CN115759445A - 一种基于机器学习和云模型的分类洪水随机预报方法 - Google Patents
一种基于机器学习和云模型的分类洪水随机预报方法 Download PDFInfo
- Publication number
- CN115759445A CN115759445A CN202211486193.7A CN202211486193A CN115759445A CN 115759445 A CN115759445 A CN 115759445A CN 202211486193 A CN202211486193 A CN 202211486193A CN 115759445 A CN115759445 A CN 115759445A
- Authority
- CN
- China
- Prior art keywords
- forecasting
- flood
- model
- machine learning
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 33
- 238000013277 forecasting method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000004088 simulation Methods 0.000 claims abstract description 39
- 238000005315 distribution function Methods 0.000 claims abstract description 27
- 241000039077 Copula Species 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000006424 Flood reaction Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000007689 inspection Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 29
- 230000001186 cumulative effect Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013213 extrapolation Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000002948 stochastic simulation Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000010749 BS 2869 Class C1 Substances 0.000 description 1
- 239000010750 BS 2869 Class C2 Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习和云模型的分类洪水随机预报方法,步骤如下:以历史典型场次洪水作为模型率定与检验的基础资料,选取满足条件的分类指标,基于自组织映射神经网络SOM进行历史场次洪水分类;采用最大信息系数方法MIC进行分类洪水影响因子筛选,并建立基于不同机器学习方法的分类洪水预报模型;针对不同类型洪水,基于云模型求解不同预报模型的融合权重,对各模型的模拟结果进行加权获取模型集成预报结果;分析计算相对预报误差,基于Copula方法建立相邻时刻相对预报误差联合分布函数;最后获取在线洪水实时信息,实现洪水随机预报。本发明可提高洪水预报精度,可为水文预测预报提供一种新的途径。
Description
技术领域
本发明属于水文预报技术领域,具体涉及一种基于机器学习和云模型的分类洪水随机预报方法。
背景技术
准确及时的洪水预报有利于制定科学合理的水利工程调度方案,保证流域水安全,具有重要的经济和社会效益。近年来,机器学习因其较强非线性拟合能力、模型搭建简单,在水文预报领域备受关注。采用以人工神经网络为代表的机器学习模型作为水文预报模型,已经成为一种稳定有效的预报手段。然而,考虑到单个模型结构不确定性对预报结果影响较大,国内外学者提出了多模型组合预报的概念。主要应用类似于简单平均法、神经网络模型和贝叶斯模型平均等方法,实现多个模型预报结果的综合,以此提高整体预报精度。但是这些方法主要是从模型模拟精度来进行融合权重的计算,未考虑模型分布之间的相似性。原则上,无论水文预报技术如何提高,预报误差总是难以避免,然而目前大部分不确定性随机模拟未考虑前后预报时刻误差之间的关联性。
发明内容
针对不同模型预报结果具有不确定性的特点,且一般考虑预报误差的洪水预报过程未考虑预报时刻前后关联性等缺陷,本发明提出一种基于机器学习和云模型的分类洪水随机预报方法,能够提高洪水预报精度。
本发明采用以下技术方案:
一种基于机器学习和云模型的分类洪水随机预报方法,包括以下步骤:
Step 1:以历史典型场次洪水作为模型率定与检验的基础资料,选取满足条件的分类指标,基于自组织映射神经网络(SOM)进行历史场次洪水分类;
Step 2:采用最大信息系数方法(MIC)进行分类洪水影响因子筛选,并建立基于不同机器学习方法的分类洪水预报模型,获得不同模型对应各类洪水的最优参数;
Step 3:针对不同类型洪水,基于云模型求解不同预报模型的融合权重,对各模型的模拟结果进行加权获取分类洪水模型集成预报结果;
Step 4:分析计算预报相对误差,基于Copula方法建立相邻时刻相对预报误差联合分布函数,确定相对预报误差累积概率分布函数;
Step 5:获取在线洪水实时信息,实现洪水随机预报。
上述技术方案中,进一步地,所述Step1中分类指标包含降雨总量、最大三小时降雨、降雨强度、降雨中心、前期影响雨量和洪峰中的一种或多种。
进一步地,所述Step2中分别采用最大信息系数方法MIC进行影响因子筛选,包括以下方法:针对不同类型洪水,以t时刻预报降雨Pt以及前期降雨{Pt-N,Pt-N+1,Pt-N+2,…,Pt-1}作为待选预报因子集合,基于最大信息系数方法MIC计算当前时刻流量Qt与不同待选预报因子的相关性(MIC值),选择MIC值大于0.30的待选预报因子作为预报模型输入;
进一步地,所述Step2建立基于不同机器学习方法的分类洪水预报模型,包括以下步骤:
Step2-1:将洪水序列按照场次洪水划分为训练期和验证期,以Step2获得的MIC值大于0.30的待选预报因子作为模型输入,场次洪水作为模型输出,并将所有数据集归一化至(0,1]区间;
Step2-2:建立基于不同机器学习方法的预报模型{M1,M2,…,MK}(K≥2),输出模型结果,反归一化后得到模拟径流值其中,表示第i个预报模型第t时刻的模拟值,i=1,2,…,K,K为预报模型的个数,T为不同场次洪水的时间长度(h);
Step2-3:对比训练集次洪观测值其中,表示第t时刻的观测值,选择相关系数(R)、纳什系数(NSE)、平均绝对误差(MAE)和均方根误差(RMSE)作为评价指标,采用网格法对不同机器学习模型参数进行优选;
进一步地,所述Step2-1机器学习方法包含神经网络模型、支持向量机模型、长短期记忆网络模型、门循环单元模型和极度梯度提升树中的两种或两种以上。
进一步地,所述Step3中基于云模型求解不同预报模型的融合权重,对各模型的模拟结果进行加权获取模型集成预报结果,包括以下步骤:
Step3-1:选取训练期内的观测值和模拟值,基于逆向正态云发生器建立相应云模型对(Cqsim,i,Cqobs),将序列的分布特征转化为对应的数字特征,其中,Cqsim,i表示第i个预报模型模拟值构造的云模型期望曲线,Cqobs表示观测值构造的云模型期望曲线;
Si(Qsim,i,Qobs)=sim(Cqsim,i,Cqobs) (1)
Step3-3:由全局相似度Si(Qsim,i,Qobs)求解各预报模型的融合权重wi:
Step3-4:对各模型的模拟结果进行加权组合,得到模型集成预报结果:
进一步地,所述Step3-4的模型集成预报结果选择相关系数(R)、纳什系数(NSE)、平均绝对误差(MAE)和均方根误差(RMSE)作为评价指标,判断集成预报结果是否合格。
进一步地,所述Step4分析计算相对预报误差,基于Copula方法建立相邻时刻相对预报误差联合分布函数,包括以下步骤:
Step4-2:采用赤池信息量准则AIC指标对求得的联合分布函数进行评价,选取AIC指标值最小的Copula函数作为最终的联合分布函数;
进一步地,所述Step4-1采用的Copula函数包括但不局限于Gumbel、Clayton和Frank Copula函数;
进一步地,所述Step5中获取在线洪水实时信息,实现洪水随机预报。其中包括以下步骤:
Step5-1:获取在线洪水实时信息,从实时雨水情信息中提取各分类因子数据,基于Step1建立的自组织映射神经网络SOM进行在线洪水分类,确定该场次洪水所属类别;
Step5-2:选取由Step2获取的对应该类洪水的最优模型参数,和由Step3中的方法获取的融合权重进行确定性集成预报;
Step5-3:采用吉布斯Gibbs抽样法对预报误差进行随机模拟,耦合确定性预报结果,实现洪水随机预报区间。
进一步地,所述Step5-3采用吉布斯Gibbs抽样法进行预报时刻预报误差随机模拟,包括以下步骤:
Step5-3-1生成2个随机数α0,α1∈(0,1),α0和α1为概率值;
Step5-3-2根据条件概率分布式其中,X1表示当前时刻相对预报误差,X0表示假设场次洪水预报时刻前1h的相对预报误差,C为相邻时刻的Copula相对预报误差联合分布函数,基于Step4中的方法得到。将α0,α1代入条件概率分布式,求得x1,即为当前预报时刻的相对预报误差累积概率分布值;
Step5-3-3随机生成α2,α3,…,αT∈(0,1),求解以下方程组如下:
可得到第2~T时刻的相对误差累积概率分布值x2、x3......xT;
Step5-3-5根据求得的相对预报误差累积概率分布函数,通过Step4方法建立的相邻时刻相对预报误差联合分布函数的反函数逆推得到N组相对预报误差将相对预报误差与确定集成预报结果进行耦合,实现洪水随机预报。
本发明与现有技术相比,具有以下有益效果:
(1)采用多种基于机器学习方法的水文预报模型进行集合预报,能够避免单一模型预报风险,提高预报精度;
(2)采用云模型进行不同预报模型的加权平均,能够弥补模型预报的不确定性缺陷;
(3)基于Copula多元函数的预报误差随机模拟考虑不同时段的相互性,能够提高随机预报精度。
附图说明
图1是本发明的方法流程图;
图2是本发明中Step5的具体流程图;
图3是实施案例中C1类洪水预报结果图;
图4是实施案例中C2类洪水预报结果图;
图5是实施案例中洪水随机预报结果图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,一种基于机器学习和云模型的分类洪水随机预报方法,包括以下步骤:
Step 1:以历史典型场次洪水作为模型率定与检验的基础资料,选取满足条件的分类指标,基于自组织映射神经网络SOM进行历史场次洪水分类;
Step 2:采用最大信息系数方法MIC进行分类洪水影响因子筛选,并建立基于不同机器学习方法的分类洪水预报模型,获得不同模型对应各类洪水的最优参数;
Step 3:针对不同类型洪水,基于云模型求解不同预报模型的融合权重,对各模型的模拟结果进行加权获取分类洪水模型集成预报结果;
Step 4:分析计算相对预报误差,基于Copula方法建立相邻时刻相对预报误差联合分布函数,确定相对预报误差累积概率分布函数;
Step 5:获取在线洪水实时信息,实现洪水随机预报。
所述Step1中分类指标包含但不局限于降雨总量、最大三小时降雨、降雨强度、降雨中心、前期影响雨量和洪峰。
所述Step2中分别采用最大信息系数方法MIC进行影响因子筛选为:针对不同类型洪水,以t时刻预报降雨Pt以及前期降雨{Pt-N,Pt-N+1,Pt-N+2,…,Pt-1}作为待选预报因子集合,基于最大信息系数方法MIC计算当前时刻流量Qt与不同待选预报因子的相关性(MIC值),选择MIC值大于0.30的待选预报因子作为预报模型输入;
所述Step2建立基于不同机器学习方法的分类洪水预报模型,包括以下步骤:
Step2-1:将洪水序列按照场次洪水划分为训练期和验证期,以Step2获得的MIC值大于0.30的待选预报因子作为模型输入,场次洪水作为模型输出,并将所有数据集归一化至(0,1]区间;
Step2-2:建立基于不同机器学习方法的预报模型{M1,M2,…Mi,…MK}(K≥2),输出模型结果,反归一化后得到模拟径流值其中,表示第i个预报模型第t时刻的模拟值,i=1,2,…,K,K为预报模型的个数,T为不同场次洪水的时间长度(h);
所述Step2-1机器学习方法包含神经网络模型、支持向量机模型、长短期记忆网络模型、门循环单元模型和极度梯度提升树中的两种或两种以上。
所述Step2-3模型参数优选,选择相关系数(R)、纳什系数(NSE)、平均绝对误差(MAE)和均方根误差(RMSE)作为评价指标。
所述Step3中基于云模型求解不同预报模型的融合权重,对各模型的模拟结果进行加权获取模型集成预报结果,包括以下步骤:
Step3-1:选取训练期内的观测值和模拟值,基于逆向正态云发生器建立相应云模型对(Cqsim,i,Cqobs),将序列的分布特征转化为对应的数字特征,其中,Cqsim,i表示第i个预报模型模拟值构造的云模型期望曲线,Cqobs表示观测值构造的云模型期望曲线;
Step3-2:基于云模型期望曲线重叠度分别计算不同预报模型模拟值Qsim,i和观测值Qobs的全局相似度Si(Qsim,i,Qobs):
Si(Qsim,i,Qobs)=sim(Cqsim,i,Cqobs) (1)
Step3-3:由全局相似度Si(Qsim,i,Qobs)求解各预报模型的融合权重wi:
Step3-4:对各模型的模拟结果进行加权组合,得到模型集成预报结果:
所述Step3-4的集成预报结果选择相关系数(R)、纳什系数(NSE)、平均绝对误差(MAE)和均方根误差(RMSE)作为评价指标,判断模型集成预报结果是否合格。
所述Step4分析计算预报误差,基于Copula方法建立相邻时刻相对预报误差联合分布函数,包括以下步骤:
Step4-2:采用赤池信息量准则AIC指标对求得的联合分布函数进行评价,选取AIC指标值最小的Copula函数作为最终的联合分布函数;
所述Step4-1采用的Copula函数包括但不局限于Gumbel、Clayton和Frank Copula函数;
如图2所示,所述Step5获取在线洪水实时信息,实现洪水随机预报,其中包括以下步骤:
Step5-1:获取在线洪水实时信息,从实时雨水情信息中提取各分类因子数据,基于Step1建立的自组织映射神经网络SOM在线洪水分类,确定该场次洪水所属类别;
Step5-2:选取由Step2获取的对应该类洪水的最优模型参数,和由Step3方法获取的融合权重进行确定性集成预报;
Step5-3:采用吉布斯Gibbs抽样法对相对预报误差进行随机模拟,将模拟得到的相对预报误差与确定性集成预报结果进行耦合,实现洪水随机预报区间。
进一步地,所述Step5-3采用吉布斯Gibbs抽样法进行预报时刻预报误差随机模拟,包括以下步骤:
Step5-3-1生成2个随机数α0,α1∈(0,1),α0和α1为概率值;
Step5-3-2根据条件概率分布式其中,X1表示当前时刻相对预报误差,X0表示假设场次洪水预报时刻前1h的相对预报误差,C为相邻时刻的Copula相对预报误差联合分布函数,基于Step4中方法获得。将α0,α1代入条件概率分布式,求得x1,即为当前预报时刻的相对预报误差累积概率分布值;
Step5-3-3随机生成α2,α3,…,αT∈(0,1),求解以下方程组如下:
可得到第2~T时刻的相对误差累积概率分布值x2、x3......xT;
Step5-3-5根据求得的相对预报误差累积概率分布函数,通过Step4方法建立的相邻时刻相对预报误差联合分布函数的反函数逆推得到N组相对预报误差将相对预报误差与确定集成预报结果进行耦合,实现洪水随机预报。
现以某水库分类洪水预报为例,说明本发明方法的有效性与合理性。选取该水库历史22场典型洪水,基于自组织映射神经网络SOM进行分类,分类结果为两类:C1和C2。针对两类洪水,采用MIC方法进行影响因子筛选;选取MIC值大于0.3的影响作为模型输入,以时刻径流量作为输出,分别建立基于LSTM、GRU和Xgboost的预报模型,对模型进行率定和验证;然后采用云模型对不同预报模型结果进行加权融合,获取模型确定性预报结果,不同模型的场次洪水模拟结果如图3和图4所示。同时采用相关系数(R)、纳什系数(NSE)、平均绝对误差(MAE)和均方根误差(RMSE)这4个指标对预报结果进行评价,结果如表1和表2所示。可知,通过云模型进行加权平均,虽然无法保证结果最优,但可以有效弥补模型的不确定性缺陷。
根据确定性集成预报结果,计算分析预报误差,建立预报误差的边缘分布,同时构建预报误差前后时段的联合分布函数;进一步基于Gibbs抽样对误差进行随机模拟,叠加确定性预报结果获取最终随机预报区间,整体覆盖性较好,结果如图5所示,置信区间为85%。
表1C1类洪水下不同预报模型训练和验证期指标评价结果
表2C2类洪水下不同预报模型训练和验证期指标评价结果
Claims (7)
1.一种基于机器学习和云模型的分类洪水随机预报方法,其特征在于,包括以下步骤:
Step 1:以历史典型场次洪水作为模型率定与检验的基础资料,选取分类指标,基于自组织映射神经网络SOM进行历史场次洪水分类,其中分类指标为降雨总量、最大三小时降雨、降雨强度、降雨中心、前期影响雨量、洪峰中的一种或多种;
Step 2:采用最大信息系数方法MIC进行不同类型洪水的洪水影响因子筛选,并建立基于不同机器学习方法的分类洪水预报模型,获得不同模型对应各类洪水的最优参数;
Step 3:针对不同类型洪水,基于云模型求解不同预报模型的融合权重,基于融合权重对各模型的模拟结果进行加权获取模型集成预报结果;
Step 4:分析计算相对预报误差,基于Copula方法建立相邻时刻相对预报误差联合分布函数,确定相对预报误差累积概率分布函数;
Step 5:获取在线洪水实时信息,实现洪水随机预报。
2.如权利要求1所述的基于一种基于机器学习和云模型的分类洪水随机预报方法,其特征在于,所述Step2中采用最大信息系数方法MIC进行影响因子筛选,包括以下方法:针对不同类型洪水,分析选定t时刻预报降雨Pt以及前期降雨{Pt-N,Pt-N+1,Pt-N+2,…,Pt-1}作为待选预报因子集合;基于MIC方法计算当前时刻流量Qt与不同待选预报因子的相关性,即MIC值,选择MIC值大于0.30的待选预报因子作为预报模型的输入。
3.如权利要求2所述的基于一种基于机器学习和云模型的分类洪水随机预报方法,其特征在于,所述Step2中建立基于不同机器学习方法的分类洪水预报模型,包括以下步骤:
Step2-1:将洪水序列按照场次洪水划分为训练集和验证集,以MIC值大于0.30的待选预报因子作为模型输入,场次洪水作为模型输出,并将所有数据集归一化至(0,1]区间;
Step2-2:建立基于不同机器学习方法的预报模型{M1,M2,…Mi,…MK},i=1,2,…,K,K≥2,其中机器学习方法为神经网络模型ANN、支持向量机模型SVM、长短期记忆网络模型LSTM、门循环单元模型GRU和极度梯度提升树XGBoost中的两种或两种以上;计算模型输出结果,反归一化后得到径流模拟值其中,表示第i个预报模型第t时刻的模拟值,i=1,2,…,K,K为预报模型的个数,T为不同场次洪水的时间长度,h;
4.如权利要求3所述的基于一种基于机器学习和云模型的分类洪水随机预报方法,其特征在于,所述Step3中,基于云模型求解不同预报模型的融合权重,基于融合权重对各模型的模拟结果进行加权获取模型集成预报结果,包括以下步骤:
Step3-1:选取训练集内的观测值和模拟值,基于逆向正态云发生器建立相应云模型对(Cqsim,i,Cqobs),从而将序列的分布特征转化为对应的数字特征,其中,Cqsim,i表示第i个预报模型模拟值构造的云模型期望曲线,Cqobs表示观测值构造的云模型期望曲线;
Si(Qsim,i,Qobs)=sim(Cqsim,i,Cqobs) (1)
Step3-3:由全局相似度Si(Qsim,i,Qobs)求解各预报模型的融合权重wi:
Step3-4:对各模型的模拟结果进行加权组合,得到集成预报结果:
将验证集不同模型模拟数据进行加权平均获得集成结果,以相关系数、纳什系数、平均绝对误差和均方根误差作为评价指标,判断模型集成预报结果是否合格。
6.如权利要求1所述的基于一种基于机器学习和云模型的分类洪水随机预报方法,其特征在于,所述Step5中获取在线洪水实时信息,实现洪水随机预报,具体包括以下步骤:
Step5-1:获取在线洪水实时信息,从实时雨水情信息中提取各分类指标数据,基于Step1建立的自组织映射神经网络SOM进行在线洪水分类,确定该场次洪水所属类别;
Step5-2:选取Step2中获取的所属类别洪水的最优模型参数,和基于Step3中的方法获取的融合权重进行确定性集成预报;
Step5-3:采用吉布斯Gibbs抽样方法对相对预报误差进行随机模拟,将模拟得到的相对预报误差与确定性集成预报结果进行耦合,实现洪水随机预报。
7.如权利要求6所述的基于一种基于机器学习和云模型的分类洪水随机预报方法,其特征在于,所述Step5-3采用吉布斯Gibbs抽样方法进行预报时刻相对预报误差随机模拟,包括以下步骤:
Step5-3-1生成2个随机数α0,α1∈(0,1),α0和α1为概率值;
Step5-3-2根据条件概率分布式其中,X1表示当前时刻相对预报误差,X0表示假设场次洪水预报时刻前1h的相对预报误差,C为相邻时刻的Copula相对预报误差联合分布函数,基于Step4中的方法得到;将α0,α1代入条件概率分布式求得当前预报时刻的相对预报误差累积概率分布值x1;
Step5-3-3随机生成概率值α2,α3,…,αT∈(0,1),求解以下方程组如下:
可得到第2~T时刻的相对误差累积概率分布值x2、x3......xT;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211486193.7A CN115759445A (zh) | 2022-11-24 | 2022-11-24 | 一种基于机器学习和云模型的分类洪水随机预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211486193.7A CN115759445A (zh) | 2022-11-24 | 2022-11-24 | 一种基于机器学习和云模型的分类洪水随机预报方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115759445A true CN115759445A (zh) | 2023-03-07 |
Family
ID=85337579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211486193.7A Pending CN115759445A (zh) | 2022-11-24 | 2022-11-24 | 一种基于机器学习和云模型的分类洪水随机预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115759445A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116451879A (zh) * | 2023-06-16 | 2023-07-18 | 武汉大学 | 一种干旱风险预测方法、系统及电子设备 |
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 |
-
2022
- 2022-11-24 CN CN202211486193.7A patent/CN115759445A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116451879A (zh) * | 2023-06-16 | 2023-07-18 | 武汉大学 | 一种干旱风险预测方法、系统及电子设备 |
CN116451879B (zh) * | 2023-06-16 | 2023-08-25 | 武汉大学 | 一种干旱风险预测方法、系统及电子设备 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304668B (zh) | 一种结合水文过程数据和历史先验数据的洪水预测方法 | |
CN111310968A (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
Yang et al. | Interpolation of missing wind data based on ANFIS | |
Miranda et al. | One-hour-ahead wind speed prediction using a Bayesian methodology | |
CN116451879B (zh) | 一种干旱风险预测方法、系统及电子设备 | |
CN115759445A (zh) | 一种基于机器学习和云模型的分类洪水随机预报方法 | |
CN110619432B (zh) | 一种基于深度学习的特征提取水文预报的方法 | |
CN107292098A (zh) | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 | |
CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
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 | |
CN105868534B (zh) | 一种基于多目标优化抽样的水文模型不确定性分析方法 | |
CN104408562A (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
CN105574615A (zh) | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
Condemi et al. | Hydro-power production capacity prediction based on machine learning regression techniques | |
CN110188922A (zh) | 一种基于产流机制的rbf神经网络中长期径流预测方法 | |
WO2023245399A1 (zh) | 基于土地系统和气候变化耦合的水稻生产潜力模拟方法 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN113435630A (zh) | 一种产流模式自适应的流域水文预报方法及系统 | |
CN114021836A (zh) | 基于不同角度融合的多变量水库入水量预测系统、训练方法及应用 | |
CN117787081A (zh) | 一种基于Morris和Sobol法的水文模型参数不确定性分析方法 | |
CN115329930A (zh) | 一种基于混合深度学习模型的洪水过程概率预报方法 | |
Katipoğlu | Monthly stream flows estimation in the Karasu river of Euphrates basin with artificial neural networks approach |
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 |