP神经网络模型,所述多个备选气象因子可以为目标流域的降雨量、北太平洋海温资料、北半球100hPa平均高度场、北半球500hPa平均高度场等。
可选的,所述获取目标流域的历史水文序列和用于拟合目标流域水文分布情况的目标分布函数的步骤,包括:
获取历史水文序列。
利用多个带时变参数的备选分布对所述历史水文序列进行拟合,以分别获得多个分布极值数据和多个函数自由度,所述多个分布极值数据与所述多个备选分布一一对应,所述多个函数自由度与所述多个备选分布一一对应。
利用评价函数对每一备选分布的分布极值数据和函数自由度进行处理,以获得多个评价指标,所述多个评价指标与所述多个备选分布一一对应。
根据所述多个评价指标,获得所述目标分布函数。
进一步的,所述利用多个带时变参数的备选分布对所述历史水文序列进行拟合,以分别获得多个分布极值数据的步骤,包括:
利用多个带时变参数的备选分布对所述历史水文序列进行拟合,以分别获得多个概率密度函数,所述多个概率密度函数与所述多个备选分布一一对应。
对所述多个概率密度函数进行极大似然估计,以分别获得所述多个分布极值数据。
举例说明为:
假定所述多个备选分布中的某一备选分布为Mj(j=1,2,…,s),其中,所述j用于表示某一备选分布在所述多个备选分布中的唯一序号,所述s用于表示所述多个备选分布的总数目。
仍设定所述历史水文序列为xt(t=1,2,…,n),并假定对于某一备选分布Mj来说,对所述历史水文序列xt(t=1,2,…,n)进行拟合后获得的对应的概率密度函数为f(xt|θj(t))。这其中,所述θj(t)用于表示某一备选分布Mj中的时变参数(如位置参数、尺度参数和形状参数等),所述θj(t)优选为所述t的三次样条函数。
设定所述评价函数为:其中,所述p用于代表惩罚函数,所述dfj用于表示某一备选分布所对应的函数自由度,所述EIj用于表示某一备选分布所对应的评价指标,所述目标分布函数为所对应评价指标最小的备选分布函数。
需要说明的是,在实际应用中,所述多个带时变参数的备选分布可以为韦布尔分布、耿贝尔分布、对数正态分布、伽马分布等,但不以此为限。
请参照图2,图2是本申请一些实施例中的一种径流预报模型构建装置的结构示意图,该径流预报模型构建装置,包括:
第一获取模块201,用于获取目标流域的历史水文序列。
第二获取模块202,用于获取用于拟合目标流域水文分布情况的目标分布函数,并将所述历史水文序列代入所述目标分布函数,以获得所述历史水文序列的第一概率序列。
第三获取模块203,用于根据所述第一概率序列,获得概率预测模型以及所述历史水文序列的第二概率序列,所述概率预测模型用于预测目标流域水文情况的概率。
第四获取模块204,用于根据所述第一概率序列和所述第二概率序列,获得预测误差序列,所述预测误差序列用于表示第一概率与第二概率的差异程度;其中,所述第一概率属于所述第一概率序列,所述第二概率属于所述第二概率序列,所述第一概率和所述第二概率对应于同一历史水文数据,所述历史水文数据属于所述历史水文序列;
并根据误差阈值序列和所述预测误差序列,生成误差概率关联函数,所述误差概率关联函数用于表示目标元素在所述预测误差序列中的比例,所述目标元素为大于或等于误差阈值的预测误差,所述预测误差属于所述预测误差序列,所述误差阈值属于所述误差阈值序列。
建模模块205,用于根据所述目标分布函数的反函数、所述概率预测模型和所述误差概率关联函数生成径流预报模型,所述径流预报模型用于预测目标流域在未来某一时间节点的水文情况。
可选的,所述第四获取模块204包括聚类子模块,所述聚类子模块用于:
对所述第二概率序列进行聚类处理,以获得多个相互独立的数据簇;
根据多个数据簇和所述预测误差序列,获得多个簇预测误差序列,所述多个簇预测误差序列与所述多个数据簇一一对应;
根据所述多个簇预测误差序列和所述误差阈值序列,分别生成多个簇关联函数,所述多个簇关联函数与所述多个数据簇一一对应,所述簇关联函数用于表示簇目标元素在所述簇预测误差序列中的比例,所述簇目标元素为大于或等于误差阈值的簇预测误差,所述簇预测误差属于所述簇预测误差序列;
所述建模模块用于:根据所述目标分布函数的反函数、所述概率预测模型以及所述多个簇关联函数,生成所述径流预报模型。
可选的,所述第三获取模块203包括筛分子模块,所述筛分子模块用于:
获取多个备选气象序列,所述多个备选气象序列分别表示目标流域在历史期的多个备选气象因子的分布情况;
根据所述第一概率序列和所述多个备选气象序列,获得多个关联指数,所述多个关联指数与所述多个备选气象序列一一对应,所述关联指数为所述备选气象序列与所述第一概率序列的相关系数;
根据所述多个备选气象序列获得所述多个气象影响序列,所述气象影响序列用于表示关联指数大于关联阈值的所述备选气象序列;
根据所述多个气象影响序列和所述第一概率序列,获得所述概率预测模型。可选的,所述第二获取模块202包括拟合子模块,所述拟合子模块用于:
获取历史水文序列;
利用多个带时变参数的备选分布对所述历史水文序列进行拟合,以分别获得多个分布极值数据和多个函数自由度,所述多个分布极值数据与所述多个备选分布一一对应,所述多个函数自由度与所述多个备选分布一一对应;
利用评价函数对每一备选分布的分布极值数据和函数自由度进行处理,以获得多个评价指标,所述多个评价指标与所述多个备选分布一一对应;
根据所述多个评价指标,获得所述目标分布函数。
进一步的,所述拟合子模块具体用于:
利用多个带时变参数的备选分布对所述历史水文序列进行拟合,以分别获得多个概率密度函数,所述多个概率密度函数与所述多个备选分布一一对应;
对所述多个概率密度函数进行极大似然估计,以分别获得所述多个分布极值数据。
本申请实施例提供的径流预报模型构建装置能够实现图1所示的方法实施例中径流预报模型构建方法的各个过程,为避免重复,这里不再赘述。
需要说明的是,本申请实施例中的径流预报模型构建装置可以是装置,也可以是电子设备中的部件、集成电路或芯片。
请参见图3,图3是本申请实施例提供的一种电子设备的结构图,如图3所示,电子设备300包括:存储器301、处理器302及存储在所述存储器301上并可在所述处理器302上运行的程序或者指令,所述程序或者指令被所述处理器302执行时实现上述径流预报模型构建方法中的步骤。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述径流预报模型构建方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (10)
1.一种径流预报模型构建方法,其特征在于,所述方法包括:
获取目标流域的历史水文序列和用于拟合目标流域水文分布情况的目标分布函数;
将所述历史水文序列代入所述目标分布函数,以获得所述历史水文序列的第一概率序列;
根据所述第一概率序列,获得概率预测模型以及所述历史水文序列的第二概率序列,所述概率预测模型用于预测目标流域的水文情况的概率;
根据所述第一概率序列和所述第二概率序列,获得预测误差序列,所述预测误差序列用于表示第一概率与第二概率的差异程度;其中,所述第一概率属于所述第一概率序列,所述第二概率属于所述第二概率序列,所述第一概率和所述第二概率对应于同一历史水文数据,所述历史水文数据属于所述历史水文序列;
根据误差阈值序列和所述预测误差序列,生成误差概率关联函数,所述误差概率关联函数用于表示目标元素在所述预测误差序列中的比例,所述目标元素为大于或等于误差阈值的预测误差,所述预测误差属于所述预测误差序列,所述误差阈值属于所述误差阈值序列;
根据所述目标分布函数的反函数、所述概率预测模型和所述误差概率关联函数生成预报模型,所述预报模型用于预测目标流域的水文情况。
2.根据权利要求1所述的径流预报模型构建方法,其特征在于,所述根据误差阈值序列和所述预测误差序列,生成误差概率关联函数的步骤,包括:
对所述第二概率序列进行聚类处理,以获得多个相互独立的数据簇;
根据多个数据簇和所述预测误差序列,获得多个簇预测误差序列,所述多个簇预测误差序列与所述多个数据簇一一对应;
根据所述多个簇预测误差序列和所述误差阈值序列,分别生成多个簇关联函数,所述多个簇关联函数与所述多个数据簇一一对应,所述簇关联函数用于表示簇目标元素在所述簇预测误差序列中的比例,所述簇目标元素为大于或等于误差阈值的簇预测误差,所述簇预测误差属于所述簇预测误差序列;
所述根据所述目标分布函数的反函数、所述概率预测模型和所述误差概率关联函数生成预报模型的步骤包括:根据所述目标分布函数的反函数、所述概率预测模型以及所述多个簇关联函数,生成所述预报模型。
3.根据权利要求1所述的径流预报模型构建方法,其特征在于,所述根据所述第一概率序列,获得概率预测模型的步骤,包括:
获取多个备选气象序列,所述多个备选气象序列分别表示目标流域在历史期的多个备选气象因子的分布情况;
根据所述第一概率序列和所述多个备选气象序列,获得多个关联指数,所述多个关联指数与所述多个备选气象序列一一对应,所述关联指数为所述备选气象序列与所述第一概率序列的相关系数;
根据所述多个备选气象序列获得所述多个气象影响序列,所述气象影响序列用于表示关联指数大于关联阈值的所述备选气象序列;
根据所述多个气象影响序列和所述第一概率序列,获得所述概率预测模型。
4.根据权利要求1所述的径流预报模型构建方法,其特征在于,所述获取目标流域的历史水文序列和用于拟合目标流域水文分布情况的目标分布函数的步骤,包括:
获取历史水文序列;
利用多个带时变参数的备选分布对所述历史水文序列进行拟合,以分别获得多个分布极值数据和多个函数自由度,所述多个分布极值数据与所述多个备选分布一一对应,所述多个函数自由度与所述多个备选分布一一对应;
利用评价函数对每一备选分布的分布极值数据和函数自由度进行处理,以获得多个评价指标,所述多个评价指标与所述多个备选分布一一对应;
根据所述多个评价指标,获得所述目标分布函数。
5.根据权利要求4所述的径流预报模型构建方法,其特征在于,所述利用多个带时变参数的备选分布对所述历史水文序列进行拟合,以分别获得多个分布极值数据的步骤,包括:
利用多个带时变参数的备选分布对所述历史水文序列进行拟合,以分别获得多个概率密度函数,所述多个概率密度函数与所述多个备选分布一一对应;
对所述多个概率密度函数进行极大似然估计,以分别获得所述多个分布极值数据。
6.一种径流预报模型构建装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标流域的历史水文序列;
第二获取模块,用于获取用于拟合目标流域水文分布情况的目标分布函数,并将所述历史水文序列代入所述目标分布函数,以获得所述历史水文序列的第一概率序列;
第三获取模块,用于根据所述第一概率序列,获得概率预测模型以及所述历史水文序列的第二概率序列,所述概率预测模型用于预测目标流域水文情况的概率;
第四获取模块,用于根据所述第一概率序列和所述第二概率序列,获得预测误差序列,所述预测误差序列用于表示第一概率与第二概率的差异程度;其中,所述第一概率属于所述第一概率序列,所述第二概率属于所述第二概率序列,所述第一概率和所述第二概率对应于同一历史水文数据,所述历史水文数据属于所述历史水文序列;
并根据误差阈值序列和所述预测误差序列,生成误差概率关联函数,所述误差概率关联函数用于表示目标元素在所述预测误差序列中的比例,所述目标元素为大于或等于误差阈值的预测误差,所述预测误差属于所述预测误差序列,所述误差阈值属于所述误差阈值序列;
建模模块,用于根据所述目标分布函数的反函数、所述概率预测模型和所述误差概率关联函数生成预报模型,所述预报模型用于预测目标流域在未来某一时间节点的水文情况。
7.根据权利要求6所述的径流预报模型构建装置,其特征在于,所述第四获取模块包括聚类子模块,所述聚类子模块用于:
对所述第二概率序列进行聚类处理,以获得多个相互独立的数据簇;
根据多个数据簇和所述预测误差序列,获得多个簇预测误差序列,所述多个簇预测误差序列与所述多个数据簇一一对应;
根据所述多个簇预测误差序列和所述误差阈值序列,分别生成多个簇关联函数,所述多个簇关联函数与所述多个数据簇一一对应,所述簇关联函数用于表示簇目标元素在所述簇预测误差序列中的比例,所述簇目标元素为大于或等于误差阈值的簇预测误差,所述簇预测误差属于所述簇预测误差序列;
所述建模模块用于:根据所述目标分布函数的反函数、所述概率预测模型以及所述多个簇关联函数,生成所述预报模型。
8.根据权利要求6所述的径流预报模型构建装置,其特征在于,所述第三获取模块包括筛分子模块,所述筛分子模块用于:
获取多个备选气象序列,所述多个备选气象序列分别表示目标流域在历史期的多个备选气象因子的分布情况;
根据所述第一概率序列和所述多个备选气象序列,获得多个关联指数,所述多个关联指数与所述多个备选气象序列一一对应,所述关联指数为所述备选气象序列与所述第一概率序列的相关系数;
根据所述多个备选气象序列获得所述多个气象影响序列,所述气象影响序列用于表示关联指数大于关联阈值的所述备选气象序列;
根据所述多个气象影响序列和所述第一概率序列,获得所述概率预测模型。
9.一种电子设备,其特征在于,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1-5中任一项所述方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有程序或指令,所述程序或指令被处理器执行时实现如权利要求1-5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110533450.7A CN113159224A (zh) | 2021-05-17 | 2021-05-17 | 一种径流预报模型构建方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110533450.7A CN113159224A (zh) | 2021-05-17 | 2021-05-17 | 一种径流预报模型构建方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113159224A true CN113159224A (zh) | 2021-07-23 |
Family
ID=76876290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110533450.7A Pending CN113159224A (zh) | 2021-05-17 | 2021-05-17 | 一种径流预报模型构建方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159224A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114523A (zh) * | 2023-10-23 | 2023-11-24 | 长江三峡集团实业发展(北京)有限公司 | 基于条件互信息的径流预报模型构建和径流预报方法 |
-
2021
- 2021-05-17 CN CN202110533450.7A patent/CN113159224A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114523A (zh) * | 2023-10-23 | 2023-11-24 | 长江三峡集团实业发展(北京)有限公司 | 基于条件互信息的径流预报模型构建和径流预报方法 |
CN117114523B (zh) * | 2023-10-23 | 2024-02-02 | 长江三峡集团实业发展(北京)有限公司 | 基于条件互信息的径流预报模型构建和径流预报方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | Long-term streamflow forecasting using SWAT through the integration of the random forests precipitation generator: case study of Danjiangkou Reservoir | |
Cannon | A flexible nonlinear modelling framework for nonstationary generalized extreme value analysis in hydroclimatology | |
CN110619432B (zh) | 一种基于深度学习的特征提取水文预报的方法 | |
CN111401599B (zh) | 一种基于相似性搜索和lstm神经网络的水位预测方法 | |
CN114254561A (zh) | 一种内涝预测方法、系统及存储介质 | |
CN111898831B (zh) | 一种实时洪水概率预报实用化方法 | |
CN107886160B (zh) | 一种bp神经网络区间需水预测方法 | |
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
CN110648014A (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
CN115759459B (zh) | 一种雨水工情耦合的流域洪水流量集合概率智能预报方法 | |
CN110598181B (zh) | 一种基于最大熵的极端水文事件风险分析方法和系统 | |
Geetha et al. | Time-series modelling and forecasting: Modelling of rainfall prediction using ARIMA model | |
Al Sudani et al. | Evaporation rate prediction using advanced machine learning models: a comparative study | |
Modaresi et al. | Selected model fusion: an approach for improving the accuracy of monthly streamflow forecasting | |
CN113159224A (zh) | 一种径流预报模型构建方法、装置、电子设备和介质 | |
Priatna et al. | Precipitation prediction using recurrent neural networks and long short-term memory | |
Gao et al. | A multifactorial framework for short-term load forecasting system as well as the jinan’s case study | |
CN116341391B (zh) | 基于STPM-XGBoost模型的降水预测方法 | |
Razali et al. | Rainfall-runoff modelling using adaptive neuro-fuzzy inference system | |
CN114169590A (zh) | 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 | |
CN113268710A (zh) | 一种干旱极值信息输出方法、装置、电子设备和介质 | |
Yılmaz et al. | RECURRENT NEURAL NETWORKS FOR PEAK FLOW ESTIMATION. | |
CN114299043B (zh) | 点云质量评估方法、装置、电子设备和存储介质 | |
Ologhadien | Evaluation of Plotting Position Formulae for Pearson Type 3 Distribution in Three Hydrological Stations on the Niger River | |
Yu et al. | A Deep Learning-Based Multi-model Ensemble Method for Hydrological Forecasting |
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 |