CN113592144A - 一种中长期径流概率预报方法及系统 - Google Patents
一种中长期径流概率预报方法及系统 Download PDFInfo
- Publication number
- CN113592144A CN113592144A CN202110720101.6A CN202110720101A CN113592144A CN 113592144 A CN113592144 A CN 113592144A CN 202110720101 A CN202110720101 A CN 202110720101A CN 113592144 A CN113592144 A CN 113592144A
- Authority
- CN
- China
- Prior art keywords
- forecasting
- runoff
- forecast
- model
- sample
- 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
- 238000013277 forecasting method Methods 0.000 title description 11
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000010168 coupling process Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000008878 coupling Effects 0.000 claims abstract description 19
- 238000005859 coupling reaction Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 64
- 230000007774 longterm Effects 0.000 claims description 28
- 238000011156 evaluation Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 108010014173 Factor X Proteins 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06N20/00—Machine learning
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种中长期径流概率预报方法及系统,该方法包括:根据预见期、预报因子和所述预报因子对应的历史径流数据,构建目标区域内的预报因子集;将所述预报因子集输入到训练好的中长期径流预报模型中,得到径流概率预报正态分布结果,其中,所述训练好的中长期径流预报模型是基于样本预报因子集,对改进的支持向量回归模型进行训练得到的,所述改进的支持向量回归模型是由三层贝叶斯推断框架和支持向量回归模型耦合得到的;对所述径流概率预报正态分布结果进行数据处理,得到所述目标区域在所述预见期内的径流概率预报结果。本发明解决传统数据驱动模型无法产生中长期径流概率预报的问题,更好地反映未来径流的不确定性。
Description
技术领域
本发明涉及中长期径流预报技术领域,尤其涉及一种中长期径流概率预报方法及系统。
背景技术
中长期径流预报一般指预见期在3天到1年之间且超过流域汇流时间的径流预报,其能够提供有效的未来径流信息,在水库发电计划制定、抗旱防洪以及水资源规划管理和综合利用等水库调度决策领域发挥着重要的作用。在当前的气候变化条件下,未来水资源量有着极大的不确定性,因此能够提供未来信息的中长期径流预报受到了广泛的关注。
在现有中长期径流预报研究中,由于径流受到气候、植被、地形和人类活动等众多因素的影响,因此河流径流序列有着明显的随机、非线性特征,变异性较高,为准确建立未来径流与预报因子之间的关系带来难度。因此,在当前研究中,众多的数据驱动模型被应用到中长期径流预报中,以模拟径流序列的非线性特征。
但是,在基于数据驱动模型的中长期径流预报中,往往仅能产生确定性的预报结果,而不能考虑未来径流的不确定性。但是事实上,由于人类活动导致的二氧化碳等温室气体排放量的持续上升,全球气候在过去发生了显著的变化,且在未来会呈现出更复杂的变化趋势,这种变化的气候条件导致现在和未来的水资源量变化具有更大的不确定性。在这种情况下,基于确定性的径流预报结果进行水库调度会为径流预报的实际应用带来较大的风险,因此,需要一种能够产生概率预报的方法来产生径流概率预报,以反映未来径流的不确定性,从而降低基于径流预报的水库调度的风险。
发明内容
针对现有技术存在的问题,本发明提供一种中长期径流概率预报方法及系统。
本发明提供一种中长期径流概率预报方法,包括:
根据预见期、预报因子和所述预报因子对应的历史径流数据,构建目标区域内的预报因子集;
将所述预报因子集输入到训练好的中长期径流预报模型中,得到径流概率预报正态分布结果,其中,所述训练好的中长期径流预报模型是基于样本预报因子集,对改进的支持向量回归模型进行训练得到的,所述改进的支持向量回归模型是由三层贝叶斯推断框架和支持向量回归模型耦合得到的;
对所述径流概率预报正态分布结果进行数据处理,得到所述目标区域在所述预见期内的径流概率预报结果。
根据本发明提供的一种中长期径流概率预报方法,所述训练好的中长期径流预报模型通过以下步骤得到:
基于预设的预见期和每个样本预报因子的滞后期,通过样本径流数据和所述样本预报因子,构建样本预报量和所述样本预报量对应的样本预报因子集;
将所述样本预报量和所述样本预报因子集输入到改进的支持向量回归模型中进行训练,得到训练好的中长期径流预报模型。
根据本发明提供的一种中长期径流概率预报方法,所述改进的支持向量回归模型的核函数为自动相关确定核函数。
根据本发明提供的一种中长期径流概率预报方法,所述将所述样本预报量和所述样本预报因子集输入到改进的支持向量回归模型中进行训练,得到训练好的中长期径流预报模型,包括:
基于初始核函数和初始正则化系数,根据所述样本预报量和所述样本预报因子集,对所述改进的支持向量回归模型进行训练;
在每一轮次的训练中,根据训练结果和正则化系数公式,获取当前轮次的正则化系数,若当前轮次的正则化系数等于上一轮次的正则化系数,则得到所述改进的支持向量回归模型的最优正则化系数,否则,将当前轮次的正则化系数作为下一轮训练时的正则化系数,所述正则化系数公式为:
其中,γ′表示最优正则化系数,N表示样本个数,γeff表示有效参数个数,EW表示模型结构复杂度,ED表示拟合误差,α表示待计算的模型参数,Ω表示核函数矩阵,ei表示第i个样本的预测误差,yi表示预报量Y中第i个值;f(xi)表示拟合值,表示样本预报因子集X中第i个样本;Neff表示为MΩM的非负特征值个数;λG,i表示为MΩM的非负特征值由大到小排序后的第i个特征值,其中, 为一个N阶的中心化矩阵;Neff表示有效样本个数;
根据模型评估指标计算公式,获取当前轮次训练后改进的支持向量回归模型的评估指标,并对所述评估指标进行判断,若所述评估指标不满足收敛条件,则通过自动相关确定核函数计算公式,重新计算核函数,并将新的核函数用于下一轮训练;若所述评估指标满足收敛条件,得到目标核函数;
根据所述目标核函数和所述最优正则化系数,基于模型参数公式,通过训练得到所述改进的支持向量回归模型的模型参数,在满足预设训练次数后,得到训练好的中长期径流预报模型,所述模型参数公式为:
其中,α和b为待计算的模型参数,Y为预报量,1v为N个1组成的列向量,IN为N阶单位矩阵,γ为设定的正则化系数;Ω为核函数矩阵,核函数矩阵中第i行第j列的值为Ωi,j=K(xi,xj),其中,xi、xj分别为样本预报因子集X中第i个和第j个样本,K(xi,xj)为核函数。
根据本发明提供的一种中长期径流概率预报方法,所述自动相关确定核函数计算公式为:
其中,ninputs为选中的预报因子个数,xi,k表示样本预报因子集X中第i个样本的第k个预报因子值,xi,k表示样本预报因子集X中第j个样本的第k个预报因子值,σk为对应第k个预报因子的核函数参数。
根据本发明提供的一种中长期径流概率预报方法,所述模型评估指标计算公式为:
ζ=μ*γ;
其中,μ表示模型复杂度在最终训练中所占的权重,ζ表示模型拟合效果在最终训练中所占的权重。
根据本发明提供的一种中长期径流概率预报方法,所述根据预见期、预报因子和所述预报因子对应的历史径流数据,构建目标区域内的预报因子集,包括:
基于log-sinh变换,对历史径流数据进行预处理,得到预处理后的历史径流数据;
根据预见期,将所述预处理后的历史径流数据置于对应月份的预报因子中,得到预报因子集。
本发明还提供一种中长期径流概率预报系统,包括:
预报因子集构建模块,用于根据预见期、预报因子和所述预报因子对应的历史径流数据,构建目标区域内的预报因子集;
径流概率分布预报模块,用于将所述预报因子集输入到训练好的中长期径流预报模型中,得到径流概率预报正态分布结果,其中,所述训练好的中长期径流预报模型是基于样本预报因子集,对改进的支持向量回归模型进行训练得到的,所述改进的支持向量回归模型是由三层贝叶斯推断框架和支持向量回归模型耦合得到的;
径流预报生成模块,用于对所述径流概率预报正态分布结果进行数据处理,得到所述目标区域在所述预见期内的径流概率预报结果。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述中长期径流概率预报方法的步骤。
本发明还提供一种非暂态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如上述任一种所述中长期径流概率预报方法的步骤。
本发明提供的一种中长期径流概率预报方法及系统,通过耦合三层贝叶斯推断框架和支持向量回归,可以对支持向量回归中的参数不确定性进行评估,从而计算径流预报的不确定性,基于此产生概率预报结果,解决传统数据驱动模型无法产生中长期径流概率预报的问题,更好地反映未来径流的不确定性,从而降低基于径流预报的水库调度的风险。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的中长期径流概率预报方法的流程示意图;
图2为本发明提供的中长期径流预报的整体流程图;
图3为本发明提供的中长期径流概率预报结果的验证效果示意图;
图4为本发明提供的中长期径流概率预报系统的结构示意图;
图5为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有中长期径流预报的数据驱动模型中,支持向量回归(Support VectorRegression,简称SVR)方法是一种在中长期径流预报中得到广泛应用且具有良好预报效果的方法。但是,在基于数据驱动模型的中长期径流预报中,该方法往往仅能产生确定性的预报结果,而不能考虑未来径流的不确定性。
此外,具体到常用的SVR方法中,也存在两个亟待解决的问题,在现有SVR方法中,正则化系数和核函数参数对模型结构以及模型效果有着重要的影响,但是在实际应用时难以直接求解,因此这两类参数称为超参数。在当前的应用中,常通过基于格点搜索的试错法对SVR的超参数进行优化,在这种方法中,搜索的格点稀疏很难得到最优的参数,而增加格点的密集度则会增加模型率定时间,其训练时间和效果相互制约,且实际应用中需要基于先验知识来设定参数搜索范围,因此优化方法有待于进一步改进;另一方面,在现有SVR方法中,常采用径向基核函数,但是这种核函数无法区分不同预报因子的重要程度,而事实上不同的预报因子对径流有着不同程度的影响,因此需要在SVR方法中对不同预报因子进行区分。
本发明提供了一种中长期径流概率预报方法,通过耦合三层贝叶斯推断框架、支持向量回归和自动相关确定(Automatic Relevance Determination,简称ARD)核函数,来产生中长期径流概率预报以反映未来径流的不确定性;同时,通过贝叶斯推断的引入,可解决支持向量回归方法的超参数优化问题,通过ARD核函数的引入来区分不同预报因子的重要程度。
在耦合三层贝叶斯推断框架和支持向量回归(记为BSVR)的方法中,通过将SVR方法的核函数替换为ARD核函数,可以得到贝叶斯推断、支持向量回归和ARD核函数耦合的方法(记为BSVRARD),这种方法可以区分不同预报因子的重要程度,进一步提升预报效果。
图1为本发明提供的中长期径流概率预报方法的流程示意图,如图1所示,本发明提供了一种中长期径流概率预报方法,包括:
步骤101,根据预见期、预报因子和所述预报因子对应的历史径流数据,构建目标区域内的预报因子集。
在本发明中,根据选中的预报因子,构造中长期模型输入xnew。具体地,根据选中的预报因子,分别获取其对应于当前预报对象的值,进行相应数据处理后,形成模型输入。具体地,在本发明中,所述根据预见期、预报因子和所述预报因子对应的历史径流数据,构建目标区域内的预报因子集,具体包括:基于log-sinh变换,对历史径流数据进行预处理,得到预处理后的历史径流数据;根据预见期,将所述预处理后的历史径流数据置于对应月份的预报因子中,得到预报因子集。
例如,本实施例中,预见期为1个月,选中的其中一个预报因子为1个月前的径流,即在预报2004年1月径流时,获取2003年12月的径流,经log-sinh处理后,置于模型输入xnew的相应月份位置,对于其它选中的预报因子采用上述同样的处理方式,从而得到目标区域内的预报因子集。
步骤102,将所述预报因子集输入到训练好的中长期径流预报模型中,得到径流概率预报正态分布结果,其中,所述训练好的中长期径流预报模型是基于样本预报因子集,对改进的支持向量回归模型进行训练得到的,所述改进的支持向量回归模型是由三层贝叶斯推断框架和支持向量回归模型耦合得到的;
在现有基于数据驱动模型的中长期径流预报中,模型输出多为确定性的径流预报结果,无法反映未来径流的不确定性,给基于径流预报的水库调度带来了风险。因此,在本发明中,训练好的中长期径流预报模式是由三层贝叶斯推断框架和数据驱动模型SVR进行耦合得到的,通过该耦合方法产生概率预报结果,解决传统中长期径流预报方法无法产生概率预报的问题,同时,贝叶斯推断的引入能够有效率定SVR模型的超参数,解决SVR模型的超参数优化问题。
在数据驱动模型中,其参数包括模型参数和模型超参数。其中,模型参数为实际进行拟合和预报的参数,可以在确定超参数后,根据具体训练数据计算得到,模型超参数会影响模型的训练过程,不同的超参数会训练得到不同的模型参数,进而影响模型的拟合和预报结果。对于SVR模型而言,超参数包括用于核函数参数以及控制模型复杂度的正则化系数。在三层贝叶斯推断和SVR模型耦合的方法中(记为BSVR),第一层贝叶斯推断用于优化SVR模型的参数,第二层贝叶斯推断用于优化SVR模型的正则化系数,第三层贝叶斯推断则用于优化模型的核函数参数,最后,通过在贝叶斯推断框架中对模型参数不确定性的计算,可以计算得到预报结果所属正态分布的均值和方差,则基于此可产生符合正态分布的概率预报结果。
进一步地,通过将步骤101得到的预报因子集输入到训练好的中长期径流预报模型中,该模型计算概率预报结果的均值f(xnew),公式为:
并计算概率预报结果的方差var(xnew),公式为:
其中,θnew=[K(x1,xnew);K(x2,xnew);…;K(xN,xnew)],为xnew和不同输入样本的核函数构成的向量; DG为Neff个非零特征值λG,i构成的对角矩阵,为Neff阶单位矩阵;UG为N×Neff矩阵,第i列为vi为MΩM对应于特征值λG,i的特征向量。
步骤103,对所述径流概率预报正态分布结果进行数据处理,得到所述目标区域在所述预见期内的径流概率预报结果。
在本发明中,前期在构建预报因子集时,会对数据进行预处理,当模型输出径流概率预报正态分布结果后,对径流概率预报正态分布结果进行逆处理,从而得到目标区域实际的径流概率预报结果。具体地,在本实施例中,对历史径流数据采用的预处理是log-sinh变换,因此采用逆变换将径流概率预报正态分布结果转换为径流概率预报结果,其中,点预报结果即为f(xnew)转换后的值,同时以作为预报置信区间,可以得到概率预报的置信区间。
本发明提供的中长期径流概率预报方法,通过耦合三层贝叶斯推断框架和支持向量回归,可以对支持向量回归中的参数不确定性进行评估,从而计算径流预报的不确定性,基于此产生概率预报结果,解决传统数据驱动模型无法产生中长期径流概率预报的问题,更好地反映未来径流的不确定性,从而降低基于径流预报的水库调度的风险。
在上述实施例的基础上,所述训练好的中长期径流预报模型通过以下步骤得到:
基于预设的预见期和每个样本预报因子的滞后期,通过样本径流数据和所述样本预报因子,构建样本预报量和所述样本预报量对应的样本预报因子集;
将所述样本预报量和所述样本预报因子集输入到改进的支持向量回归模型中进行训练,得到训练好的中长期径流预报模型。
在本发明中,首先获取样本径流数据及可用于预报径流的数据(即样本预报因子)。以某区域水文站的预见期为1个月的月径流预报进行说明,具体地,利用该水文站的1980年1月至2003年12月的月尺度径流数据建模,然后利用建立的模型对其2004年1月至2006年12月的径流进行预见期为1个月的预报。本发明收集了该区域水文站的1980年1月至2006年12月的月尺度径流数据,以及同期的国家气候中心发布的130项气候监测指数,包括了88项大气环流指数、26项海温指数以及16项其它指数(例如,太阳黑子演变周期)。另外,为了区分不同月份,将月份数据也作为可用的预报因子。
然后,对样本径流数据及其它数据(预报因子等)进行数据预处理,以使数据分布更适合数据驱动模型。具体地,在一实施例中,对样本径流数据采用log-sinh数据变换进行处理;对气候因子数据(预报因子)采用逐月标准化的处理方式;对月份数据采用归一化处理方式,将其归一化到-1和1之间。
进一步地,设定预报的预见期,根据预见期及不同因子的滞后期,形成备选预报因子集Z及对应的样本预报量Y。具体地,在一实施例中,设定预见期为1个月,设前期径流因子的滞后期为1个月,气候因子对径流影响的滞后期最大为12个月,再将同期月份数据加入到备选预报因子集中,则要预报第t个月的径流时,样本预报量为Yt=Qt(Q为数据处理后的径流),备选预报因子包括1个月前的径流Qt-1,前12个月内的气候因子数据[Ft-1,Ft-2,…,Ft-12](F为数据处理后的气候因子),当月的月份数据Mt(M为数据处理后的月份),则对应的备选预报因子集为Zt=[Qt-1,Ft-1,Ft-2,…,Ft-12,Mt]。基于此,可以构造出对于不同月份的样本预报量和样本预报因子,将每个月的样本预报量和样本预报因子作为一个样本并按时间顺序排列,则可以得到样本预报量Y以及相应的备选预报因子集Z。
最后,本发明利用因子选择方法,从备选预报因子集Z中选取合适的预报因子,根据选取结果形成预报因子集X,从而构建得到样本预报量和样本预报因子集。具体地,本发明采用了基于偏互信息的因子选择方法,从所有的备选预报因子集中选取出合适的预报因子,并组成了样本预报因子集X。
在构建了训练集之后,利用预报因子集X和样本预报量Y建立模型,即采用贝叶斯推断和支持向量回归的耦合方法,建立样本预报量Y和预报因子X之间的关系。具体步骤为:
步骤201,设定支持向量回归的初始核函数参数向量σ,向量中不同的值对应着不同的预报因子;
步骤202,设定支持向量回归的初始正则化系数γ;
步骤203,根据设定的核函数参数σ、正则化系数γ、样本预报量Y以及预报因子X训练模型,该模型是由三层贝叶斯推断框架和支持向量回归模型耦合得到的;
步骤204,根据训练的模型计算得到最优正则化系数γ′,若γ′=γ,则继续下一步,否则令γ=γ′,即将计算得到的γ′作为下一轮训练的γ,重复步骤203;
步骤205,根据训练的模型,计算反映模型拟合误差和复杂度的评估指标;
步骤206,判断模型的评估指标是否收敛,若收敛,则继续下一步,否则改变核函数参数向量,重复步骤202至步骤205;
步骤207,根据优化得到的核函数参数向量、正则化系数来训练模型,得到可用于预报的模型,即得到训练好的中长期径流预报模型。
在上述实施例的基础上,所述改进的支持向量回归模型的核函数为自动相关确定核函数。
在本发明中,通过在通过耦合三层贝叶斯推断框架和支持向量回归的方法中引入ARD核函数,能够在支持向量回归方法中有效区分不同预报因子的重要性,使对径流影响更大的因子发挥更重要的作用,从而进一步提升径流预报的效果。
在上述实施例的基础上,所述将所述样本预报量和所述样本预报因子集输入到改进的支持向量回归模型中进行训练,得到训练好的中长期径流预报模型,包括:
基于初始核函数和初始正则化系数,根据所述样本预报量和所述样本预报因子集,对所述改进的支持向量回归模型进行训练。
在本发明中,设定初始核函数参数σ和支持向量回归的初始正则化系数γ。具体地,在本实施例中,不同预报因子对应的核函数参数的值均为1,初始正则化系数设定为1。然后,根据设定的超参数及数据训练模型,即计算得到模型用于拟合和预报的参数。
在每一轮次的训练中,根据训练结果和正则化系数公式,获取当前轮次的正则化系数,若当前轮次的正则化系数等于上一轮次的正则化系数,则得到所述改进的支持向量回归模型的最优正则化系数,否则,将当前轮次的正则化系数作为下一轮训练时的正则化系数,所述正则化系数公式为:
其中,γ′表示最优正则化系数,N表示样本个数,γeff表示有效参数个数,EW表示模型结构复杂度,ED表示拟合误差,α表示待计算的模型参数,Ω表示核函数矩阵,ei表示第i个样本的预测误差,yi表示预报量Y中第i个值;f(xi)表示拟合值,表示样本预报因子集X中第i个样本;Neff表示为MΩM的非负特征值个数;λG,i表示为MΩM的非负特征值由大到小排序后的第i个特征值,其中, 为一个N阶的中心化矩阵;Neff表示有效样本个数。
根据模型评估指标计算公式,获取当前轮次训练后改进的支持向量回归模型的评估指标,并对所述评估指标进行判断,若所述评估指标不满足收敛条件,则通过自动相关确定核函数计算公式,重新计算核函数,并将新的核函数用于下一轮训练;若所述评估指标满足收敛条件,得到目标核函数。所述模型评估指标计算公式为:
ζ=μ*γ;
其中,μ表示模型复杂度在最终训练中所占的权重,ζ表示模型拟合效果在最终训练中所占的权重。
所述自动相关确定核函数计算公式为:
其中,ninputs为选中的预报因子个数,xi,k表示样本预报因子集X中第i个样本的第k个预报因子值,xi,k表示样本预报因子集X中第j个样本的第k个预报因子值,σk为对应第k个预报因子的核函数参数。需要说明的是,当所有的σk有同样取值时,则退化为BSVR方法。
在本发明中,通过第三层贝叶斯推断的评估指标,判断模型的评估指标是否收敛,若收敛则继续下一步,否则改变核函数参数向量,将本轮次训练计算得到的正则化系数和核函数参数作为下一轮训练的参数,再次进行模型训练。具体地,可以采用不同的优化算法来搜索使评估指标最小的核函数参数向量,此时评估指标收敛于最小值。
根据所述目标核函数和所述最优正则化系数,基于模型参数公式,通过训练得到所述改进的支持向量回归模型的模型参数,在满足预设训练次数后,得到训练好的中长期径流预报模型,所述模型参数公式为:
其中,α和b为待计算的模型参数,Y为预报量,1v为N个1组成的列向量,IN为N阶单位矩阵,γ为设定的正则化系数;Ω为核函数矩阵,核函数矩阵中第i行第j列的值为Ωi,j=K(xi,xj),其中,xi、xj分别为样本预报因子集X中第i个和第j个样本,K(xi,xj)为核函数。在本发明中,训练好的中长期径流预报模型的核函数参数向量为[0.01;2.01],正则化系数为6.44。
在一实施例中,以某区域水文站2004年1月到2006年12月的预见期为1个月的月径流概率预报结果进行说明,图2为本发明提供的中长期径流预报的整体流程图,可参考图2所示,在步骤S1中,首先通过数据处理及因子选择,构建用于训练模型的样本集;在步骤S2中,基于构建的样本集,建立预报模型,从而得到训练好的预报模型;在步骤S3中,对某区域进行实际的径流预报,根据预报模型产生该区域的径流概率预报结果。
图3为本发明提供的中长期径流概率预报结果的验证效果示意图,如图3所示,W为预报置信区间平均宽度,P为实测径流在预报置信区间内的频率,RMSE为概率预报均值相比于实测值的均方根误差。从图3中可以看出,概率预报均值和实测值基本一致,均方根误差为2.02m3/s,表明概率预报的中心接近于实测值。此外,从概率预报结果来看,86.1%的实测值落在了预报置信区间内,表明预报置信区间能够很好的反映出预报的不确定性,概率预报结果比较可靠。另一方面,预报置信区间的平均宽度较窄,为3.61m3/s,预报具有较高的实用性。作为对比,将上述训练步骤中的核函数参数设定为标量,则可以得到BSVR方法的预报结果。两种方法得到的预报效果评估指标如表1所示:
表1
方法 | P(%) | W(m<sup>3</sup>/s) | RMSE(m<sup>3</sup>/s) |
BSVR | 91.7 | 3.98 | 2.27 |
BSVRARD | 86.1 | 3.61 | 2.02 |
从表1中可知,相比于BSVR方法,BSVRARD方法的预报宽度降低了0.37m3/s,相对降低幅度为9.3%;RMSE降低了0.25m3/s,相对降低幅度为11.0%;P值减小了5.6%,相对降低幅度为6.1%。虽然BSVR的概率预报的P值更大,预报区间包括了更多的实测径流值,但这主要是由于其预报区间宽度较宽;而从另外两个指标来看,BSVRARD方法都要比BSVR方法有更好的预报效果。总体来看,BSVRARD方法的预报效果要更好。而相比于传统的SVR方法,BSVRARD和BSVR方法均能产生概率预报结果,反映未来径流不确定性,从而降低基于预报进行水库调度的风险。
图4为本发明提供的中长期径流概率预报系统的结构示意图,如图4所示,本发明提供了一种中长期径流概率预报系统,包括预报因子集构建模块401、径流概率分布预报模块402和径流预报生成模块403,其中,预报因子集构建模块401用于根据预见期、预报因子和所述预报因子对应的历史径流数据,构建目标区域内的预报因子集;径流概率分布预报模块402用于将所述预报因子集输入到训练好的中长期径流预报模型中,得到径流概率预报正态分布结果,其中,所述训练好的中长期径流预报模型是基于样本预报因子集,对改进的支持向量回归模型进行训练得到的,所述改进的支持向量回归模型是由三层贝叶斯推断框架和支持向量回归模型耦合得到的;径流预报生成模块403用于对所述径流概率预报正态分布结果进行数据处理,得到所述目标区域在所述预见期内的径流概率预报结果。
本发明提供的中长期径流概率预报系统,通过耦合三层贝叶斯推断框架和支持向量回归,可以对支持向量回归中的参数不确定性进行评估,从而计算径流预报的不确定性,基于此产生概率预报结果,解决传统数据驱动模型无法产生中长期径流概率预报的问题,更好地反映未来径流的不确定性,从而降低基于径流预报的水库调度的风险。
本发明提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图5为本发明提供的电子设备的结构示意图,如图5所示,该电子设备可以包括:处理器(processor)501、通信接口(CommunicationsInterface)502、存储器(memory)503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令,以执行中长期径流概率预报方法,该方法包括:根据预见期、预报因子和所述预报因子对应的历史径流数据,构建目标区域内的预报因子集;将所述预报因子集输入到训练好的中长期径流预报模型中,得到径流概率预报正态分布结果,其中,所述训练好的中长期径流预报模型是基于样本预报因子集,对改进的支持向量回归模型进行训练得到的,所述改进的支持向量回归模型是由三层贝叶斯推断框架和支持向量回归模型耦合得到的;对所述径流概率预报正态分布结果进行数据处理,得到所述目标区域在所述预见期内的径流概率预报结果。
此外,上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的中长期径流概率预报方法,该方法包括:根据预见期、预报因子和所述预报因子对应的历史径流数据,构建目标区域内的预报因子集;将所述预报因子集输入到训练好的中长期径流预报模型中,得到径流概率预报正态分布结果,其中,所述训练好的中长期径流预报模型是基于样本预报因子集,对改进的支持向量回归模型进行训练得到的,所述改进的支持向量回归模型是由三层贝叶斯推断框架和支持向量回归模型耦合得到的;对所述径流概率预报正态分布结果进行数据处理,得到所述目标区域在所述预见期内的径流概率预报结果。
又一方面,本发明还提供一种非暂态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以执行上述各实施例提供的中长期径流概率预报方法,该方法包括:根据预见期、预报因子和所述预报因子对应的历史径流数据,构建目标区域内的预报因子集;将所述预报因子集输入到训练好的中长期径流预报模型中,得到径流概率预报正态分布结果,其中,所述训练好的中长期径流预报模型是基于样本预报因子集,对改进的支持向量回归模型进行训练得到的,所述改进的支持向量回归模型是由三层贝叶斯推断框架和支持向量回归模型耦合得到的;对所述径流概率预报正态分布结果进行数据处理,得到所述目标区域在所述预见期内的径流概率预报结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种中长期径流概率预报方法,其特征在于,包括:
根据预见期、预报因子和所述预报因子对应的历史径流数据,构建目标区域内的预报因子集;
将所述预报因子集输入到训练好的中长期径流预报模型中,得到径流概率预报正态分布结果,其中,所述训练好的中长期径流预报模型是基于样本预报因子集,对改进的支持向量回归模型进行训练得到的,所述改进的支持向量回归模型是由三层贝叶斯推断框架和支持向量回归模型耦合得到的;
对所述径流概率预报正态分布结果进行数据处理,得到所述目标区域在所述预见期内的径流概率预报结果。
2.根据权利要求1所述的中长期径流概率预报方法,其特征在于,所述训练好的中长期径流预报模型通过以下步骤得到:
基于预设的预见期和每个样本预报因子的滞后期,通过样本径流数据和所述样本预报因子,构建样本预报量和所述样本预报量对应的样本预报因子集;
将所述样本预报量和所述样本预报因子集输入到改进的支持向量回归模型中进行训练,得到训练好的中长期径流预报模型。
3.根据权利要求2所述的中长期径流概率预报方法,其特征在于,所述改进的支持向量回归模型的核函数为自动相关确定核函数。
4.根据权利要求3所述的中长期径流概率预报方法,其特征在于,所述将所述样本预报量和所述样本预报因子集输入到改进的支持向量回归模型中进行训练,得到训练好的中长期径流预报模型,包括:
基于初始核函数和初始正则化系数,根据所述样本预报量和所述样本预报因子集,对所述改进的支持向量回归模型进行训练;
在每一轮次的训练中,根据训练结果和正则化系数公式,获取当前轮次的正则化系数,若当前轮次的正则化系数等于上一轮次的正则化系数,则得到所述改进的支持向量回归模型的最优正则化系数,否则,将当前轮次的正则化系数作为下一轮训练时的正则化系数,所述正则化系数公式为:
其中,γ′表示最优正则化系数,N表示样本个数,γeff表示有效参数个数,EW表示模型结构复杂度,ED表示拟合误差,α表示待计算的模型参数,Ω表示核函数矩阵,ei表示第i个样本的预测误差,yi表示预报量Y中第i个值;f(xi)表示拟合值,表示样本预报因子集X中第i个样本;Neff表示为MΩM的非负特征值个数;λG,i表示为MΩM的非负特征值由大到小排序后的第i个特征值,其中, 为一个N阶的中心化矩阵;Neff表示有效样本个数;
根据模型评估指标计算公式,获取当前轮次训练后改进的支持向量回归模型的评估指标,并对所述评估指标进行判断,若所述评估指标不满足收敛条件,则通过自动相关确定核函数计算公式,重新计算核函数,并将新的核函数用于下一轮训练;若所述评估指标满足收敛条件,得到目标核函数;
根据所述目标核函数和所述最优正则化系数,基于模型参数公式,通过训练得到所述改进的支持向量回归模型的模型参数,在满足预设训练次数后,得到训练好的中长期径流预报模型,所述模型参数公式为:
其中,α和b为待计算的模型参数,Y为预报量,1v为N个1组成的列向量,IN为N阶单位矩阵,γ为设定的正则化系数;Ω为核函数矩阵,核函数矩阵中第i行第j列的值为Ωi,j=K(xi,xj),其中,xj、xj分别为样本预报因子集X中第i个和第j个样本,K(xi,xj)为核函数。
7.根据权利要求1所述的中长期径流概率预报方法,其特征在于,所述根据预见期、预报因子和所述预报因子对应的历史径流数据,构建目标区域内的预报因子集,包括:
基于log-sinh变换,对历史径流数据进行预处理,得到预处理后的历史径流数据;
根据预见期,将所述预处理后的历史径流数据置于对应月份的预报因子中,得到预报因子集。
8.一种中长期径流概率预报系统,其特征在于,包括:
预报因子集构建模块,用于根据预见期、预报因子和所述预报因子对应的历史径流数据,构建目标区域内的预报因子集;
径流概率分布预报模块,用于将所述预报因子集输入到训练好的中长期径流预报模型中,得到径流概率预报正态分布结果,其中,所述训练好的中长期径流预报模型是基于样本预报因子集,对改进的支持向量回归模型进行训练得到的,所述改进的支持向量回归模型是由三层贝叶斯推断框架和支持向量回归模型耦合得到的;
径流预报生成模块,用于对所述径流概率预报正态分布结果进行数据处理,得到所述目标区域在所述预见期内的径流概率预报结果。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述中长期径流概率预报方法的步骤。
10.一种非暂态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如权利要求1至7任一项所述中长期径流概率预报方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110720101.6A CN113592144A (zh) | 2021-06-28 | 2021-06-28 | 一种中长期径流概率预报方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110720101.6A CN113592144A (zh) | 2021-06-28 | 2021-06-28 | 一种中长期径流概率预报方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113592144A true CN113592144A (zh) | 2021-11-02 |
Family
ID=78244857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110720101.6A Pending CN113592144A (zh) | 2021-06-28 | 2021-06-28 | 一种中长期径流概率预报方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592144A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676641A (zh) * | 2022-04-16 | 2022-06-28 | 江苏省气象台 | 一种基于非齐次回归可变滑动训练期的降水概率预报算法 |
CN115689368A (zh) * | 2022-11-10 | 2023-02-03 | 华能西藏雅鲁藏布江水电开发投资有限公司 | 一种基于全寿命周期的径流预报模型评价方法 |
CN116415755A (zh) * | 2023-05-26 | 2023-07-11 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于条件概率分布的径流变异程度评估方法 |
CN116881624A (zh) * | 2023-09-06 | 2023-10-13 | 北京师范大学 | 复合型极端事件预报方法、装置、计算机设备和存储介质 |
CN117132177A (zh) * | 2023-10-23 | 2023-11-28 | 长江三峡集团实业发展(北京)有限公司 | 基于多重假设检验的径流预报模型构建和径流预报方法 |
-
2021
- 2021-06-28 CN CN202110720101.6A patent/CN113592144A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676641A (zh) * | 2022-04-16 | 2022-06-28 | 江苏省气象台 | 一种基于非齐次回归可变滑动训练期的降水概率预报算法 |
CN114676641B (zh) * | 2022-04-16 | 2024-05-14 | 江苏省气象台 | 一种基于非齐次回归可变滑动训练期的降水概率预报算法 |
CN115689368A (zh) * | 2022-11-10 | 2023-02-03 | 华能西藏雅鲁藏布江水电开发投资有限公司 | 一种基于全寿命周期的径流预报模型评价方法 |
CN116415755A (zh) * | 2023-05-26 | 2023-07-11 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于条件概率分布的径流变异程度评估方法 |
CN116415755B (zh) * | 2023-05-26 | 2023-11-21 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于条件概率分布的径流变异程度评估方法 |
CN116881624A (zh) * | 2023-09-06 | 2023-10-13 | 北京师范大学 | 复合型极端事件预报方法、装置、计算机设备和存储介质 |
CN116881624B (zh) * | 2023-09-06 | 2023-11-17 | 北京师范大学 | 复合型极端事件预报方法、装置、计算机设备和存储介质 |
CN117132177A (zh) * | 2023-10-23 | 2023-11-28 | 长江三峡集团实业发展(北京)有限公司 | 基于多重假设检验的径流预报模型构建和径流预报方法 |
CN117132177B (zh) * | 2023-10-23 | 2024-01-30 | 长江三峡集团实业发展(北京)有限公司 | 基于多重假设检验的径流预报模型构建和径流预报方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113592144A (zh) | 一种中长期径流概率预报方法及系统 | |
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 | |
Lu et al. | Generalized radial basis function neural network based on an improved dynamic particle swarm optimization and AdaBoost algorithm | |
CN113537600B (zh) | 一种全过程耦合机器学习的中长期降水预报建模方法 | |
CN111199270B (zh) | 一种基于深度学习的区域波高预报方法及终端 | |
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 | |
CN104091216A (zh) | 基于果蝇优化最小二乘支持向量机的交通信息预测方法 | |
CN110910004A (zh) | 一种多重不确定性的水库调度规则提取方法及系统 | |
Li et al. | Multi-step ahead wind speed forecasting approach coupling maximal overlap discrete wavelet transform, improved grey wolf optimization algorithm and long short-term memory | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN112365033B (zh) | 一种风电功率区间预测方法、系统及存储介质 | |
Li et al. | A novel combined prediction model for monthly mean precipitation with error correction strategy | |
CN113537469B (zh) | 一种基于LSTM网络和Attention机制的城市需水预测方法 | |
CN114444378A (zh) | 一种区域风电集群的短期功率预测方法 | |
CN108520310A (zh) | 基于G-L混合噪声特性v-支持向量回归机的风速预报方法 | |
CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
CN115587666A (zh) | 基于季节趋势分解和混合神经网络的负荷预测方法及系统 | |
CN112396152A (zh) | 一种基于cs-lstm的洪水预报方法 | |
Li et al. | GMM-HMM-based medium-and long-term multi-wind farm correlated power output time series generation method | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN115545334A (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
CN115526376A (zh) | 多特征融合的生成对抗网络超短期风功率预测方法 | |
CN112836885B (zh) | 组合负荷预测方法、装置、电子设备和存储介质 | |
CN112446550B (zh) | 一种短期建筑负荷概率密度预测方法 |
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 |