CN113361777A - 基于vmd分解和ihho优化lstm的径流预测方法及系统 - Google Patents
基于vmd分解和ihho优化lstm的径流预测方法及系统 Download PDFInfo
- Publication number
- CN113361777A CN113361777A CN202110636484.9A CN202110636484A CN113361777A CN 113361777 A CN113361777 A CN 113361777A CN 202110636484 A CN202110636484 A CN 202110636484A CN 113361777 A CN113361777 A CN 113361777A
- Authority
- CN
- China
- Prior art keywords
- lstm
- harris
- runoff
- sub
- ihho
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 230000009194 climbing Effects 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 230000004931 aggregating effect Effects 0.000 claims abstract description 3
- 230000000739 chaotic effect Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 6
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000000750 progressive effect Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 241000269799 Perca fluviatilis Species 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 3
- 230000007787 long-term memory Effects 0.000 abstract 1
- 230000006403 short-term memory Effects 0.000 abstract 1
- 241000272184 Falconiformes Species 0.000 description 36
- 238000004140 cleaning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000000379 polymerizing effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
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
- G06N3/044—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
- G06N3/08—Learning methods
Abstract
本发明公开了一种基于VMD分解和IHHO优化LSTM的径流预测方法及系统，首先，选取水文站点的历史径流数据作为实验数据并对数据进行预处理和归一化；然后将处理好的数据用变分模态分解分解为多个拥有不同频率的子模态；再对哈里斯鹰算法使用混沌初始化和爬山算法进行优化，并使用优化后的哈里斯鹰算法对长短期记忆网络的隐含层节点个数和学习率两个参数寻优；接着将所得最优参数赋给LSTM并对每个子模态进行训练，建立IHHO‑LSTM子模型；最后，对各个子模态分别进行测试得到预测值，将所得子模态的预测值聚合和反归一化得到VMD‑IHHO‑LSTM的最终预测值并进行误差分析，利用误差指标进行性能评价。本发明可以提高径流预报的精度，获得比较准确的预测结果。
Description
技术领域
本发明属于径流预测领域，具体涉及一种基于VMD分解和IHHO优化LSTM的径流预测方法及系统。
背景技术
近年来，水文系统在全球气候变化和人类活动的影响下变化更加复杂，中长期径流预报在水文预报中也愈发重要，预报精度的提高可以给防洪预测，农业灌溉，水电站运行等领域起到有效的参考作用。因此，在天气和地域等因素的影响下如何提高中长期径流预报精度也变得尤为重要。
当前使用的径流预测方法主要为人工神经网络，但其在训练中容易陷入过拟合或学习不足的状况，深度学习的发展为径流预测提供了新的方法例如循环神经网络RNN，RNN可以有效的利用过去输入信息，但是其隐含层的输入对输出的影响会随着迭代逐渐降低，容易陷入梯度消失。长短期记忆网络LSTM可以有效利用间隔较长的信息，解决了RNN不能长期有效依赖的问题。本发明使用LSTM模型并对其进行优化和改进提高了它的预测精度。
发明内容
发明目的：针对现有技术存在的问题，本发明目的在于提供一种能提高中长期径流预测准确性的基于VMD分解和IHHO优化LSTM的径流预测方法及系统。
技术方案：本发明提出一种基于VMD分解和IHHO优化LSTM的径流预测方法，具体包括以下步骤：
(1)获取水文站点的历史径流数据，对数据进行预处理和归一化，获得径流序列x(t)；
(2)对处理好的数据进行变分模态分解，得到一组子模态；
(3)对哈里斯鹰算法HHO进行优化，并使用优化过的哈里斯鹰算法对长短期记忆网络LSTM的隐含层节点个数，学习率进行寻优，并将所得最优参数赋给LSTM对每个子模态进行训练，建立IHHO-LSTM预测子模型；
(4)对各个子模态分别进行测试得到预测值，将所得子模态的预测值聚合和反归一化得到VMD-IHHO-LSTM的最终预测值并进行误差分析，利用误差指标进行性能评价。
进一步地，步骤(1)所述数据预处理包括数据清洗和缺失值的填补。
进一步地，所述步骤(2)包括以下步骤：
(21)将历史径流序列x(t)分解为q个IMF，且每个模态都为具有有限带宽的模态且所有模态的带宽和最小，则带约束条件的变分表达式为：
其中，uq(t)，ωq(t)分别为分解后第q个模态和其对应的中心频率，δ(t)为狄拉克函数，j是复数的意思，
是对t的偏导数；
(22)引入拉格朗日乘法算子λ和二次惩罚因子α，将约束问题转变为非约束问题，扩展的拉格朗日表达式为：
其中，α是二次惩罚因子可以降低高斯干扰的噪声，保证信号的精度，λ是拉格朗日乘法算子；
(23)初始化迭代次数n＝0，初始化
更新
更新过程为：将
进行傅里叶变换，将
转变到频域，分别为
其中，
表示第q个子模态经过n次迭代后得到的值，λn+1(ω)表示经过n次迭代后拉格朗日乘子的值，
表示第q个子模态所对应的中心频率经过n次迭代后得到的值，
是x(ω)的傅里叶变换，γ是拉格朗日乘子的更新步长参数；
(24)当满足迭代条件时，停止迭代，迭代条件为：
其中，ε＞0为精度收敛判定条件，是预先设定的，
为原始输入信号x的傅里叶变换；
为
的傅里叶变换。
进一步地，所述步骤(3)包括以下步骤：
(31)建立LSTM神经网络，将LSTM网络待优化的参数作为种群的维度大小d，其中待优化参数为隐含层节点个数nunHiddenUnit和学习率InitialLearnRate，维度大小为2，第一维是隐含层节点个数，第二维是学习率，其中隐含层节点个数和学习率都为正数，隐含层节点个数为整数；
(32)设置哈里斯鹰种群为N并用混沌算法初始化哈里斯鹰种群，迭代次数T，解空间的上下限[lb,ub]，其中混沌初始化采用Circle映射；
(33)计算哈里斯鹰种群每个个体的适应度值，并找出种群中适应度值最优的个体作为猎物xr，初始化初始逃逸能量E0；
(34)计算猎物逃逸能量E，用变量E来表现猎物的运动状态和哈里斯鹰的执行状态，其中逃逸能量E的表达公式为：
其中，E0是初始逃逸能，t是迭代次数；
(35)当|E|≥1时进入探索阶段，哈里斯鹰更新种群的位置如下：
当q≥0.5时，哈里斯鹰会随机选择一颗树作为栖息位置，更新公式为：
X(t+1)＝Xd(t)-r1|Xd(t)-2r2X(t)|
当q＜0.5时，哈里斯鹰根据其他家庭成员的位置和猎物的位置来更新自己的栖息位置，更新公式为：
X(t+1)＝[Xr(t)-Xm(t)]-r3[lb+r4(ub-lb)]
其中，X(t+1)是下一次哈里斯鹰所处的位置，X(t)是当前哈里斯鹰的位置，Xd(t)是随机选取的位置，Xr(t)是猎物的位置，Xm(t)是种群的平均位置，t是迭代次数，r1,r2,r3,r4是区间[0，1]中的随机数；
(36)当|E|＜1时进入开发阶段，哈里斯鹰更新种群位置如下：
当0.5≤|E|且r≥0.5时，哈里斯鹰通过软包围猎取猎物，位置更新公式为：
X(t+1)＝ΔX(t)-E|JXr(t)-X(t)|
当|E|＜0.5且r≥0.5时，哈里斯鹰通过硬包围轻松猎取猎物，位置更新公式为：
X(t+1)＝Xr(t)-E|ΔX(t)|
当0.5≤|E|且r＜0.5时，哈里斯鹰采取渐进式快速潜水软包围猎取猎物，若哈里斯鹰更新后位置比前一位置好则选取公式(A1)，否则选取公式(A2)，位置更新公式为：
X(t+1)＝Xr(t)-E|JXr(t)-X(t)| (A1)
X(t+1)＝Xr(t)-E|JXr(t)-X(t)|+S*LF(D) (A2)
当|E|<0.5且r<0.5时，哈里斯鹰采取渐进式快速俯冲硬包围猎取猎物，若哈里斯鹰更新后位置比前一位置好则选取公式(B1)，否则选取公式(B2)，位置更新公式为：
X(t+1)＝Xr(t)-E|JXr(t)-Xm(t)| (B1)
X(t+1)＝Xr(t)-E|JXr(t)-Xm(t)|+S*LF(D) (B2)
其中，LF是莱维飞行的数学表达式，D和S是求解问题的维度和随机向量；
(37)通过步骤(32)-(36)对种群进行更新，用爬山算法对更新后的种群进行局部搜索，取最优适应度值的个体作为最优解，将最优解作为最优参数；
(38)将所得最优参数赋给LSTM对每个子模态进行训练，建立IHHO-LSTM预测子模型。
进一步地，所述步骤(32)具体包括以下步骤：
(321)随机生成一个向量Y＝[yi1,yi2,...,yid]，且每个分量都在[0,1]之间；
(322)采用Circle映射得到混沌序列：
(323)将混沌序列的各个分量映射回取值范围：
yij＝lb+(ub-lb)yij
(324)得到M个个体构成种群，从中任意抽取N个构成哈里斯鹰种群；其中N≤M，i＝1,2,…,M表示随机生成的种群的大小，j＝1,2,…,d表示维度大小，sin是正弦函数，π是圆周率，yij表示中群里第i个且维度大小为j的个体，mod是运算符号。
基于相同的发明构思，本发明还提供一种基于VMD分解和IHHO优化LSTM的径流预测系统，包括数据处理模块、算法优化模块、参数确定模块、径流预测模块和性能评价模块；
所述数据处理模块，获取水文站点的历史径流数据，并建立径流时间序列；对数据进行预处理和归一化，将处理好的数据进行变分模态分解；
所述算法优化模块采用混沌初始化和爬山算法对哈里斯鹰算法进行优化；
所述参数确定模块确定哈里斯鹰的种群大小，算法的迭代次数，维度大小，并用优化后的哈里斯鹰算法优化LSTM的相关参数，隐含层节点个数nunHiddenUnit，学习率InitialLearnRate为模型的相关参数；
所述径流预测模块将优化后的参数赋给LSTM并对每个子模态进行训练，建立VMD-IHHO-LSTM的预测模型，应用预测模型对径流序列进行预测；
所述性能评价模块选取均方根误差RMSE、平均绝对误差MAE、决定系数R，平均绝对百分比误差MAPE四种误差指标对预测模型的性能进行评价。
有益效果：与现有技术相比，本发明的有益效果：本发明应用了VMD分解对径流序列进行模态分解，重构了样本时间序列，又应用混沌初始化和爬山算法对哈里斯鹰算法进行优化，并采用改进哈里斯鹰算法对LSTM的隐含层节点个数nunHiddenUnit，学习率InitialLearnRate进行优化，构建了VMD-IHHO-LSTM的预测模型，提高了本模型对中长期径流预测的准确性。
附图说明
图1为基于VMD分解和IHHO优化LSTM的径流预测方法的流程图；
图2为模态1到模态5的VMD分解图；
图3为模态6模态10的VMD分解图；
图4为真实值和采用本发明得到的预测值对比图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供了一种基于VMD分解和IHHO优化LSTM的径流预测方法，如图1所示，具体包括以下步骤：
步骤1：获取水文站点的历史径流数据，对数据进行预处理和归一化。
采集来自攀枝花1953年到2012年的月径流数据，共720个；对采集到的数据进行数据清洗，缺失值填补；对清洗完的数据进行归一化处理，得到径流序列x(t)。
步骤2：对处理好的数据进行变分模态分解(VMD)，得到一组具有有限带宽且带宽之和为最小的子模态。具体包括以下步骤：
(2.1)将径流序列x(t)分解为q个IMF，且每个模态都为具有有限带宽的模态且所有模态的带宽和最小，则带约束条件的变分表达式为：
其中，x(t)为历史径流序列，uq(t)，ωq(t)分别为分解后第q个模态和其对应的中心频率，δ(t)为狄拉克函数，j是复数的意思，
是对t的偏导数。
(2.2)引入拉格朗日乘法算子λ和二次惩罚因子α，将约束问题转变为非约束问题，扩展的拉格朗日表达式为：
其中，α是二次惩罚因子可以降低高斯干扰的噪声，保证信号的精度，λ是拉格朗日乘法算子。
(2.3)初始化迭代次数n＝0，初始化
更新
更新过程为：
将
进行傅里叶变换，将
转变到频域，分别为
更新公式为：
其中，
表示第q个子模态经过n次迭代后得到的值，λn+1(ω)表示经过n次迭代后拉格朗日乘子的值，
表示第q个子模态所对应的中心频率经过n次迭代后得到的值，
是x(ω)的傅里叶变换，γ是拉格朗日乘子的更新步长参数。
(2.4)当满足迭代条件时，停止迭代，迭代条件为：
其中，ε＞0为精度收敛判定条件，是预先设定的，
为原始输入信号x的傅里叶变换，
为
的傅里叶变换。
步骤3：对哈里斯鹰算法HHO进行优化，并使用优化过的哈里斯鹰算法对长短期记忆网络LSTM隐含层节点个数和学习率进行优化，将所得最优参数赋给LSTM对每个子模态进行训练，建立IHHO-LSTM预测子模型。具体实施步骤如下：
(3.1)建立LSTM神经网络，将LSTM网络待优化的参数作为种群的维度大小d，其中待优化参数为隐含层节点个数nunHiddenUnit和学习率InitialLearnRate，所以维度大小为2，第一维是隐含层节点个数，第二维是学习率，其中隐含层节点个数和学习率都为正数，隐含层节点个数为整数。
(3.2)设置哈里斯鹰种群为N并用混沌算法初始化哈里斯鹰种群,迭代次数T，解空间的上下限[lb,ub],其中混沌初始化采用Circle映射，初始化具体步骤为：
1)随机生成一个向量Y＝[yi1,yi2,...,yid]，且每个分量都在[0,1]之间。
2)采用Circle映射得到混沌序列：
3)将混沌序列的各个分量映射回取值范围：
yij＝lb+(ub-lb)yij
4)得到M个个体构成种群，从中任意抽取N个构成哈里斯鹰种群；
其中N≤M，i＝1,2,…,M表示随机生成的种群的大小，j＝1,2,…,d表示维度大小，sin是正弦函数，π是圆周率，yij表示中群里第i个且维度大小为j的个体，mod是运算符号。
(3.3)计算哈里斯鹰种群每个个体的适应度值，并找出种群中适应度值最优的个体作为猎物xr，初始化初始逃逸能量E0。
(3.4)计算猎物逃逸能量E，用变量E来表现猎物的运动状态和哈里斯鹰的执行状态，其中逃逸能量E的表达公式为：
其中，E0是初始逃逸能，t是迭代次数。
(3.5)当|E|≥1时进入探索阶段，哈里斯鹰基于下列策略更新种群的位置。
当q≥0.5时，哈里斯鹰会随机选择一颗树作为自己的栖息位置。位置更新公式为：
X(t+1)＝Xd(t)-r1|Xd(t)-2r2X(t)|
当q＜0.5时，哈里斯鹰会根据其他家庭成员的位置和猎物的位置来更新自己的栖息位置。位置更新公式为：
X(t+1)＝[Xr(t)-Xm(t)]-r3[lb+r4(ub-lb)]
其中，X(t+1)是下一次哈里斯鹰所处的位置，X(t)是当前哈里斯鹰的位置，Xd(t)是随机选取的位置，Xr(t)是猎物的位置，Xm(t)是种群的平均位置，t是迭代次数，r1,r2,r3,r4是区间[0，1]中的随机数。
(3.6)当|E|＜1时进入开发阶段，此时哈里斯鹰会基于下列策略更新种群位置。
当0.5≤|E|且r≥0.5时，此时猎物有足够的逃逸能量，试图通过欺骗动作进行随机跳跃，但最终逃跑失败，因此哈里斯鹰可以通过软包围猎取猎物。位置更新公式为：
X(t+1)＝ΔX(t)-E|JXr(t)-X(t)|
当|E|＜0.5且r≥0.5时，此时猎物没有足够的逃逸能量，也没有逃逸机会，因此哈里斯鹰可以通过硬包围轻松猎取猎物。位置更新公式为：
X(t+1)＝Xr(t)-E|ΔX(t)|
当0.5＜|E|且r＜0.5时，此时猎物有足够的逃逸能量进行逃逸，并且有机会逃走，哈里斯鹰需要进行更加有效的软包围猎取猎物，因此可以采取渐进式快速潜水软包围猎取猎物。若哈里斯鹰更新后位置比前一位置好则选取公式(A1)，否则选取公式(A2)，位置更新公式为：
X(t+1)＝Xr(t)-E|JXr(t)-X(t)| (A1)
X(t+1)＝Xr(t)-E|JXr(t)-X(t)|+S*LF(D) (A2)
当|E|<0.5且r<0.5时，此时猎物有机会去逃逸但是没有足够的逃逸能量，哈里斯鹰需要在猎物逃逸前形成硬包围，因此可以采取渐进式快速俯冲硬包围猎取猎物。若哈里斯鹰更新后位置比前一位置好则选取公式(B1)，否则选取公式(B2)，位置更新公式为：
X(t+1)＝Xr(t)-E|JXr(t)-Xm(t)| (B1)
X(t+1)＝Xr(t)-E|JXr(t)-Xm(t)|+S*LF(D) (B2)
其中，LF是莱维飞行的数学表达式，D和S是求解问题的维度和随机向量。
(3.7)通过步骤(3.2)至(3.6)对种群进行更新，用爬山算法对更新后的种群进行局部搜索，避免陷入局部最优。将所得到的最优适应度值的个体作为最优解，将最优解赋作为最优参数。
(3.8)将所得最优参数赋给LSTM对每个子模态进行训练，建立IHHO-LSTM预测子模型。
步骤4：用预测模型对各个子模态分别进行测试，得到预测值，将所得子模态的预测值进行聚合和反归一化得到最终预测值并进行误差分析。
确定模型迭代次数epochs，网络的输入结构和输出结构。将数据集进行VMD分解，获得q个具有有限带宽且带宽和最小的子模态，用预测模型对每个子模态分别进行测试得到预测值。将各个子模态测试得到的预测值进行聚合和反归一化得到最终预测值，并进行误差分析。选取均方根误差RMSE、平均绝对误差MAE、决定系数R2，平均绝对百分比误差MAPE对预测模型的性能进行评价。
RMSE，MAE，R2，MAPE的公式为：
其中，yi为第i个训练样本的真实输出，yk为模型对第i个样本的预测输出，
为样本的均值，n为样本个数。
基于相同的发明构思，本发明还提供一种基于VMD分解和IHHO优化LSTM的径流预测系统，包括数据处理模块、算法优化模块、参数确定模块、径流预测模块和性能评价模块。其中：
数据处理模块，获取水文站点的历史径流数据，并建立径流时间序列；对数据进行预处理和归一化，将处理好的数据进行变分模态分解；
算法优化模块采用混沌初始化和爬山算法对哈里斯鹰算法进行优化；
参数确定模块确定哈里斯鹰的种群大小，算法的迭代次数，维度大小，并用优化后的哈里斯鹰算法优化LSTM的相关参数，隐含层节点个数nunHiddenUnit，学习率InitialLearnRate为模型的相关参数；
径流预测模块将优化后的参数赋给LSTM并对每个子模态进行训练，建立VMD-IHHO-LSTM的预测模型，应用预测模型对径流序列进行预测；
性能评价模块选取均方根误差RMSE、平均绝对误差MAE、决定系数R，平均绝对百分比误差MAPE四种误差指标对预测模型的性能进行评价。
如图2和图3所示，为对攀枝花的径流序列进行VMD分解得到10个子模态。如图4所示，为真实值和预测值的对比图，对来自攀枝花1953年到2012年的月径流数据共720个采用三个对照组和本预测模型进行分析，三个对照组分别为长短期记忆网络(LSTM)，哈里斯鹰算法优化长短期记忆网络(HHO-LSTM)，改进哈里斯鹰算法优化长短期记忆网络(IHHO-LSTM)，如表1所示。
表1为本发明的预测模型和对照组模型的误差分析表
由表1可知，本发明的预测模型RMSE，MAE，MAPE均比对照组模型的值要小，且R2比对照组模型的值要大，且接近于1，说明本模型的预测效果要优于其他模型，基于VMD-IHHO-LSTM的预测模型可以提高预测的精度。
本领域技术人员应当容易理解，以上所述，仅为本发明的具体实施方式，并不用以限制本发明，任何在该发明的技术范围内做修改或替换等等，都在本发明的保护范围内。
Claims (6)
1.一种基于VMD分解和IHHO优化LSTM的径流预测方法，其特征在于，包括以下步骤：
(1)获取水文站点的历史径流数据，对数据进行预处理和归一化，获得径流序列x(t)；
(2)对处理好的数据进行变分模态分解，得到一组子模态；
(3)对哈里斯鹰算法HHO进行优化，并使用优化过的哈里斯鹰算法对长短期记忆网络LSTM的隐含层节点个数，学习率进行寻优，并将所得最优参数赋给LSTM对每个子模态进行训练，建立IHHO-LSTM预测子模型；
(4)对各个子模态分别进行测试得到预测值，将所得子模态的预测值聚合和反归一化得到VMD-IHHO-LSTM的最终预测值并进行误差分析，利用误差指标进行性能评价。
2.根据权利要求1所述的基于VMD分解和IHHO优化LSTM的径流预测方法，其特征在于，步骤(1)所述数据预处理包括数据清洗和缺失值的填补。
3.根据权利要求1所述的基于VMD分解和IHHO优化LSTM的径流预测方法，其特征在于，所述步骤(2)包括以下步骤：
(21)将历史径流序列x(t)分解为q个IMF，且每个模态都为具有有限带宽的模态且所有模态的带宽和最小，则带约束条件的变分表达式为：
其中，uq(t)，ωq(t)分别为分解后第q个模态和其对应的中心频率，δ(t)为狄拉克函数，j是复数的意思，
是对t的偏导数；
(22)引入拉格朗日乘法算子λ和二次惩罚因子α，将约束问题转变为非约束问题，扩展的拉格朗日表达式为：
其中，α是二次惩罚因子可以降低高斯干扰的噪声，保证信号的精度，λ是拉格朗日乘法算子；
(23)初始化迭代次数n＝0，初始化
更新
更新过程为：将
进行傅里叶变换，将
转变到频域，分别为
其中，
表示第q个子模态经过n次迭代后得到的值，λn+1(ω)表示经过n次迭代后拉格朗日乘子的值，
表示第q个子模态所对应的中心频率经过n次迭代后得到的值，
是x(ω)的傅里叶变换，γ是拉格朗日乘子的更新步长参数；
(24)当满足迭代条件时，停止迭代，迭代条件为：
其中，ε＞0为精度收敛判定条件，是预先设定的，
为原始输入信号x的傅里叶变换；
为
的傅里叶变换。
4.根据权利要求1所述的基于VMD分解和IHHO优化LSTM的径流预测方法，其特征在于，所述步骤(3)包括以下步骤：
(31)建立LSTM神经网络，将LSTM网络待优化的参数作为种群的维度大小d，其中待优化参数为隐含层节点个数nunHiddenUnit和学习率InitialLearnRate，维度大小为2，第一维是隐含层节点个数，第二维是学习率，其中隐含层节点个数和学习率都为正数，隐含层节点个数为整数；
(32)设置哈里斯鹰种群为N并用混沌算法初始化哈里斯鹰种群，迭代次数T，解空间的上下限[lb,ub]，其中混沌初始化采用Circle映射；
(33)计算哈里斯鹰种群每个个体的适应度值，并找出种群中适应度值最优的个体作为猎物xr，初始化初始逃逸能量E0；
(34)计算猎物逃逸能量E，用变量E来表现猎物的运动状态和哈里斯鹰的执行状态，其中逃逸能量E的表达公式为：
其中，E0是初始逃逸能，t是迭代次数；
(35)当|E|≥1时进入探索阶段，哈里斯鹰更新种群的位置如下：
当q≥0.5时，哈里斯鹰会随机选择一颗树作为栖息位置，更新公式为：
X(t+1)＝Xd(t)-r1|Xd(t)-2r2X(t)|
当q＜0.5时，哈里斯鹰根据其他家庭成员的位置和猎物的位置来更新自己的栖息位置，更新公式为：
X(t+1)＝[Xr(t)-Xm(t)]-r3[lb+r4(ub-lb)]
其中，X(t+1)是下一次哈里斯鹰所处的位置，X(t)是当前哈里斯鹰的位置，Xd(t)是随机选取的位置，Xr(t)是猎物的位置，Xm(t)是种群的平均位置，t是迭代次数，r1,r2,r3,r4是区间[0，1]中的随机数；
(36)当|E|＜1时进入开发阶段，哈里斯鹰更新种群位置如下：
当0.5≤|E|且r≥0.5时，哈里斯鹰通过软包围猎取猎物，位置更新公式为：
X(t+1)＝ΔX(t)-E|JXr(t)-X(t)|
当|E|＜0.5且r≥0.5时，哈里斯鹰通过硬包围轻松猎取猎物，位置更新公式为：
X(t+1)＝Xr(t)-E|ΔX(t)|
当0.5≤|E|且r＜0.5时，哈里斯鹰采取渐进式快速潜水软包围猎取猎物，若哈里斯鹰更新后位置比前一位置好则选取公式(A1)，否则选取公式(A2)，位置更新公式为：
X(t+1)＝Xr(t)-E|JXr(t)-X(t)| (A1)
X(t+1)＝Xr(t)-E|JXr(t)-X(t)|+S*LF(D) (A2)
当|E|<0.5且r<0.5时，哈里斯鹰采取渐进式快速俯冲硬包围猎取猎物，若哈里斯鹰更新后位置比前一位置好则选取公式(B1)，否则选取公式(B2)，位置更新公式为：
X(t+1)＝Xr(t)-E|JXr(t)-Xm(t)| (B1)
X(t+1)＝Xr(t)-E|JXr(t)-Xm(t)|+S*LF(D) (B2)
其中，LF是莱维飞行的数学表达式，D和S是求解问题的维度和随机向量；
(37)通过步骤(32)-(36)对种群进行更新，用爬山算法对更新后的种群进行局部搜索，取最优适应度值的个体作为最优解，将最优解作为最优参数；
(38)将所得最优参数赋给LSTM对每个子模态进行训练，建立IHHO-LSTM预测子模型。
5.根据权利要求4所述的基于VMD分解和IHHO优化LSTM的径流预测方法，其特征在于，所述步骤(32)具体包括以下步骤：
(321)随机生成一个向量Y＝[yi1,yi2,...,yid]，且每个分量都在[0,1]之间；
(322)采用Circle映射得到混沌序列：
(323)将混沌序列的各个分量映射回取值范围：
yij＝lb+(ub-lb)yij
(324)得到M个个体构成种群，从中任意抽取N个构成哈里斯鹰种群；其中N≤M，i＝1,2,…,M表示随机生成的种群的大小，j＝1,2,…,d表示维度大小，sin是正弦函数，π是圆周率，yij表示中群里第i个且维度大小为j的个体，mod是运算符号。
6.一种采用如权利要求1-5任一所述方法的基于VMD分解和IHHO优化LSTM的径流预测系统，其特征在于，包括数据处理模块、算法优化模块、参数确定模块、径流预测模块和性能评价模块；
所述数据处理模块，获取水文站点的历史径流数据，并建立径流时间序列；对数据进行预处理和归一化，将处理好的数据进行变分模态分解；
所述算法优化模块采用混沌初始化和爬山算法对哈里斯鹰算法进行优化；
所述参数确定模块确定哈里斯鹰的种群大小，算法的迭代次数，维度大小，并用优化后的哈里斯鹰算法优化LSTM的相关参数，隐含层节点个数nunHiddenUnit，学习率InitialLearnRate为模型的相关参数；
所述径流预测模块将优化后的参数赋给LSTM并对每个子模态进行训练，建立VMD-IHHO-LSTM的预测模型，应用预测模型对径流序列进行预测；
所述性能评价模块选取均方根误差RMSE、平均绝对误差MAE、决定系数R，平均绝对百分比误差MAPE四种误差指标对预测模型的性能进行评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110636484.9A CN113361777B (zh) | 2021-06-08 | 2021-06-08 | 基于vmd分解和ihho优化lstm的径流预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110636484.9A CN113361777B (zh) | 2021-06-08 | 2021-06-08 | 基于vmd分解和ihho优化lstm的径流预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113361777A true CN113361777A (zh) | 2021-09-07 |
| CN113361777B CN113361777B (zh) | 2023-11-03 |
Family
ID=77533019
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110636484.9A Active CN113361777B (zh) | 2021-06-08 | 2021-06-08 | 基于vmd分解和ihho优化lstm的径流预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113361777B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792486A (zh) * | 2021-09-12 | 2021-12-14 | 西北工业大学 | 一种基于vmd-ssa-lssvm的水下滑翔机深平均流预测方法 |
| CN114282614A (zh) * | 2021-12-27 | 2022-04-05 | 淮阴工学院 | 基于随机森林和ifda优化cnn-gru的中长期径流预测方法 |
| CN114399193A (zh) * | 2022-01-11 | 2022-04-26 | 电子科技大学 | 一种基于深度时序点过程和lstm的缺资料地区径流事件检测方法 |
| CN114781435A (zh) * | 2022-03-24 | 2022-07-22 | 安徽理工大学 | 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法 |
| CN116572791A (zh) * | 2023-05-10 | 2023-08-11 | 淮阴工学院 | 一种电动汽车用自适应智能快充充电装置 |
| CN116703624A (zh) * | 2023-05-22 | 2023-09-05 | 淮阴工学院 | 基于区块链的企业运行诊断系统和方法 |
| CN117114190A (zh) * | 2023-08-29 | 2023-11-24 | 华中科技大学 | 一种基于混合深度学习的河道径流预测方法及设备 |
| CN114781435B (zh) * | 2022-03-24 | 2024-05-07 | 安徽理工大学 | 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242204A (zh) * | 2018-09-30 | 2019-01-18 | 淮阴工学院 | 基于最优vmd与同步优化的超短期风速预测方法 |
| CN110363349A (zh) * | 2019-07-15 | 2019-10-22 | 河海大学 | 一种基于ascs的lstm神经网络水文预测方法及系统 |
| CN110490366A (zh) * | 2019-07-15 | 2019-11-22 | 西安理工大学 | 基于变分模态分解和迭代决策树的径流量预测方法 |
| CN110728001A (zh) * | 2019-09-29 | 2020-01-24 | 温州大学 | 一种基于多策略增强的哈里斯老鹰算法的工程优化方法 |
| CN110969312A (zh) * | 2019-12-23 | 2020-04-07 | 长江水利委员会水文局 | 基于变分模态分解和极端学习机的短期径流预测耦合方法 |
| US20200160176A1 (en) * | 2018-11-16 | 2020-05-21 | Royal Bank Of Canada | System and method for generative model for stochastic point processes |
| CN111191375A (zh) * | 2020-01-04 | 2020-05-22 | 温州大学 | 一种基于改进哈里斯鹰优化算法的光伏电池参数辨识方法 |
| CN111695290A (zh) * | 2020-05-14 | 2020-09-22 | 天津大学 | 一种适用于变化环境下的短期径流智能预报混合模型方法 |
| WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN111832135A (zh) * | 2020-07-28 | 2020-10-27 | 郑州轻工业大学 | 基于改进哈里斯鹰优化算法的压力容器结构优化方法 |
| CN112733997A (zh) * | 2021-01-14 | 2021-04-30 | 河海大学 | 基于woa-lstm-mc的水文时间序列预测优化方法 |
| CN112861426A (zh) * | 2021-01-14 | 2021-05-28 | 西北工业大学 | 基于改进粒子群算法的航空发动机加速过程最优控制方法 |
-
2021
- 2021-06-08 CN CN202110636484.9A patent/CN113361777B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242204A (zh) * | 2018-09-30 | 2019-01-18 | 淮阴工学院 | 基于最优vmd与同步优化的超短期风速预测方法 |
| US20200160176A1 (en) * | 2018-11-16 | 2020-05-21 | Royal Bank Of Canada | System and method for generative model for stochastic point processes |
| WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN110363349A (zh) * | 2019-07-15 | 2019-10-22 | 河海大学 | 一种基于ascs的lstm神经网络水文预测方法及系统 |
| CN110490366A (zh) * | 2019-07-15 | 2019-11-22 | 西安理工大学 | 基于变分模态分解和迭代决策树的径流量预测方法 |
| CN110728001A (zh) * | 2019-09-29 | 2020-01-24 | 温州大学 | 一种基于多策略增强的哈里斯老鹰算法的工程优化方法 |
| CN110969312A (zh) * | 2019-12-23 | 2020-04-07 | 长江水利委员会水文局 | 基于变分模态分解和极端学习机的短期径流预测耦合方法 |
| CN111191375A (zh) * | 2020-01-04 | 2020-05-22 | 温州大学 | 一种基于改进哈里斯鹰优化算法的光伏电池参数辨识方法 |
| CN111695290A (zh) * | 2020-05-14 | 2020-09-22 | 天津大学 | 一种适用于变化环境下的短期径流智能预报混合模型方法 |
| CN111832135A (zh) * | 2020-07-28 | 2020-10-27 | 郑州轻工业大学 | 基于改进哈里斯鹰优化算法的压力容器结构优化方法 |
| CN112733997A (zh) * | 2021-01-14 | 2021-04-30 | 河海大学 | 基于woa-lstm-mc的水文时间序列预测优化方法 |
| CN112861426A (zh) * | 2021-01-14 | 2021-05-28 | 西北工业大学 | 基于改进粒子群算法的航空发动机加速过程最优控制方法 |
Non-Patent Citations (4)
| Title |
|---|
| AHMED A. EWEES等: "Performance analysis of Chaotic Multi-Verse Harris Hawks Optimization: A case study on solving engineering problems", 《ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE》, vol. 88, pages 1 - 16 * |
| WEI LI等: "High Temporal Resolution Rainfall Runoff Modelling Using Long-Short-Term-Memory(LSTM) Networks", 《ARXIV》, pages 63 - 21 * |
| 刘倩: "飞蛾火焰优化算法的改进研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2021, no. 5, pages 140 - 161 * |
| 郭佳丽: "飞蛾火焰优化算法的改进及其应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2021, no. 1, pages 140 - 143 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792486A (zh) * | 2021-09-12 | 2021-12-14 | 西北工业大学 | 一种基于vmd-ssa-lssvm的水下滑翔机深平均流预测方法 |
| CN113792486B (zh) * | 2021-09-12 | 2022-09-13 | 西北工业大学 | 一种基于vmd-ssa-lssvm的水下滑翔机深平均流预测方法 |
| CN114282614A (zh) * | 2021-12-27 | 2022-04-05 | 淮阴工学院 | 基于随机森林和ifda优化cnn-gru的中长期径流预测方法 |
| CN114282614B (zh) * | 2021-12-27 | 2023-09-26 | 淮阴工学院 | 基于随机森林和ifda优化cnn-gru的中长期径流预测方法 |
| CN114399193A (zh) * | 2022-01-11 | 2022-04-26 | 电子科技大学 | 一种基于深度时序点过程和lstm的缺资料地区径流事件检测方法 |
| CN114781435A (zh) * | 2022-03-24 | 2022-07-22 | 安徽理工大学 | 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法 |
| CN114781435B (zh) * | 2022-03-24 | 2024-05-07 | 安徽理工大学 | 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法 |
| CN116572791A (zh) * | 2023-05-10 | 2023-08-11 | 淮阴工学院 | 一种电动汽车用自适应智能快充充电装置 |
| CN116572791B (zh) * | 2023-05-10 | 2023-12-19 | 淮阴工学院 | 一种电动汽车用自适应智能快充充电装置 |
| CN116703624A (zh) * | 2023-05-22 | 2023-09-05 | 淮阴工学院 | 基于区块链的企业运行诊断系统和方法 |
| CN117114190A (zh) * | 2023-08-29 | 2023-11-24 | 华中科技大学 | 一种基于混合深度学习的河道径流预测方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113361777B (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113361777A (zh) | 基于vmd分解和ihho优化lstm的径流预测方法及系统 | |
| Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
| JP6962263B2 (ja) | ３次元点群ラベル学習装置、３次元点群ラベル推定装置、３次元点群ラベル学習方法、３次元点群ラベル推定方法、及びプログラム | |
| Lu et al. | Generalized radial basis function neural network based on an improved dynamic particle swarm optimization and AdaBoost algorithm | |
| CN105488528B (zh) | 基于改进自适应遗传算法的神经网络图像分类方法 | |
| CN108764540B (zh) | 基于并行lstm串联dnn的供水管网压力预测方法 | |
| CN110110862A (zh) | 一种基于适应性模型的超参数优化方法 | |
| CN109146162B (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
| CN113392961B (zh) | 中尺度涡轨迹平稳序列提取与循环神经网络预测方法 | |
| CN115511177A (zh) | 基于ingo-swgmn混合模型的超短期风速预测方法 | |
| CN110181508A (zh) | 水下机器人三维航路规划方法及系统 | |
| CN106022471A (zh) | 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法 | |
| CN111695290A (zh) | 一种适用于变化环境下的短期径流智能预报混合模型方法 | |
| CN108983180A (zh) | 一种群智能高精度的雷达海杂波预报系统 | |
| CN107092987A (zh) | 一种中小型无人机自主着舰风速预测方法 | |
| CN116562908A (zh) | 一种基于双层vmd分解和ssa-lstm的电价预测方法 | |
| CN110490366A (zh) | 基于变分模态分解和迭代决策树的径流量预测方法 | |
| CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
| CN114819143A (zh) | 一种适用于通信网现场维护的模型压缩方法 | |
| CN109800517B (zh) | 一种改进的磁流变阻尼器逆向建模方法 | |
| CN113850438A (zh) | 公共建筑能耗预测方法、系统、设备及介质 | |
| CN109344961A (zh) | 一种基于pso的权值直接确定神经网络结构优化方法 | |
| Chen et al. | A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification | |
| CN117217287A (zh) | 面向分层强化学习的多元子策略生成模型的训练方法 | |
| CN117034060A (zh) | 基于ae-rcnn的洪水分级智能预报方法 |
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 |