CN116150973A - 一种基于模型树和集成学习组合算法的河道流量演算方法 - Google Patents
一种基于模型树和集成学习组合算法的河道流量演算方法 Download PDFInfo
- Publication number
- CN116150973A CN116150973A CN202211709558.8A CN202211709558A CN116150973A CN 116150973 A CN116150973 A CN 116150973A CN 202211709558 A CN202211709558 A CN 202211709558A CN 116150973 A CN116150973 A CN 116150973A
- Authority
- CN
- China
- Prior art keywords
- model
- model tree
- flow calculation
- data
- integrated learning
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 39
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 39
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012417 linear regression Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 10
- 238000013138 pruning Methods 0.000 claims description 9
- 230000008961 swelling Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 19
- 239000002131 composite material Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于模型树和集成学习组合算法的河道流量演算方法，包括步骤：步骤1，获取上游断面的流量、涨退水数据，下游断面的流量数据，时间数据以及与下游断面流量相关的其他数据；步骤2，对历史数据进行时间窗格化处理；步骤3，建立基于模型树和集成学习组合算法的河道流量演算模型，采用网格搜索进行模型的超参数寻优，确定最佳超参数组合；步骤4，根据最佳超参数组合建立基于模型树和集成学习组合算法的河道流量演算模型，对下游断面流量进行预测，并采用近邻样本对预测值进行校正；步骤5，生成模型树的划分规则。本发明可分析不同水源成分不同流量级不同时期条件下上游断面对下游断面的流量传播影响。
Description
技术领域
本发明涉及一种基于模型树和集成学习组合算法的河道流量演算方法，属于河道流量预测技术领域。
背景技术
河道流量演算的研究对象是已知上游断面流量过程，推求下游断面流量过程。在持续无降雨的河网中，下游断面的流量主要是上游干支流断面流量合成的结果。由于沿程旁侧入流的加入、干支流的相互影响以及洪水波的推移和坦化，使得河道流量演算更加复杂。在水文学中一般采用合成流量法或马斯京根法。合成流量法是指把各上游断面的流量，按照其到下游断面的传播时间进行错时叠加，形成上游合成流量，并建立上游合成流量与下游断面流量的相关关系来进行下游断面的流量预报。马斯京根法是基于线性假设建立的槽蓄方程，其中参数k为恒定流状态下的流量传播时间，x是流量比重系数。无论是合成流量法还是马斯京根法，其模型参数都是随着水情条件的变化而变化。在上游不同的来水组成、不同的流量量级、不同的涨退水情况下，会影响着流量预报的精度。无论采用变传播时间的合成流量法还是变参数的马斯京根法，都不可避免地需要借助专家经验给出模型参数发生变化的条件，因此需要新技术能够自动判别上下游断面流量关系发生变化的条件，在不需要人工经验的情况下提高流量预报精度。
发明内容
本发明所要解决的技术问题是提供一种基于模型树和集成学习组合算法的河道流量演算方法，此方法能够自动判别上下游断面流量发生变化的条件，且计算简单，预报精度较高。
为了实现上述的技术特征，本发明的目的是这样实现的：一种基于模型树和集成学习组合算法的河道流量演算方法，它包括以下步骤：
步骤1，获取上游断面的流量、涨退水数据，下游断面的流量数据，时间数据以及与下游断面流量相关的数据；
步骤2，对历史数据进行时间窗格化处理；
步骤3，建立基于模型树和集成学习组合算法的河道流量演算模型，采用网格搜索进行模型的超参数寻优，确定最佳超参数组合；
步骤4，根据最佳超参数组合建立基于模型树和集成学习组合算法的河道流量演算模型，对下游断面流量进行预测，并采用近邻样本对预测值进行校正；
步骤5，生成模型树的划分规则，包括切分变量、切分点以及线性回归模型。
所述步骤1中上游断面包含多条上游干支流的断面，下游断面是上游干支流流量的唯一出口断面。
所述步骤1中涨退水数据为分类属性数据，对其进行数值编码的具体操作为：涨水设为1，平水设为0，退水设为-1；具体表述为：
式中：Qi,t为上游断面i在第t时刻的流量；Ii,t为涨退水值；ΔQ为容许的流量差阈值，当流量差小于阈值时，认为是平水条件。
所述步骤1中时间数据是分类属性数据，采用月份数据、季节数据或日数据。
所述步骤2中对数据进行时间窗格化处理具体为：
为计算第t时刻的下游断面j，已知上游某断面i到下游断面j的最大传播时间为Tmax，则将[Qi,t-Tmax,Qi,t-Tmax+1,…,Qi,t]作为模型的输入。
基于模型树和集成学习组合算法的河道流量演算模型包括模型树、集成学习两种算法；
模型树具体包括模型树的生成、剪枝和平滑；模型树的生成是根据切分变量和切分阈值将样本空间切分成多个子空间，每个子空间建立一个线性回归模型；模型树的剪枝是防止模型过拟合；模型树的平滑是将叶节点及父节点处的线性回归模型合并为新的线性回归模型，避免叶节点和父节点处的预测值相差较大；
集成学习是基于模型树的逐步迭代过程，第一个模型树建立以后，后续的模型树是对前模型树训练结果的调整，如果前模型低估了某一个值，则后续模型将调高预测值，最终模型的预测结果为每个模型树预测值的平均。
所述步骤3中超参数为模型树个数和近邻样本个数，步骤3进一步包含子步骤：
3.1，选取各超参数的取值范围；
3.2，根据不同的超参数组合分别建立基于模型树和集成学习组合算法的河道流量演算模型，根据交叉验证评估不同超参数组合在验证集中的预测表现，确定最佳超参数组合；
3.3，根据最佳超参数组合建立基于模型树和集成学习组合算法的河道流量演算模型。
所述步骤4中，在模型预测时，采用近邻样本对模型进行校正；就是在训练集中找出与待预测样本相似的近邻样本子集，使用近邻样本的因变量的真实值、近邻样本的模型预测值、待预测样本的模型预测值生成待预测样本的组合预测值。
本发明有如下有益效果：
1、本发明可分析不同水源成分不同流量级不同时期条件下上游断面对下游断面的流量传播影响，自动判断上下游断面流量关系发生变化的临界条件。
2、本发明不需要将下游断面的流量预报作为模型输入，可减少下游断面流量滚动预报带来的误差累积影响，具备良好的流量预报精度。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明的工作流程图。
图2为实施例的河网关系图。
图3为实施例的交叉验证结果。
图4为实施例的模型树划分规则。
具体实施方式
下面结合附图对本发明的实施方式做进一步的说明。
实施例1：
参见图1，一种基于模型树和集成学习组合算法的河道流量演算方法，它包括以下步骤：
步骤1，获取上游断面的流量、涨退水数据，下游断面的流量数据，时间数据以及与下游断面流量相关的数据；
其中：上游断面包含多条上游干支流的断面，下游断面是上游干支流流量的唯一出口断面；
涨退水数据为分类属性数据，对其进行数值编码的具体操作为：涨水设为1，平水设为0，退水设为-1；具体表述为：
式中：Qi,t为上游断面i在第t时刻的流量；Ii,t为涨退水值；ΔQ为容许的流量差阈值，当流量差小于阈值时，认为是平水条件；
时间数据是分类属性数据，可以为月份数据、季节数据或日数据。
步骤2，对历史数据进行时间窗格化处理；
对数据进行时间窗格化处理具体为：
为计算第t时刻的下游断面j，已知上游某断面i到下游断面j的最大传播时间为Tmax，则将[Qi,t-Tmax,Qi,t-Tmax+1,…,Qi,t]作为模型的输入。
步骤3，建立基于模型树和集成学习组合算法的河道流量演算模型，采用网格搜索进行模型的超参数寻优，确定最佳超参数组合；
基于模型树和集成学习组合算法的河道流量演算模型包括模型树、集成学习两种算法；
模型树具体包括模型树的生成、剪枝和平滑；模型树的生成是根据切分变量和切分阈值将样本空间切分成多个子空间，每个子空间建立一个线性回归模型；模型树的剪枝是防止模型过拟合；模型树的平滑是将叶节点及父节点处的线性回归模型合并为新的线性回归模型，避免叶节点和父节点处的预测值相差较大；
集成学习是基于模型树的逐步迭代过程，第一个模型树建立以后，后续的模型树是对前模型树训练结果的调整，如果前模型低估了某一个值，则后续模型将调高预测值，最终模型的预测结果为每个模型树预测值的平均。
步骤3进一步包含子步骤：
3.1，选取各超参数的取值范围；
3.2，根据不同的超参数组合分别建立基于模型树和集成学习组合算法的河道流量演算模型，根据交叉验证评估不同超参数组合在验证集中的预测表现，确定最佳超参数组合；
3.3，根据最佳超参数组合建立基于模型树和集成学习组合算法的河道流量演算模型。
步骤4，根据最佳超参数组合建立基于模型树和集成学习组合算法的河道流量演算模型，对下游断面流量进行预测，并采用近邻样本对预测值进行校正；
在模型预测时，采用近邻样本对模型进行校正；就是在训练集中找出与待预测样本相似的近邻样本子集，使用近邻样本的因变量的真实值、近邻样本的模型预测值、待预测样本的模型预测值生成待预测样本的组合预测值。
步骤5，生成模型树的划分规则，包括切分变量、切分点以及线性回归模型。
实施例2：
以图2所示的某河网为例，基于模型树和集成学习组合算法的河道流量演算方法，具体包括如下步骤：
步骤1，获取上游站点A、C、D的流量数据；因B站点为雨量站，因而获取B站点的雨量数据；获取下游站点E的流量数据；因水库F对站点E有不同程度的顶托影响，故将水库F的水位数据也加入模型中。
对数据进行进一步处理，添加月份、日数据，以及A、C、D的涨退水数据。
步骤2，对历史数据进行时间窗格化处理。
根据不同站点到下游站点E的传播时间差异，选取不同的时间窗大小，站点A的时间窗为22小时，站点C的时间窗为18小时，站点D的时间窗为11小时，水库F的时间窗为24小时。
步骤3，将数据进行划分，80％为训练集，20％为测试集。
步骤4，建立基于模型树和集成学习组合算法的河道流量演算模型，采用网格搜索进行模型的超参数寻优。
模型树具体为：
(1)树的生成：
模型树的生成是将样本空间切分成多个子空间，每个子空间建立一个线性回归模型。模型树采用以下原则确定切分变量和切分阈值：
式中，T为要划分的样本空间，T1和T2为划分后的子样本空间，||表示样本数，sd()表示标准差。
(2)树剪枝：
模型树的剪枝是防止模型过拟合，其剪枝原则为：
ER＝|T|RMSE-|Tl|RMSEl-|Tr|RMSEr
式中，RMSE为该节点拟合回归的均方根误差；RMSEl为其左叶节点拟合回归的均方根误差；RMSEr为其右节点拟合回归的均方根误差。|T|为该节点的样本数；|Tl|为其左节点的样本数；|Tr|为其右节点的样本数。
若ER＞0，则不对树进行剪切；否则，将该节点变成叶节点。
(3)树平滑：
模型树在叶节点处的平滑过程为：
式中，fnew表示该叶节点新的回归模型，fchild表示叶节点的回归模型，fparent表示父节点的回归模型，n表示叶子节点的样本数，k为常数。当新模型与原模型的RMSE值变化大于阈值时，则进行平滑，否则不进行平滑。
第一个模型树建立以后，后续的模型树对前模型树训练结果进行调整，即集成学习，如果前模型低估了某一个值，则后续模型将预测值调高，最终模型的预测结果为每个模型树预测值的平均。
使用R工具包caret建立模型树和集成学习组合算法的河道流量演算模型，超参数为模型树个数committees和近邻样本个数neighbors。模型树个数的寻优范围为[1,2,3,4,5]，近邻样本个数的寻优范围为[0,1,3,5,7,9]。采用五折交叉验证，评估模型表现的指标为均方根误差RMSE，即
如图3所示，根据模型评估结果，最优的参数组合为：模型树个数为5，近邻样本个数为1。
步骤5，根据最佳超参数建立基于模型树和集成学习组合算法的河道流量演算模型，并对测试集进行预测，同时与合成流量法和马斯京根法做对比分析。结果如表1所示。通过对比可以看出，采用本发明方法得到的平均绝对误差MAE、误差均值、误差标准差、平均绝对百分比误差MAPE均优于合成流量法和马斯京根法，说明本发明提供的方法精度更高，可较准确地预测河道下游断面的流量。
表1实施例计算结果对比
说明：
(1)表中平均绝对误差MAE的计算公式为：
(2)表中平均绝对百分比误差MAPE的计算公式为：
其中，yi表示真实值，
表示预测值，N表示测试集样本个数。
步骤6，通过R软件中的dotplot()函数画出模型树的划分规则，如图4所示。图中，每个子图表示模型计算得到的切分变量，横坐标轴表示将切分变量归一到[0,1]区间，纵坐标轴Committee/Rule表示不同模型树(Committee)不同规则(Rule)对应的切分变量和切分点。由切分变量和切分点即可得到上下游断面流量关系发生变化的条件。
通过summary()函数得到模型的详细结果，包括规则的划分、线性回归模型和变量的重要性评估，由此可具体分析不同水源成分不同流量级不同时期条件下上游断面对下游断面的流量传播关系。
Claims (8)
1.一种基于模型树和集成学习组合算法的河道流量演算方法，其特征在于，它包括以下步骤：
步骤1，获取上游断面的流量、涨退水数据，下游断面的流量数据，时间数据以及与下游断面流量相关的数据；
步骤2，对历史数据进行时间窗格化处理；
步骤3，建立基于模型树和集成学习组合算法的河道流量演算模型，采用网格搜索进行模型的超参数寻优，确定最佳超参数组合；
步骤4，根据最佳超参数组合建立基于模型树和集成学习组合算法的河道流量演算模型，对下游断面流量进行预测，并采用近邻样本对预测值进行校正；
步骤5，生成模型树的划分规则，包括切分变量、切分点以及线性回归模型。
2.根据权利要求1所述一种基于模型树和集成学习组合算法的河道流量演算方法，其特征在于：所述步骤1中上游断面包含多条上游干支流的断面，下游断面是上游干支流流量的唯一出口断面。
3.根据权利要求1所述一种基于模型树和集成学习组合算法的河道流量演算方法，其特征在于：所述步骤1中涨退水数据为分类属性数据，对其进行数值编码的具体操作为：涨水设为1，平水设为0，退水设为-1；具体表述为：
式中：Qi,t为上游断面i在第t时刻的流量；Ii,t为涨退水值；ΔQ为容许的流量差阈值，当流量差小于阈值时，认为是平水条件。
4.根据权利要求1所述一种基于模型树和集成学习组合算法的河道流量演算方法，其特征在于：所述步骤1中时间数据是分类属性数据，采用月份数据、季节数据或日数据。
5.根据权利要求1所述一种基于模型树和集成学习组合算法的河道流量演算方法，其特征在于：所述步骤2中对数据进行时间窗格化处理具体为：
为计算第t时刻的下游断面j，已知上游某断面i到下游断面j的最大传播时间为Tmax，则将[Qi,t-Tmax,Qi,t-Tmax+1,…,Qi,t]作为模型的输入。
6.根据权利要求1所述一种基于模型树和集成学习组合算法的河道流量演算方法，其特征在于：基于模型树和集成学习组合算法的河道流量演算模型包括模型树、集成学习两种算法；
模型树具体包括模型树的生成、剪枝和平滑；模型树的生成是根据切分变量和切分阈值将样本空间切分成多个子空间，每个子空间建立一个线性回归模型；模型树的剪枝是防止模型过拟合；模型树的平滑是将叶节点及父节点处的线性回归模型合并为新的线性回归模型，避免叶节点和父节点处的预测值相差较大；
集成学习是基于模型树的逐步迭代过程，第一个模型树建立以后，后续的模型树是对前模型树训练结果的调整，如果前模型低估了某一个值，则后续模型将调高预测值，最终模型的预测结果为每个模型树预测值的平均。
7.根据权利要求1所述一种基于模型树和集成学习组合算法的河道流量演算方法，其特征在于：所述步骤3中超参数为模型树个数和近邻样本个数，步骤3进一步包含子步骤：
3.1，选取各超参数的取值范围；
3.2，根据不同的超参数组合分别建立基于模型树和集成学习组合算法的河道流量演算模型，根据交叉验证评估不同超参数组合在验证集中的预测表现，确定最佳超参数组合；
3.3，根据最佳超参数组合建立基于模型树和集成学习组合算法的河道流量演算模型。
8.根据权利要求1所述一种基于模型树和集成学习组合算法的河道流量演算方法，其特征在于：所述步骤4中，在模型预测时，采用近邻样本对模型进行校正；就是在训练集中找出与待预测样本相似的近邻样本子集，使用近邻样本的因变量的真实值、近邻样本的模型预测值、待预测样本的模型预测值生成待预测样本的组合预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211709558.8A CN116150973B (zh) | 2022-12-29 | 2022-12-29 | 一种基于模型树和集成学习组合算法的河道流量演算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211709558.8A CN116150973B (zh) | 2022-12-29 | 2022-12-29 | 一种基于模型树和集成学习组合算法的河道流量演算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116150973A true CN116150973A (zh) | 2023-05-23 |
| CN116150973B CN116150973B (zh) | 2024-02-13 |
Family
ID=86351875
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211709558.8A Active CN116150973B (zh) | 2022-12-29 | 2022-12-29 | 一种基于模型树和集成学习组合算法的河道流量演算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116150973B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09256338A (ja) * | 1996-03-22 | 1997-09-30 | Mitsubishi Heavy Ind Ltd | 河川水位予測装置 |
| CN1828306A (zh) * | 2005-03-01 | 2006-09-06 | 中国海洋大学 | 基于m5’模型树实现配方产品的感官指标预测方法 |
| 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 |
| WO2021120788A1 (zh) * | 2019-12-19 | 2021-06-24 | 华中科技大学 | 一种基于机器学习的水文预报精度评价方法及系统 |
| CN113807545A (zh) * | 2021-09-09 | 2021-12-17 | 浙江大学 | 一种基于深度学习和物理模型的河湖生态流量预报预警方法 |
| US20220180623A1 (en) * | 2019-03-01 | 2022-06-09 | Telefonaktiebolaget Lm Ericsson (Publ) | Method, Program, & Apparatus for Managing a Tree-Based Learner |
-
2022
- 2022-12-29 CN CN202211709558.8A patent/CN116150973B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09256338A (ja) * | 1996-03-22 | 1997-09-30 | Mitsubishi Heavy Ind Ltd | 河川水位予測装置 |
| CN1828306A (zh) * | 2005-03-01 | 2006-09-06 | 中国海洋大学 | 基于m5’模型树实现配方产品的感官指标预测方法 |
| US20220180623A1 (en) * | 2019-03-01 | 2022-06-09 | Telefonaktiebolaget Lm Ericsson (Publ) | Method, Program, & Apparatus for Managing a Tree-Based Learner |
| 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 |
| WO2021120788A1 (zh) * | 2019-12-19 | 2021-06-24 | 华中科技大学 | 一种基于机器学习的水文预报精度评价方法及系统 |
| CN113807545A (zh) * | 2021-09-09 | 2021-12-17 | 浙江大学 | 一种基于深度学习和物理模型的河湖生态流量预报预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 戴舒;付迎春;赵耀龙;: "基于Cubist模型树的城市不透水面百分比遥感估算模型", 地球信息科学学报, vol. 18, no. 10, pages 1402 - 1403 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116150973B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109272146B (zh) | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 | |
| CN111222698B (zh) | 面向物联网的基于长短时记忆网络的积水水位预测方法 | |
| CN110598726A (zh) | 一种基于随机森林的输电杆塔鸟害风险预测方法 | |
| CN109299812B (zh) | 一种基于深度学习模型和knn实时校正的洪水预测方法 | |
| CN110555561A (zh) | 一种中长期径流集合预报方法 | |
| CN113255986B (zh) | 一种基于气象信息和深度学习算法的多步日径流预报方法 | |
| CN116609860B (zh) | 基于集成学习算法的水文模型实时校正方法和系统 | |
| CN103729550A (zh) | 基于传播时间聚类分析的多模型集成洪水预报方法 | |
| CN110598290A (zh) | 考虑气候变化的流域未来水电发电能力预测方法和系统 | |
| CN110782658A (zh) | 一种基于LightGBM算法的交通量预测方法 | |
| CN108614915B (zh) | 基于情景驱动的水文模型自由组建策略方法 | |
| CN106845080B (zh) | 基于差异修正的景区旅游气象灾害智能预测方法 | |
| CN113435630B (zh) | 一种产流模式自适应的流域水文预报方法及系统 | |
| CN112016839B (zh) | 一种基于qr-bc-elm的洪涝灾害预测预警方法 | |
| CN114741987B (zh) | 考虑洪水预报模型绝对误差拟合残差分布的洪水概率预报模型 | |
| CN114169434A (zh) | 一种负荷预测方法 | |
| CN111738477A (zh) | 基于深层特征组合的电网新能源消纳能力预测方法 | |
| CN104865827A (zh) | 一种基于多工况模型的抽油机采油优化方法 | |
| CN115728463B (zh) | 一种基于半嵌入式特征选择的可解释性水质预测方法 | |
| CN112329979A (zh) | 一种基于自适应深度残差网络的超短期风电功率预测方法 | |
| CN115169724A (zh) | 一种基于时空图卷积神经网络的径流预测方法 | |
| CN115689051A (zh) | 一种基于GA算法耦合Morris和GLUE的SWMM模型参数自动率定方法 | |
| CN115310536A (zh) | 基于神经网络和gcn深度学习模型的水库水位预测预警方法 | |
| CN113128871A (zh) | 一种气候变化条件下落叶松分布变化和生产力协同估算方法 | |
| CN116956120A (zh) | 一种基于改进的tft模型对水质非平稳时间序列的预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |