CN114971072A - 一种基于多因子相似分析的水文预报系统 - Google Patents

一种基于多因子相似分析的水文预报系统 Download PDF

Info

Publication number
CN114971072A
CN114971072A CN202210716725.5A CN202210716725A CN114971072A CN 114971072 A CN114971072 A CN 114971072A CN 202210716725 A CN202210716725 A CN 202210716725A CN 114971072 A CN114971072 A CN 114971072A
Authority
CN
China
Prior art keywords
data
hydrological
meteorological
data set
module
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
Application number
CN202210716725.5A
Other languages
English (en)
Other versions
CN114971072B (zh
Inventor
宋淑红
张波
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.)
Shaanxi Hydrology And Water Resources Survey Center
Original Assignee
Shaanxi Hydrology And Water Resources Survey Center
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 Shaanxi Hydrology And Water Resources Survey Center filed Critical Shaanxi Hydrology And Water Resources Survey Center
Priority to CN202210716725.5A priority Critical patent/CN114971072B/zh
Publication of CN114971072A publication Critical patent/CN114971072A/zh
Application granted granted Critical
Publication of CN114971072B publication Critical patent/CN114971072B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (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

本发明提供了一种基于多因子相似分析的水文预报系统，包括数据存储模块、多因子分析模块和预报模块，所述数据存储模块用于记录水文区域的历史数据，所述预报模块用于输入预报时间并输出预报结果，所述多因子分析模块根据历史数据以及预报时间进行多因子模型分析得到预测数据；本系统采用的是统计学的分析原理，能够自由地设定需要预报的时间，并根据预报时间获取对应的历史数据进行分析，具有强大的灵活性，在分析过程中，通过多因子的相似性建立映射模型，从而得到准确的预报结果。

Description

一种基于多因子相似分析的水文预报系统
技术领域
本发明涉及水文学领域，具体涉及一种基于多因子相似分析的水文预报系统。
背景技术
水文预报是指根据前期或现时的水文气象资料，对某一水体、某一地区或某一水文站在未来一定时间内的水文情况作出定性或定量的预测。对防洪、抗旱、水资源合理利用和国防事业中有重要意义，对未来水文情况作出科学预测并发布预报的技术与作业。水文预报是水文学为经济和社会服务的重要方面，特别是对灾害性水文现象做出预报，对综合利用大型水利枢纽做出短期、中期和长期的预报，作用很大。但现有的预报系统只能对固定时间后的水文情况进行预测，不具有灵活性，且预测结果的准确性有待提高。
背景技术的前述论述仅意图便于理解本发明。此论述并不认可或承认提及的材料中的任一种公共常识的一部分。
现在已经开发出了很多授权系统，经过我们大量的检索与参考，发现现有的授权系统有如公开号为US20130201790A1，JP2005313827A、CN111539587A和KR1020140140361A所公开的系统，这些系统一般包括：采集一水系流域对应的雨量站一定时间段内的雨量样本数据集；对雨量样本数据集进行分析，并补充完善其中的缺失项；对雨量样本数据集进行特征选择，选择12小时内每隔4小时所累积的雨量和作为新的数据项；对经过步骤S3的特征选择后的雨量样本数据集进一步的与实际环境进行对比分析；对经过步骤S4对比分析后的雨量样本数据集进行向前搜索的迭代选择，从而得到4小时、8小时及12小时之后的雨量；工作人员基于步骤S5来获取4小时、8小时及12小时之后的水位值。但该系统只能对短期内的水文情况进行预报，且预报基于的原始数据较少，预测结果的准确性不够高。
发明内容
本发明的目的在于，针对所存在的不足，提出了一种基于多因子相似分析的水文预报系统。
本发明采用如下技术方案：
一种基于多因子相似分析的水文预报系统，包括数据存储模块、多因子分析模块和预报模块，所述数据存储模块用于存储历史检测数据，所述多因子分析模块对历史检测数据进行分析处理，所述预报模块用于输入预测的时间信息并基于所述多因子分析模块的处理结果进行水文预报；
所述历史检测数据包括气象数据和水文数据，所述气象数据和所述水文数据均包括多个类别，且每个类别的数据以固定的检测时间间隔保存在所述数据存储模块中；
所述多因子分析模块从所述预报模块中获取第一预报时间T1、第二预报时间T2和第三预报时间T3，并根据所述三个预报时间从所述数据存储模块中获取符合要求的历史检测数据，获取的历史检测数据包括多组相似数据集和一组基础数据集，所述相似数据集包括一段气象数据集A和一段水文数据集B，所述基础数据集包括一段气象数据集A0，满足的要求为：
数据集A和数据集A0的时间跨度均为T3，数据集B的时间跨度为T2，同一组相似数据集中的数据集A和数据集B的时间间隔为T1，数据集A和数据集A0相似；
所述多因子分析模块根据多组相似数据集建立气象数据与水文数据之间的映射模型：
Figure BDA0003709820950000021
其中，imax为气象数据的类别总数，We(i，j)为第i类气象数据与第j类水文数据之间的权重系数，
Figure BDA0003709820950000022
为相似数据集中所有第i类气象数据的平均值，
Figure BDA0003709820950000023
为相似数据集中所有第j类水文数据的平均值，αj为第j类水文数据的调整系数；
所述多因子分析模块根据映射模型和气象数据集A0计算出水文数据集B0：
Figure BDA0003709820950000024
其中，
Figure BDA0003709820950000025
为气象数据集A0中第i类气象数据的平均值，
Figure BDA0003709820950000026
为水文数据集B0中第j类水文数据的平均值；
所述多因子分析模块根据下式计算出水文数据集B0中第j类水文数据的峰值Bh(j)：
Figure BDA0003709820950000027
其中，β为峰值倍率；
所述预报模块根据峰值Bh(j)进行水文预报；
进一步的，所述权重系数We(i，j)根据下式计算得到：
Figure BDA0003709820950000031
其中，Qr(i，j)表示第i类气象数据与第j类水文数据之间的关联指数；
进一步的，所述关联指数Qr(i，j)根据下式计算得到：
Figure BDA0003709820950000032
其中，Rv(k，i，j)表示第k组相似数据集中第i类气象数据与第j类水文数据之间的关联比值，
Figure BDA0003709820950000033
为关联比值Rv(k，i，j)关于k的平均值，kmax为相似数据集的组数；
进一步的，所述关联比值Rv(k，i，j)根据下式计算得到：
Figure BDA0003709820950000034
其中，A(k，i，n)表示第k组相似数据集中的第i个类别的第n个气象数据，B(k，j，m)表示第k组相似数据集中的第j个类别的第m个水文数据，nmax为n的最大取值，mmax为m的最大取值；
进一步的，所述倍率峰值根据下式计算得到：
Figure BDA0003709820950000035
其中，B(k，j)表示第k组相似数据集中的第j类水文数据，
Figure BDA0003709820950000036
表示第k组相似数据集中第j类水文数据的平均值。
本发明所取得的有益效果是：
本系统能够自由地设定预测时间，并根据预测时间获取对应的历史数据来建立模型，使得预测具有较强的灵活性，既能预测短期内的水文情况，又能预测长期后的水文情况，由于不同的预测时间采用的历史数据均不同，使得预测的模型也存在差异性，而预测模型基于多因子的相似性，使得每次建立的模型都具备当前预测时间的针对性，使得预测结果更加准确。
为使能更进一步了解本发明的特征及技术内容，请参阅以下有关本发明的详细说明与附图，然而所提供的附图仅用于提供参考与说明，并非用来对本发明加以限制。
附图说明
图1为本发明整体结构框架示意图；
图2为本发明预测时间关系示意图；
图3为本发明水文预报流程示意图；
图4为本发明获取相似数据集流程示意图；
图5为本发明判断数据集相似性流程示意图。
具体实施方式
以下是通过特定的具体实施例来说明本发明的实施方式，本领域技术人员可由本说明书所公开的内容了解本发明的优点与效果。本发明可通过其他不同的具体实施例加以施行或应用，本说明书中的各项细节也可基于不同观点与应用，在不悖离本发明的精神下进行各种修饰与变更。另外，本发明的附图仅为简单示意说明，并非依实际尺寸的描绘，事先声明。以下的实施方式将进一步详细说明本发明的相关技术内容，但所公开的内容并非用以限制本发明的保护范围。
实施例一。
本实施例提供了一种基于多因子相似分析的水文预报系统，结合图1，包括数据存储模块、多因子分析模块和预报模块，所述数据存储模块用于存储历史检测数据，所述多因子分析模块对历史检测数据进行分析处理，所述预报模块用于输入预测的时间信息并基于所述多因子分析模块的处理结果进行水文预报；
所述历史检测数据包括气象数据和水文数据，所述气象数据和所述水文数据均包括多个类别，且每个类别的数据以固定的检测时间间隔保存在所述数据存储模块中；
所述多因子分析模块从所述预报模块中获取第一预报时间T1、第二预报时间T2和第三预报时间T3，并根据所述三个预报时间从所述数据存储模块中获取符合要求的历史检测数据，获取的历史检测数据包括多组相似数据集和一组基础数据集，所述相似数据集包括一段气象数据集A和一段水文数据集B，所述基础数据集包括一段气象数据集A0，满足的要求为：
数据集A和数据集A0的时间跨度均为T3，数据集B的时间跨度为T2，同一组相似数据集中的数据集A和数据集B的时间间隔为T1，数据集A和数据集A0相似；
所述多因子分析模块根据多组相似数据集建立气象数据与水文数据之间的映射模型：
Figure BDA0003709820950000051
其中，imax为气象数据的类别总数，We(i，j)为第i类气象数据与第j类水文数据之间的权重系数，
Figure BDA0003709820950000052
为相似数据集中所有第i类气象数据的平均值，
Figure BDA0003709820950000053
为相似数据集中所有第j类水文数据的平均值，αj为第j类水文数据的调整系数；
所述多因子分析模块根据映射模型和气象数据集A0计算出水文数据集B0：
Figure BDA0003709820950000054
其中，
Figure BDA0003709820950000055
为气象数据集A0中第i类气象数据的平均值，
Figure BDA0003709820950000056
为水文数据集B0中第j类水文数据的平均值；
所述多因子分析模块根据下式计算出水文数据集B0中第j类水文数据的峰值Bh(j)：
Figure BDA0003709820950000057
其中，β为峰值倍率；
所述预报模块根据峰值Bh(j)进行水文预报；
所述权重系数We(i，j)根据下式计算得到：
Figure BDA0003709820950000058
其中，Qr(i，j)表示第i类气象数据与第j类水文数据之间的关联指数；
所述关联指数Qr(i，j)根据下式计算得到：
Figure BDA0003709820950000059
其中，Rv(k，i，j)表示第k组相似数据集中第i类气象数据与第j类水文数据之间的关联比值，
Figure BDA00037098209500000510
为关联比值Rv(k，i，j)关于k的平均值，kmax为相似数据集的组数；
所述关联比值Rv(k，i，j)根据下式计算得到：
Figure BDA0003709820950000061
其中，A(k，i，n)表示第k组相似数据集中的第i个类别的第n个气象数据，B(k，j，m)表示第k组相似数据集中的第j个类别的第m个水文数据，nmax为n的最大取值，mmax为m的最大取值；
所述倍率峰值根据下式计算得到：
Figure BDA0003709820950000062
其中，B(k，j)表示第k组相似数据集中的第j类水文数据，
Figure BDA0003709820950000063
表示第k组相似数据集中第j类水文数据的平均值。
实施例二。
本实施例包含了实施例一的全部内容，提供了一种基于多因子相似分析的水文预报系统，包括数据存储模块、多因子分析模块和预报模块，所述数据存储模块用于记录水文区域的历史数据，所述预报模块用于输入预报时间并输出预报结果，所述多因子分析模块根据历史数据以及预报时间进行多因子模型分析得到预测数据；
所述数据存储模块包括因子数据存储单元和结果数据存储单元，所述因子数据存储单元用于存储气温、气压、湿度、风速、降水、日照等气象数据，所述结果数据存储单元用于存储水位、水流等水文数据，所述数据存储模块设有查找单元，所述查找单元用于在所述因子数据存储单元和所述结果数据存储单元中搜索对应时间下对应类别的气象数据和水文数据；
结合图2和图3,，所述系统进行水文预报的过程包括如下步骤：
S1、在所述预报模块中输入第一预报时间T1和第二预报时间T2，所述第一预报时间T1为需要水文预报的时间区间距离现在的时间长度，所述第二预报时间T2为需要水文预报的时间区间的时间长度；
S2、所述预报模块根据所述第一预报时间T1和所述第二预报时间T2处理得到第三预报时间T3，所述第三预报时间T3为用于进行水文预报的气象数据时间区间的时间长度；
S3、所述预报模块根据将所述第一预报时间T1、第二预报时间T2和第三预报时间T3发送至所述多因子分析模块；
S4、所述多因子分析模块根据所述第一预报时间T1、第二预报时间T2和第三预报时间T3从所述数据存储模块中获取到多组相似数据集和一组基础数据集，所述相似数据集中包含一段时间跨度为T3的气象数据集A和一段时间跨度为T2的水文数据集B，所述气象数据集A与所述水文数据集B的时间间隔为T1，所述基础数据集为包含当前时刻的时间跨度为T3的气象数据集A0，气象数据集A与气象数据集A0具有相似性；
S5、所述多因子分析模块根据多组相似数据集建立气象数据与水文数据之间的映射模型，并结合所述气象数据集A0得到预测水文数据集B0；
S6、所述多因子分析模块将预测水文数据集B0发送给所述预报模块，所述预报模块根据所述预测水文数据集B0进行水文预报；
所述步骤S2中第三预报时间T3的计算公式为：
T3＝λT2+ΔT·logδT1；
其中，λ为比例系数，δ为滞后基数，ΔT为单元时间，具体的数值是本领域技术人员在实际运用中可以自行设定；
结合图4，所述步骤S4中，所述多因子分析模块从所述数据存储模块中获取时间跨度为T3的气象数据集A′，将所述气象数据集A′与所述气象数据集A0作相似性判断，当判断结果符合相似性的要求时，所述多因子分析模块将气象数据集A′作为气象数据集A并从所述数据存储模块中查找出对应的水文数据集B，结合图5，所述多因子分析模块将两个气象数据集A′和A0作相似判断的过程包括如下步骤：
S21、用A′(i，n)表示气象数据集A′中第i个类别的的第n个气象数据，用A0(i，n)表示气象数据集A0中第i个类别的的第n个气象数据，n的最大取值nmax与T3相关，具体的关系如下式：
Figure BDA0003709820950000071
其中Tclt为气象数据的采样间隔；
S22、计算出每个类别的差异指数Df(i)：
Figure BDA0003709820950000081
S23、计算出两个数据集之间的相似指数Sm(A′，A0)：
Figure BDA0003709820950000082
当所述相似指数的值小于阈值时，判定所述气象数据集A′和所述气象数据集A0的相似性符合要求；
所述多因子分析模块根据第k组相似数据集中的数据计算出第i类气象数据与第j类水文数据之间的关联比值Rv(k，i，j)：
Figure BDA0003709820950000083
其中，A(k，i，n)表示第k组相似数据集中的第i个类别的第n个气象数据，B(k，j，m)表示第k组相似数据集中的第j个类别的第m个水文数据，mmax为m的最大取值，与T2相关，具体的关系式如下：
Figure BDA0003709820950000084
其中，Tsc为水文数据的采样间隔；
所述多因子分析模块根据关联比值计算出第i类气象数据与第j类水文数据之间的关联指数Qr(i，j)：
Figure BDA0003709820950000085
其中，
Figure BDA0003709820950000086
为关联比值Rv(k，i，j)关于k的平均值，kmax为相似数据集的组数；
所述多因子分析模块根据关联指数计算出第i类气象数据与第j类水文数据之间的权重系数We(i，j)：
Figure BDA0003709820950000087
其中，imax为气象数据的类别总数；
所述多因子分析模块建立其气象数据与水文数据之间的映射模型：
Figure BDA0003709820950000091
其中，
Figure BDA0003709820950000092
为相似数据集中所有第i类气象数据的平均值，
Figure BDA0003709820950000093
为相似数据集中所有第j类水文数据的平均值，αj为第j类水文数据的调整系数；
所述多因子分析模块根据该映射模型以及所述气象数据集A0计算得到预测的水文数据集B0：
Figure BDA0003709820950000094
其中，
Figure BDA0003709820950000095
为气象数据集A0中第i类气象数据的平均值，
Figure BDA0003709820950000096
为水文数据集B0中第j类水文数据的平均值；
所述多因子分析模块计算出水文数据集B0中第j类水文数据的峰值Bh(j)：
Figure BDA0003709820950000097
其中，β为峰值倍率，通过相似数据集中的水文数据集B处理得到：
Figure BDA0003709820950000098
其中，B(k，j)表示第k组相似数据集中的第j类水文数据，
Figure BDA0003709820950000099
表示第k组相似数据集中第j类水文数据的平均值；
所述多因子分析模块将水文数据的峰值数据发送给所述预报模块，所述预报模块根据所述峰值数据进行预报。
以上所公开的内容仅为本发明的优选可行实施例，并非因此局限本发明的保护范围，所以凡是运用本发明说明书及附图内容所做的等效技术变化，均包含于本发明的保护范围内，此外，随着技术发展其中的元素可以更新的。

Claims (5)

1.一种基于多因子相似分析的水文预报系统，其特征在于，包括数据存储模块、多因子分析模块和预报模块，所述数据存储模块用于存储历史检测数据，所述多因子分析模块对历史检测数据进行分析处理，所述预报模块用于输入预测的时间信息并基于所述多因子分析模块的处理结果进行水文预报；
所述历史检测数据包括气象数据和水文数据，所述气象数据和所述水文数据均包括多个类别，且每个类别的数据以固定的检测时间间隔保存在所述数据存储模块中；
所述多因子分析模块从所述预报模块中获取第一预报时间T1、第二预报时间T2和第三预报时间T3，并根据所述三个预报时间从所述数据存储模块中获取符合要求的历史检测数据，获取的历史检测数据包括多组相似数据集和一组基础数据集，所述相似数据集包括一段气象数据集A和一段水文数据集B，所述基础数据集包括一段气象数据集A0，满足的要求为：
数据集A和数据集A0的时间跨度均为T3，数据集B的时间跨度为T2，同一组相似数据集中的数据集A和数据集B的时间间隔为T1，数据集A和数据集A0相似；
所述多因子分析模块根据多组相似数据集建立气象数据与水文数据之间的映射模型：
Figure FDA0003709820940000011
其中，imax为气象数据的类别总数，We(i，j)为第i类气象数据与第j类水文数据之间的权重系数，
Figure FDA0003709820940000012
为相似数据集中所有第i类气象数据的平均值，
Figure FDA0003709820940000013
为相似数据集中所有第j类水文数据的平均值，αj为第j类水文数据的调整系数；
所述多因子分析模块根据映射模型和气象数据集A0计算出水文数据集B0：
Figure FDA0003709820940000014
其中，
Figure FDA0003709820940000015
为气象数据集A0中第i类气象数据的平均值，
Figure FDA0003709820940000016
为水文数据集B0中第j类水文数据的平均值；
所述多因子分析模块根据下式计算出水文数据集B0中第j类水文数据的峰值Bh(j)：
Figure FDA0003709820940000017
其中，β为峰值倍率；
所述预报模块根据峰值Bh(j)进行水文预报。
2.如权利要求1所述的一种基于多因子相似分析的水文预报系统，其特征在于，所述权重系数We(i，j)根据下式计算得到：
Figure FDA0003709820940000021
其中，Qr(i，j)表示第i类气象数据与第j类水文数据之间的关联指数。
3.如权利要求2所述的一种基于多因子相似分析的水文预报系统，其特征在于，所述关联指数Qr(i，j)根据下式计算得到：
Figure FDA0003709820940000022
其中，Rv(k，i，j)表示第k组相似数据集中第i类气象数据与第j类水文数据之间的关联比值，
Figure FDA0003709820940000023
为关联比值Rv(k，i，j)关于k的平均值，kmax为相似数据集的组数。
4.如权利要求3所述的一种基于多因子相似分析的水文预报系统，其特征在于，所述关联比值Rv(k，i，j)根据下式计算得到：
Figure FDA0003709820940000024
其中，A(k，i，n)表示第k组相似数据集中的第i个类别的第n个气象数据，B(k，j，m)表示第k组相似数据集中的第j个类别的第m个水文数据，nmax为n的最大取值，mmax为m的最大取值。
5.如权利要求4所述的一种基于多因子相似分析的水文预报系统，其特征在于，所述倍率峰值根据下式计算得到：
Figure FDA0003709820940000025
其中，B(k，j)表示第k组相似数据集中的第j类水文数据，
Figure FDA0003709820940000026
表示第k组相似数据集中第j类水文数据的平均值。
CN202210716725.5A 2022-06-23 2022-06-23 一种基于多因子相似分析的水文预报系统 Active CN114971072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210716725.5A CN114971072B (zh) 2022-06-23 2022-06-23 一种基于多因子相似分析的水文预报系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210716725.5A CN114971072B (zh) 2022-06-23 2022-06-23 一种基于多因子相似分析的水文预报系统

Publications (2)

Publication Number Publication Date
CN114971072A true CN114971072A (zh) 2022-08-30
CN114971072B CN114971072B (zh) 2023-06-13

Family

ID=82966428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210716725.5A Active CN114971072B (zh) 2022-06-23 2022-06-23 一种基于多因子相似分析的水文预报系统

Country Status (1)

Country Link
CN (1) CN114971072B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101877029A (zh) * 2009-11-25 2010-11-03 国网电力科学研究院 一种不同机制水文模型组合的水文预报方法
CN104298841A (zh) * 2013-07-16 2015-01-21 杭州贵仁科技有限公司 一种基于历史数据的洪水预报方法和系统
CN110619432A (zh) * 2019-09-17 2019-12-27 长江水利委员会水文局 一种基于深度学习的特征提取水文预报的方法
CN112785043A (zh) * 2020-12-31 2021-05-11 河海大学 一种基于时序注意力机制的洪水预报方法
CN113762618A (zh) * 2021-09-07 2021-12-07 中国水利水电科学研究院 一种基于多因子相似分析的湖泊水位预报方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101877029A (zh) * 2009-11-25 2010-11-03 国网电力科学研究院 一种不同机制水文模型组合的水文预报方法
CN104298841A (zh) * 2013-07-16 2015-01-21 杭州贵仁科技有限公司 一种基于历史数据的洪水预报方法和系统
CN110619432A (zh) * 2019-09-17 2019-12-27 长江水利委员会水文局 一种基于深度学习的特征提取水文预报的方法
CN112785043A (zh) * 2020-12-31 2021-05-11 河海大学 一种基于时序注意力机制的洪水预报方法
CN113762618A (zh) * 2021-09-07 2021-12-07 中国水利水电科学研究院 一种基于多因子相似分析的湖泊水位预报方法

Also Published As

Publication number Publication date
CN114971072B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
JP6129028B2 (ja) 建物動力設備のエネルギー消費量予測方法
CN111260126B (zh) 计及天气与气象因子关联度的短期光伏发电预测方法
CN111665575B (zh) 一种基于统计动力的中长期降雨分级耦合预报方法及系统
CN102819673B (zh) 一种多源灌溉信息融合方法及装置
CN109165693B (zh) 一种适用于露、霜和结冰的天气现象的自动判识方法
Fu et al. Multi-stations’ weather prediction based on hybrid model using 1D CNN and Bi-LSTM
CN106951976A (zh) 一种基于模式分类的公交客流预测方法
CN111428942B (zh) 基于变网格技术提取微地形因子的线路覆冰厚度预测方法
CN109143408B (zh) 基于mlp的动态区域联合短时降水预报方法
CN109389238B (zh) 一种基于岭回归的短期负荷预测方法及装置
CN112114384B (zh) 一种输电线覆冰发生概率预报方法
CN105069537A (zh) 一种组合式空气质量预报模型的构建方法
CN108256724B (zh) 一种基于动态行业系数的配电网可开放容量规划方法
CN113836808A (zh) 一种基于重污染特征约束的pm2.5深度学习预测方法
CN113705931B (zh) 一种利用k最邻近法预测径流要素的方法
CN112348264A (zh) 一种基于随机森林算法的碳钢腐蚀速率预测方法
CN112257962B (zh) 一种台区线损预测方法及装置
CN105678406A (zh) 一种基于云模型的短期负荷预测方法
CN114611778A (zh) 一种基于入库流量的水库水位预警方法及系统
CN111882128B (zh) 基于tcn的汛期气候趋势预测方法
CN113537569B (zh) 一种基于权重堆叠决策树的短时公交客流预测方法及系统
Alam et al. Weather forecasting using parallel and distributed analytics approaches on big data clouds
CN115034429A (zh) 基于深度图神经网络的城市出租车接客点推荐方法
CN117995027A (zh) 一种飞行计划备降场推荐方法、系统、设备及介质
CN114971072B (zh) 一种基于多因子相似分析的水文预报系统

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
GR01 Patent grant
GR01 Patent grant