CN114660677A - 一种城市雨洪水质水量预测动力学系统与方法 - Google Patents
一种城市雨洪水质水量预测动力学系统与方法 Download PDFInfo
- Publication number
- CN114660677A CN114660677A CN202210305349.0A CN202210305349A CN114660677A CN 114660677 A CN114660677 A CN 114660677A CN 202210305349 A CN202210305349 A CN 202210305349A CN 114660677 A CN114660677 A CN 114660677A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- prediction
- data
- module
- predicted
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 21
- 238000001556 precipitation Methods 0.000 claims abstract description 111
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Environmental Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Atmospheric Sciences (AREA)
- Computational Linguistics (AREA)
- Ecology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Hydrology & Water Resources (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城市雨洪水质水量预测动力学系统与方法，其中，一种城市雨洪水质水量预测动力学系统，包括采集模块、处理模块、模型确定模块、预测模块、误差修正模块和评价模块，所述采集模块，用于采集历史降水量数据，处理模块，用于对历史降水量数据进行处理，得到处理后的降水量数据，模型确定模块，用于确定降水量预测模型，预测模块，用于根据各分解项以及所述余项，通过所述降水量预测模型对降水量进行预测。本发明能够减少预测误差，提高预测精度，同时，综合各个参数化方案组合对应的降水量的预测结果，以得到待预测区域的预测降水量，进一步提高了对待预测区域的降水量的预测准确度。
Description
技术领域
本发明涉及降水量预测技术领域，尤其涉及一种城市雨洪水质水量预测动力学系统与方法。
背景技术
伴随城市化进程不断加深，商业综合体、综合交通枢纽等高密度城市核心区不断涌现城市内涝问题亟需解决。城市综合体通常位于城市的中心或者副中心，有效控制该此类区域在超设计降雨重现期的内涝积水有很强的现实意义。
降水量的预测在近几十年取得了较大的发展，常使用的一类模型是物理统计模型，即选择的因子具有一定的物理意义，并利用前兆信息因子与后期汛期的遥相关原理，对降水的轻重程度进行划分，物理统计模型对数据的质量要求严格，区域所处地域对预测效果影响极大，在实际的使用中不够灵活，并易受不稳定因素的影响，并且其类似于线性刻画的方式，并不能很稳定的去预测降水量，存在较大的随机性。
发明内容
基于背景技术存在的技术问题，本发明提出了一种城市雨洪水质水量预测动力学系统与方法。
本发明提出的一种城市雨洪水质水量预测的方法，包括如下步骤：
S1采集历史降水量数据，并将历史降水量数据分类存储；
S2对历史降水量数据进行预处理，得到处理后的降水量数据；
S3确定与降水相关的微物理参数化过程、积云参数化过程及边界层参数化过程分别对应的目标参数化方案的至少两种参数化方案组合，根据每种参数化方案组合对待预测区域进行数值化模拟，建立降水量预测模型；
S4对至少两种参数化方案组合对应的降水量的预测结果进行融合处理，得到待预测区域的降水量预测数据以及降水量实际数据；
S5对得到降水量预测数据进行空间插值处理，得到预测区域内观测站对应的处理后降水量预测数据；
S6基于原始水质水量数据使用预测模型预测测试集对应的预测值，并根据实际值与预测值计算预测误差；
S7将预测误差输入降雨量预测模型中得到误差序列的误差修正模型；
S8将待预测数据分别输入降水量预测模型和误差修正模型，将结算结果几何相加得到预测值。
优选的，所述降水量预测模型包括训练好的卷积神经网络、优化后的支持向量机以及优化后的BP神经网络。
优选的，所述步骤S2所述的预处理包括缺失值处理和归一化处理。
优选的，所述步骤S5采用双线性插值法对降水量预测数据进行空间插值处理，得到预测区域内每个观测站对应的处理后降水量预测数据。
优选的，所述步骤S2采用MEEMD方法对处理后的降水量数据进行分解，得到多个不同频率的分解项和余项。
优选的，所述步骤S4对所述至少两种参数化方案组合对应的降水量的预测结果进行算术平均或加权平均，得到所述待预测区域的预测降水量。
优选的，所述步骤S8还通过相对误差、平均相对误差、均方根误差、一致性指标以及有效系数对降水量预测模型的预测结果进行评价。
一种城市雨洪水质水量预测动力学系统，其特征在于，包括采集模块、处理模块、模型确定模块、预测模块、误差修正模块和评价模块，所述采集模块，用于采集历史降水量数据，处理模块，用于对历史降水量数据进行处理，得到处理后的降水量数据，模型确定模块，用于确定降水量预测模型，预测模块，用于根据各分解项以及所述余项，通过所述降水量预测模型对降水量进行预测，误差修正模块，用于对降水量预测的误差进行修正处理，评价模块，用于对降水量预测模型的预测结果进行评价。
本发明中，所述一种城市雨洪水质水量预测动力学系统与方法，采取卷积神经网络、粒子群优化的支持向量机和人工蚁群算法优化的BP神经网络建立组合预测模型，减少数据非光滑性所引起的预测误差，提高了预测精度，同时，实现了采用不同的参数化方案组合，来对待预测区域的降水量进行预测，并综合各个参数化方案组合对应的降水量的预测结果，以得到待预测区域的预测降水量，进一步提高了对待预测区域的降水量的预测准确度；
本发明中能够减少预测误差，提高预测精度，同时，综合各个参数化方案组合对应的降水量的预测结果，以得到待预测区域的预测降水量，进一步提高了对待预测区域的降水量的预测准确度。
附图说明
图1为本发明提出的一种城市雨洪水质水量预测的方法的流程图；
图2为本发明提出的一种城市雨洪水质水量预测动力学系统的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
参照图1-2，一种城市雨洪水质水量预测的方法，包括如下步骤：
S1采集历史降水量数据，并将历史降水量数据分类存储；
S2对历史降水量数据进行预处理，得到处理后的降水量数据；
S3确定与降水相关的微物理参数化过程、积云参数化过程及边界层参数化过程分别对应的目标参数化方案的至少两种参数化方案组合，根据每种参数化方案组合对待预测区域进行数值化模拟，建立降水量预测模型；
S4对至少两种参数化方案组合对应的降水量的预测结果进行融合处理，得到待预测区域的降水量预测数据以及降水量实际数据；
S5对得到降水量预测数据进行空间插值处理，得到预测区域内观测站对应的处理后降水量预测数据；
S6基于原始水质水量数据使用预测模型预测测试集对应的预测值，并根据实际值与预测值计算预测误差；
S7将预测误差输入降雨量预测模型中得到误差序列的误差修正模型；
S8将待预测数据分别输入降水量预测模型和误差修正模型，将结算结果几何相加得到预测值。
本发明中，所述降水量预测模型包括训练好的卷积神经网络、优化后的支持向量机以及优化后的BP神经网络。
本发明中，所述步骤S2所述的预处理包括缺失值处理和归一化处理。
本发明中，所述步骤S5采用双线性插值法对降水量预测数据进行空间插值处理，得到预测区域内每个观测站对应的处理后降水量预测数据。
本发明中，所述步骤S2采用MEEMD方法对处理后的降水量数据进行分解，得到多个不同频率的分解项和余项。
本发明中，所述步骤S4对所述至少两种参数化方案组合对应的降水量的预测结果进行算术平均或加权平均，得到所述待预测区域的预测降水量。
本发明中，所述步骤S8还通过相对误差、平均相对误差、均方根误差、一致性指标以及有效系数对降水量预测模型的预测结果进行评价。
一种城市雨洪水质水量预测动力学系统，包括采集模块、处理模块、模型确定模块、预测模块、误差修正模块和评价模块，所述采集模块，用于采集历史降水量数据，处理模块，用于对历史降水量数据进行处理，得到处理后的降水量数据，模型确定模块，用于确定降水量预测模型，预测模块，用于根据各分解项以及所述余项，通过所述降水量预测模型对降水量进行预测，误差修正模块，用于对降水量预测的误差进行修正处理，评价模块，用于对降水量预测模型的预测结果进行评价。
本发明：采集历史降水量数据，并将历史降水量数据分类存储；对历史降水量数据进行预处理，得到处理后的降水量数据；确定与降水相关的微物理参数化过程、积云参数化过程及边界层参数化过程分别对应的目标参数化方案的至少两种参数化方案组合，根据每种参数化方案组合对待预测区域进行数值化模拟，建立降水量预测模型；对至少两种参数化方案组合对应的降水量的预测结果进行融合处理，得到待预测区域的降水量预测数据以及降水量实际数据；对得到降水量预测数据进行空间插值处理，得到预测区域内观测站对应的处理后降水量预测数据；基于原始水质水量数据使用预测模型预测测试集对应的预测值，并根据实际值与预测值计算预测误差；将预测误差输入降雨量预测模型中得到误差序列的误差修正模型；将待预测数据分别输入降水量预测模型和误差修正模型，将结算结果几何相加得到预测值。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种城市雨洪水质水量预测的方法，其特征在于，包括如下步骤：
S1采集历史降水量数据，并将历史降水量数据分类存储；
S2对历史降水量数据进行预处理，得到处理后的降水量数据；
S3确定与降水相关的微物理参数化过程、积云参数化过程及边界层参数化过程分别对应的目标参数化方案的至少两种参数化方案组合，根据每种参数化方案组合对待预测区域进行数值化模拟，建立降水量预测模型；
S4对至少两种参数化方案组合对应的降水量的预测结果进行融合处理，得到待预测区域的降水量预测数据以及降水量实际数据；
S5对得到降水量预测数据进行空间插值处理，得到预测区域内观测站对应的处理后降水量预测数据；
S6基于原始水质水量数据使用预测模型预测测试集对应的预测值，并根据实际值与预测值计算预测误差；
S7将预测误差输入降雨量预测模型中得到误差序列的误差修正模型；
S8将待预测数据分别输入降水量预测模型和误差修正模型，将结算结果几何相加得到预测值。
2.根据权利要求1所述的一种城市雨洪水质水量预测的方法，其特征在于，所述降水量预测模型包括训练好的卷积神经网络、优化后的支持向量机以及优化后的BP神经网络。
3.根据权利要求1所述的一种城市雨洪水质水量预测的方法，其特征在于，所述步骤S2所述的预处理包括缺失值处理和归一化处理。
4.根据权利要求1所述的一种城市雨洪水质水量预测的方法，其特征在于，所述步骤S5采用双线性插值法对降水量预测数据进行空间插值处理，得到预测区域内每个观测站对应的处理后降水量预测数据。
5.根据权利要求1所述的一种城市雨洪水质水量预测的方法，其特征在于，所述步骤S2采用MEEMD方法对处理后的降水量数据进行分解，得到多个不同频率的分解项和余项。
6.根据权利要求1所述的一种城市雨洪水质水量预测的方法，其特征在于，所述步骤S4对所述至少两种参数化方案组合对应的降水量的预测结果进行算术平均或加权平均，得到所述待预测区域的预测降水量。
7.根据权利要求1所述的一种城市雨洪水质水量预测的方法，其特征在于，所述步骤S8还通过相对误差、平均相对误差、均方根误差、一致性指标以及有效系数对降水量预测模型的预测结果进行评价。
8.一种城市雨洪水质水量预测动力学系统，其特征在于，包括采集模块、处理模块、模型确定模块、预测模块、误差修正模块和评价模块，所述采集模块，用于采集历史降水量数据，处理模块，用于对历史降水量数据进行处理，得到处理后的降水量数据，模型确定模块，用于确定降水量预测模型，预测模块，用于根据各分解项以及所述余项，通过所述降水量预测模型对降水量进行预测，误差修正模块，用于对降水量预测的误差进行修正处理，评价模块，用于对降水量预测模型的预测结果进行评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210305349.0A CN114660677A (zh) | 2022-03-25 | 2022-03-25 | 一种城市雨洪水质水量预测动力学系统与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210305349.0A CN114660677A (zh) | 2022-03-25 | 2022-03-25 | 一种城市雨洪水质水量预测动力学系统与方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114660677A true CN114660677A (zh) | 2022-06-24 |
Family
ID=82031673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210305349.0A Pending CN114660677A (zh) | 2022-03-25 | 2022-03-25 | 一种城市雨洪水质水量预测动力学系统与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114660677A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111458770A (zh) * | 2020-05-27 | 2020-07-28 | 上海眼控科技股份有限公司 | 降水量预报评估方法、装置、计算机设备及存储介质 |
| CN111812748A (zh) * | 2020-03-16 | 2020-10-23 | 上海眼控科技股份有限公司 | 一种降水量预测方法及设备 |
| CN111931983A (zh) * | 2020-07-07 | 2020-11-13 | 湖南大学 | 一种降水量预测方法及系统 |
| CN112132333A (zh) * | 2020-09-16 | 2020-12-25 | 安徽泽众安全科技有限公司 | 一种基于深度学习的短期水质水量预测方法及系统 |
-
2022
- 2022-03-25 CN CN202210305349.0A patent/CN114660677A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111812748A (zh) * | 2020-03-16 | 2020-10-23 | 上海眼控科技股份有限公司 | 一种降水量预测方法及设备 |
| CN111458770A (zh) * | 2020-05-27 | 2020-07-28 | 上海眼控科技股份有限公司 | 降水量预报评估方法、装置、计算机设备及存储介质 |
| CN111931983A (zh) * | 2020-07-07 | 2020-11-13 | 湖南大学 | 一种降水量预测方法及系统 |
| CN112132333A (zh) * | 2020-09-16 | 2020-12-25 | 安徽泽众安全科技有限公司 | 一种基于深度学习的短期水质水量预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110887790B (zh) | 基于fvcom和遥感反演的城市湖泊富营养化模拟方法和系统 | |
| CN111859800A (zh) | 用于pm2.5浓度分布的时空估算和预测的方法 | |
| CN113344291B (zh) | 城市内涝淹没范围的预报方法、装置、介质和设备 | |
| CN107610021A (zh) | 环境变量时空分布的综合分析方法 | |
| CN105868853A (zh) | 一种短期风电功率组合概率预测方法 | |
| CN114841476B (zh) | 城市雨水资源利用时空动态调配与交易方法及系统 | |
| CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
| CN111462450A (zh) | 一种考虑降雨空间异质性的山洪预警方法 | |
| CN113408211A (zh) | 基于机器学习的城市内涝积水点积水过程预测方法及系统 | |
| CN117541272B (zh) | 数字工程碳排放数据确定方法、系统、设备及存储介质 | |
| US20240256746A1 (en) | Scheduling method and system for operation of reservoirs to recharge freshwater for repelling saltwater intrusion under changing conditions | |
| CN110543660B (zh) | 一种低冲击开发模拟方法、系统及相关装置 | |
| CN114897264A (zh) | 一种基于迁移学习的小样本场景下光伏出力区间预测方法 | |
| CN117332702A (zh) | 基于ilstm的内涝水深预测与多因子时序分析方法 | |
| CN116826745B (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
| CN114660677A (zh) | 一种城市雨洪水质水量预测动力学系统与方法 | |
| CN102567606B (zh) | 给水管网等水压面实时绘制方法 | |
| Mansor et al. | Optimization of land use suitability for agriculture using integrated geospatial model and genetic algorithms | |
| CN101625741A (zh) | 土地评价样点空间配置方法 | |
| CN111144611A (zh) | 一种基于聚类和非线性自回归的空间负荷预测方法 | |
| CN116304949A (zh) | 一种能耗历史数据的校准方法 | |
| CN114970813A (zh) | 一种溶解氧浓度数据修复及预报方法 | |
| CN110222879B (zh) | 一种考虑置信区间的系统-母线负荷预测协调方法及装置 | |
| CN110738373A (zh) | 一种土地交通生成和分布预测方法及系统 | |
| CN118068453B (zh) | 基于多源预报产品的大释用短期降水预报方法和系统 |
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 |