CN116681180B - 一种基于两层相似性度量的湖泊水位相似预报方法 - Google Patents

一种基于两层相似性度量的湖泊水位相似预报方法 Download PDF

Info

Publication number
CN116681180B
CN116681180B CN202310720370.1A CN202310720370A CN116681180B CN 116681180 B CN116681180 B CN 116681180B CN 202310720370 A CN202310720370 A CN 202310720370A CN 116681180 B CN116681180 B CN 116681180B
Authority
CN
China
Prior art keywords
period
water level
similar
lake water
similarity
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.)
Active
Application number
CN202310720370.1A
Other languages
English (en)
Other versions
CN116681180A (zh
Inventor
夏浩顺
王超
卞新盛
周洲
许珂
黄伟
王晓森
傅汉霖
司乔瑞
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.)
Jiangsu Water Source Co ltd Of East Line Of South To North Water Transfer
Jiangsu University
China Institute of Water Resources and Hydropower Research
Original Assignee
Jiangsu Water Source Co ltd Of East Line Of South To North Water Transfer
Jiangsu University
China Institute of Water Resources and Hydropower Research
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 Jiangsu Water Source Co ltd Of East Line Of South To North Water Transfer, Jiangsu University, China Institute of Water Resources and Hydropower Research filed Critical Jiangsu Water Source Co ltd Of East Line Of South To North Water Transfer
Priority to CN202310720370.1A priority Critical patent/CN116681180B/zh
Publication of CN116681180A publication Critical patent/CN116681180A/zh
Application granted granted Critical
Publication of CN116681180B publication Critical patent/CN116681180B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于两层相似性度量的湖泊水位相似预报方法，该方法采用外层欧式距离和内层欧式距离两层距离度量策略确定历史最优相似场景样本序列，能够提高历史最相似场景样本序列与实时预见期水位序列的相似性，减小预报误差；同时采用预报误差反馈修正策略，能够消除不确定性误差堆积的负面影响，进一步降低预报误差，从而提高湖泊水位预报的精确性，降低调度风险。

Description

一种基于两层相似性度量的湖泊水位相似预报方法
技术领域
本发明涉及水文预报技术领域，尤其涉及一种基于两层相似性度量的湖泊水位相似预报方法。
背景技术
湖泊水位预报是对湖泊进行水资源调度的重要工作之一，因此现有技术中对湖泊水位预报也有着较多的研究，比如以新安江模型等为代表的机理预报模型、以深度神经网络等为代表的数据驱动预报模型以及机理数据融合预报模型。但是，由于湖泊存在出入湖及分水的扰动不确定性，使得现有的水文预报模型都面临应对误差不确定能力较差的问题，从而容易造成湖泊水位预测偏差大、预测结果不准的问题，难以满足生产生活需求。
发明内容
本发明所要解决的技术问题是提供一种能够提高湖泊水位预报精度、降低调度风险的基于两层相似性度量的湖泊水位相似预报方法。
本发明解决上述技术问题所采用的技术方案为：一种基于两层相似性度量的湖泊水位相似预报方法，包括，
S1，选取湖泊历史水位数据作为样本数据集，确定湖泊水位预报的相似期和预见期长度，其中相似期包括外层相似期和内层相似期；
S2，在所述样本数据集中按序逐个提取数量与外层相似期和预见期长度之和相等的历史水位数据构建相似预报样本序列集，相似预报样本序列集中的每个样本序列的第一个历史水位数据与所述样本数据集中相应的历史水位数据序列一致，然后根据外层相似期长度和预见期长度将相似预报序列集中的每一个样本序列分割为外层相似期样本序列和预见期样本序列；
S3，计算相似预报序列集中的每个外层相似期样本序列与实时外层相似期序列的欧式距离即外层欧式距离；
S4，选取外层欧式距离最小的M个外层相似期样本序列，并在选取的M个外层相似期样本序列中截取与对应的预见期样本序列相邻的且数量与内层相似期长度相等的样本序列作为内层相似期样本序列，其中M为大于等于内层相似期长度的自然数；
S5，计算每一个内层相似期样本序列与实时内层相似期序列的欧式距离即内层欧式距离，选取最小内层欧式距离对应的内层相似期样本序列和相应的预见期样本序列作为最相似内层相似期样本序列和最相似预见期样本序列；
S6，通过一次指数平滑法计算最相似预见期样本序列的逐步长偏差，并结合上一步长的实时预见期预测湖泊水位计算得到当前步长的实时预见期预测湖泊水位。
进一步的，所述S6的计算方式如下：
所述S6的计算方式如下：
其中，为实时预见期内第t步长的预测湖泊水位，为实时预见期内第t步长 的上一步长的预测湖泊水位，其中当t=1时，为实时预见期内第1步长的上一步长的预 测湖泊水位，同时也为实时相似期内最后步长的湖泊水位，表示历史最相似预见期内 湖泊水位的逐步偏差值，为历史最相似预见期内第t步长的湖泊水位，为历史最相似 预见期内第t步长的上一步长时的湖泊水位，其中当t=1时，为历史最相似预见期第1步 长的上一步长的湖泊水位，同时也为最相似内层相似期最后步长的湖泊水位，为预见期 和实时预见期的长度，为一次指数平滑法的权重系数。
进一步的，在执行所述S6的过程中，还包括对实时预见期预测湖泊水位进行修正的步骤，具体如下式：
式中，为实时预见期内第t1步长预测湖泊水位修正后的值，为修正前的实时 预见期内第t1步长的预测湖泊水位，表示实时预见期内第t0步长的预测偏差值，为 实时预见期内第t0步长的预测湖泊水位，为第t0步长的实际湖泊水位，为偏差修正系 数，其中，且t1=t0+1。
进一步的，所述外层相似期的长度为非汛期平均降雨产流时间与至湖泊入湖断面的汇流时间之和的长度，所述内层相似期长度为汛期平均降雨产流时间与至湖泊入湖断面的汇流时间之和的长度。
进一步的，所述外层欧式距离的计算方式如下：
式中，为外层欧式距离，为外层相似期长度，为外层相似期样本序列在第步长的湖泊水位，为实时外层相似期样本序列在第步长的湖泊水位，其中；
所述内层欧式距离的计算方式如下：
式中，为内层欧式距离，为内层相似期长度，为内层相似期样本序列在第 步长的湖泊水位，为实时内层相似期样本序列在第步长的湖泊水位，其中。
进一步的，在执行所述S4的步骤前还包括对外层欧式距离采用归并排序算法进行排序的步骤。
进一步的，所述外层相似期长度为15天，所述内层相似期长度为3天，所述预见期长度为10天。
进一步的，所述一次指数平滑法的权重系数α为0.09。
进一步的，所述偏差修正系数γ为0.1。
与现有技术相比，本发明的优点在于：本发明的湖泊水位预报方法采用外层欧式距离和内层欧式距离两层相似距离度量策略确定历史最优相似场景样本序列，能够提高历史最相似场景样本序列与实时预见期水位序列的相似性，减小预报误差；同时采用预报误差反馈修正策略，能够消除不确定性误差堆积的负面影响，进一步降低预报误差，从而提高湖泊水位预报的精确性，降低调度风险。
具体实施方式
以下结合实施例对本发明作进一步详细描述，在本申请的描述中，需要说明的是，对于方位词，如有术语“中心”、“横向”、“纵向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示方位和位置关系为基于附图所示的方位或位置关系，仅是为了便于叙述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定方位构造和操作，不能理解为限制本申请的具体保护范围。术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
本发明涉及一种基于两层相似性度量的湖泊水位相似预报方法，该方法包括如下步骤：
S1，选取湖泊历史水位数据作为样本数据集，确定湖泊水位预报的相似期和预见期长度，其中相似期包括外层相似期和内层相似期；外层相似期和内层相似期的长度由人为定义，在本实施例中，外层相似期的长度可以设置为非汛期平均降雨产流时间与至湖泊入湖断面的汇流时间之和的长度，内层相似期长度可以设置为汛期平均降雨产流时间与至湖泊入湖断面的汇流时间之和的长度，预见期选择待预测的时间跨度即可；
S2，在样本数据集中按序逐个提取数量与外层相似期和预见期长度之和相等的历史水位数据构建相似预报样本序列集，相似预报样本序列集中的每个样本序列的第一个历史水位数据与样本数据集中相应的历史水位数据序列一致，也即按顺序将相似预报样本序列集中的每个样本序列的第一个历史水位数据提取出来组成的新序列与历史水位数据序列的对应部分一致，然后根据外层相似期长度和预见期长度将相似预报序列集中的每一个样本序列分割为外层相似期样本序列和预见期样本序列；
S3，计算相似预报序列集中的每个外层相似期样本序列与实时外层相似期序列的欧式距离即外层欧式距离；
S4，选取外层欧式距离最小的M个外层相似期样本序列，并在选取的M个外层相似期样本序列中截取与对应预见期样本序列相邻的且数量与内层相似期长度相等的样本序列作为内层相似期样本序列，其中M为大于等于内层相似期长度的自然数；
S5，计算实时内层相似期序列与每一个内层相似期样本序列的欧式距离即内层欧式距离，选取最小内层欧式距离对应的内层相似期样本序列和相应的预见期样本序列作为最相似内层相似期样本序列和最相似预见期样本序列；
S6，通过一次指数平滑法计算最相似预见期样本序列的逐步长偏差，并结合上一步长的实时预见期预测湖泊水位计算当前步长的实时预见期预测湖泊水位，从而实现湖泊水位预报。
具体而言，假设为样本数据集中的历史水位数据个数，为外层相似期的长度，为预见期的长度，从样本数据集的第一个历史水位数据开始按顺序选择个历史水 位数据作为相似预报样本序列集的第一个样本序列，从样本数据集的第二个历史水位数据 开始按顺序选择历史水位数据作为相似预报样本序列集的第二个样本序列，以此类 推，即可以得到相似预报序列集，相似预报序列集的样本序列个数为。另外需要 说明的是，在本申请中，实时预见期指实际要预测的时域期间，实时相似期指与实时预见期 相邻的相似期，而对通过历史水位数据构建的相似预报序列集中的水位数据序列对应地称 之为相似期和预见期，实时预见期与预见期的长度相等，实时相似期与相似期的长度相等， 这通过说明书的阅读可以很容易理解。
然后根据外层相似期长度和预见期长度将相似预报序列集中的每一个样本序 列分割为外层相似期样本序列和预见期样本序列。在得出相似预报序列集中的外层相似期 样本序列后，计算实时外层相似期序列与相似预报序列集中的每个外层相似期样本序列的 欧式距离即外层欧式距离；外层欧式距离的计算方式如下：
式中，为外层欧式距离，为外层相似期长度，为外层相似期样本序列在第步长的湖泊水位，为实时外层相似期样本序列在第步长的湖泊水位，其中。
计算出外层欧式距离后，选取外层欧式距离最小的M个外层相似期样本序列，并在 选取的M个外层相似期样本序列中截取与对应预见期样本序列相邻的且数量与内层相似期 长度相等的样本序列作为内层相似期样本序列；其中，M的值大于等于内层相似期长度，M的 值可以根据实际情况进行设置，假设内层相似期长度为，则在选取的每一个外层相似期 样本序列中截取个紧靠对应的预见期样本序列的历史水位数据作为内层相似期样本序 列。
作为一种优选，在执行上述S4的步骤前还包括对外层欧式距离采用归并排序算法进行排序的步骤，也即对外层欧式距离进行归并排序算法进行排序后在选择其中M个外层欧式距离最小的外层相似期样本序列，这样可以提高选择效率，特别是在历史水位数据量大的情况下，计算效率更为明显。归并排序算法属于现有技术，其原理不在此详述。
在得出内层相似期样本序列后，计算实时内层相似期序列与每一个内层相似期样本序列的欧式距离即内层欧式距离，内层欧式距离的计算方式如下：
式中，为内层欧式距离，为内层相似期长度，为内层相似期样本序列在第 步长的湖泊水位，为实时内层相似期样本序列在第步长的湖泊水位，其中。
然后，选取最小内层欧式距离对应的内层相似期样本序列和相应的预见期样本序列作为最相似内层相似期样本序列和最相似预见期样本序列。
在本实施例中，上述S6的计算方式如下：
其中，为实时预见期内第t步长的预测湖泊水位，为实时预见期内第t步长 的上一步长的预测湖泊水位，其中当t=1时，为实时预见期内第1步长的上一步长的预 测湖泊水位，同时也为实时相似期内最后步长的湖泊水位，表示历史最相似预见期内 湖泊水位的逐步偏差值，为历史最相似预见期内第t步长的湖泊水位，为历史最相似 预见期内第t步长的上一步长时的湖泊水位，其中当t=1时，为历史最相似预见期第1步 长的上一步长的湖泊水位，同时也为最相似内层相似期最后步长的湖泊水位，为预见期 和实时预见期的长度，为一次指数平滑法的权重系数，可以根据经验进行取值，比如 0.08、0.09等。
在执行S6的过程中，还包括对实时预见期预测湖泊水位进行修正的步骤，具体如下式：
式中，为实时预见期内第t1步长预测湖泊水位修正后的值，为修正前的实时 预见期内第t1步长的预测湖泊水位，表示实时预见期内第t0步长的预测偏差值，为 实时预见期内第t0步长的预测湖泊水位，为第t0步长的实际湖泊水位，为偏差修正系 数，可以根据经验进行取值，比如0.1、0.2等，其中，且t1=t0+1。
采用该修正方法将当前步长的预测偏差反馈至下一步长的预测湖泊水位中，如此滚动进行预报，能够有效降低预测偏差的堆积，提高预报精度。
下面以南水北调东线江苏段骆马湖为例，对本发明的湖泊水位预报方法的预报效果进行进一步说明。为体现本发明方法的优越性，选取常规预报方法的一般性相似预测结果进行对比，其中常规预报方法采用无预报误差反馈修正策略的单层相似预报方法。
选取历史1968年-2018年骆马湖水位过程作为样本数据集，历史2019年-2021年骆马湖水位过程作为测试集。外层相似期长度为15天，内层相似期长度为3天，预见期长度为10天，指数平滑法的参数α设置为0.90，偏差修正系数γ设置为0.1，前述方法的M值取5。当然这些参数可以根据预测精度等要求进行调整。
分别通过本发明方法与常规性方法预测骆马湖水位过程，计算测试集期间所有的预见期内逐步长的预测值与实测值的绝对偏差的平均值，见表1。计算两种方法测试集期间所有的预见期的预测值与实测值的均方误差MSE、均方根误差RMSE、平均绝对误差MAE、平均绝对百分误差MAPE的平均值，见表2。
表 1预见期内逐步长偏差平均值表（m）
预见期 第一天 第二天 第三天 第四天 第五天 第六天 第七天 第八天 第九天 第十天
本发明方法 0.04 0.05 0.05 0.04 0.04 0.04 0.04 0.04 0.04 0.05
常规方法 0.04 0.07 0.09 0.11 0.13 0.14 0.16 0.18 0.19 0.21
表 2 预见期测试序列预测评价表
评价指标 MSE RMSE MAE MAPE
本发明方法 0.007 0.058 0.045 0.201
常规方法 0.046 0.154 0.132 0.587
由表1可以看出，常规方法的逐步长绝对偏差的平均水平呈现逐步长递增的趋势，即呈现堆积趋势，且最大绝对偏差达到0.21m，而本发明方法的逐步长绝对偏差平均值随步长变化趋势比较平稳，整体都在0.05m以内，而且远小于常规方法的绝对偏差平均值。由表2可以看出，常规方法相似预测的预测评价指标MSE、RMSE、MAE、MAPE均比本发明方法要高，表明常规方法的预报精度更低。本发明方法与常规的一般性相似预测相比，能够消除预见期内逐步长绝对偏差的堆积，使得各步长的预测值均在较小范围内，预测精度提升明显，为湖泊水位相似预测提供了一种新的思路。
尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由权利要求及其等同物限定。

Claims (7)

1.一种基于两层相似性度量的湖泊水位相似预报方法，其特征在于：包括，
S1，选取湖泊历史水位数据作为样本数据集，确定湖泊水位预报的相似期和预见期长度，其中相似期包括外层相似期和内层相似期；
S2，在所述样本数据集中按序逐个提取数量与外层相似期和预见期长度之和相等的历史水位数据构建相似预报样本序列集，相似预报样本序列集中的每个样本序列的第一个历史水位数据与所述样本数据集中相应的历史水位数据序列一致，然后根据外层相似期长度和预见期长度将相似预报序列集中的每一个样本序列分割为外层相似期样本序列和预见期样本序列；
S3，计算相似预报序列集中的每个外层相似期样本序列与实时外层相似期序列的欧式距离即外层欧式距离，所述外层欧式距离的计算方式如下：
式中，do为外层欧式距离，lo为外层相似期长度，为外层相似期样本序列在第t'步长的湖泊水位，/>为实时外层相似期样本序列在第t'步长的湖泊水位，其中t'＝1,2,...,lo；
S4，选取外层欧式距离最小的M个外层相似期样本序列，并在选取的M个外层相似期样本序列中截取与对应的预见期样本序列相邻的且数量与内层相似期长度相等的样本序列作为内层相似期样本序列，其中M为大于等于内层相似期长度的自然数；
S5，计算每一个内层相似期样本序列与实时内层相似期序列的欧式距离即内层欧式距离，选取最小内层欧式距离对应的内层相似期样本序列和相应的预见期样本序列作为最相似内层相似期样本序列和最相似预见期样本序列；其中，所述内层欧式距离的计算方式如下：
式中，di为内层欧式距离，li为内层相似期长度，为内层相似期样本序列在第t”步长的湖泊水位，/>为实时内层相似期样本序列在第t”步长的湖泊水位，其中t”＝1,2,...,li；
S6，通过一次指数平滑法计算最相似预见期样本序列的逐步长偏差，并结合上一步长的实时预见期预测湖泊水位计算得到当前步长的实时预见期预测湖泊水位，具体计算方式如下：
其中，为实时预见期内第t步长的预测湖泊水位，/>为实时预见期内第t步长的上一步长的预测湖泊水位，其中当t＝1时，/>为实时预见期内的第1步长的上一步长的预测湖泊水位，同时也为实时相似期内最后步长的湖泊水位，/>表示历史最相似预见期内湖泊水位的逐步偏差值，/>为历史最相似预见期内第t步长的湖泊水位，/>为历史最相似预见期内第t步长的上一步长的湖泊水位，其中当t＝1时，/>为历史最相似预见期内第1步长的上一步长的湖泊水位，同时也为最相似内层相似期最后步长的湖泊水位，lf为预见期和实时预见期的长度，α为一次指数平滑法的权重系数。
2.根据权利要求1所述的基于两层相似性度量的湖泊水位相似预报方法，其特征在于：
在执行所述S6的过程中，还包括对实时预见期预测湖泊水位进行修正的步骤，具体如下式：
式中，为实时预见期内第t1步长预测湖泊水位修正后的值，/>为修正前的实时预见期内第t1步长的预测湖泊水位，Δμt0表示实时预见期内第t0步长的预测偏差值，/>为实时预见期内第t0步长的预测湖泊水位，/>为第t0步长的实际湖泊水位，γ为偏差修正系数，其中t1＝2,3,4…lf，且t1＝t0+1。
3.根据权利要求1所述的基于两层相似性度量的湖泊水位相似预报方法，其特征在于：
所述外层相似期的长度为非汛期平均降雨产流时间与至湖泊入湖断面的汇流时间之和的长度，所述内层相似期长度为汛期平均降雨产流时间与至湖泊入湖断面的汇流时间之和的长度。
4.根据权利要求1所述的基于两层相似性度量的湖泊水位相似预报方法，其特征在于：
在执行所述S4的步骤前还包括对外层欧式距离采用归并排序算法进行排序的步骤。
5.根据权利要求3所述的基于两层相似性度量的湖泊水位相似预报方法，其特征在于：
所述外层相似期长度为15天，所述内层相似期长度为3天，所述预见期长度为10天。
6.根据权利要求1所述的基于两层相似性度量的湖泊水位相似预报方法，其特征在于：
所述一次指数平滑法的权重系数α为0.09。
7.根据权利要求2所述的基于两层相似性度量的湖泊水位相似预报方法，其特征在于：
所述偏差修正系数γ为0.1。
CN202310720370.1A 2023-06-19 2023-06-19 一种基于两层相似性度量的湖泊水位相似预报方法 Active CN116681180B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310720370.1A CN116681180B (zh) 2023-06-19 2023-06-19 一种基于两层相似性度量的湖泊水位相似预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310720370.1A CN116681180B (zh) 2023-06-19 2023-06-19 一种基于两层相似性度量的湖泊水位相似预报方法

Publications (2)

Publication Number Publication Date
CN116681180A CN116681180A (zh) 2023-09-01
CN116681180B true CN116681180B (zh) 2024-01-26

Family

ID=87790611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310720370.1A Active CN116681180B (zh) 2023-06-19 2023-06-19 一种基于两层相似性度量的湖泊水位相似预报方法

Country Status (1)

Country Link
CN (1) CN116681180B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117390466B (zh) * 2023-12-13 2024-02-06 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) 一种基于相似性度量的湖泊稳态判别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140068436A (ko) * 2012-11-28 2014-06-09 한국지질자원연구원 시계열 예측 모델을 이용한 이상관측자료 탐지 방법 및 지하수위의 이상관측자료 탐지 방법
CN111401599A (zh) * 2019-08-01 2020-07-10 河海大学 一种基于相似性搜索和lstm神经网络的水位预测方法
CN112508437A (zh) * 2020-12-16 2021-03-16 国网安徽省电力有限公司 一种微气候环境下风速预报的时序相似误差订正方法
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512767B (zh) * 2015-12-15 2019-06-11 武汉大学 一种多预见期的洪水预报方法
CN109489637B (zh) * 2018-11-08 2019-10-18 清华大学 水量变化监测方法、装置、计算机设备和存储介质
CN110895726B (zh) * 2019-10-16 2021-09-24 大连理工大学 一种考虑预报误差降低水库洪水起调水位的预报调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140068436A (ko) * 2012-11-28 2014-06-09 한국지질자원연구원 시계열 예측 모델을 이용한 이상관측자료 탐지 방법 및 지하수위의 이상관측자료 탐지 방법
CN111401599A (zh) * 2019-08-01 2020-07-10 河海大学 一种基于相似性搜索和lstm神经网络的水位预测方法
CN112508437A (zh) * 2020-12-16 2021-03-16 国网安徽省电力有限公司 一种微气候环境下风速预报的时序相似误差订正方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
三峡水库水文气象预报不确定性及误差分布分析;许银山;李玉荣;闵要武;;人民长江(第21期);全文 *
湖泊水文年相似的评价指标及判断方法;鄢碧鹏;刘超;汤方平;;灌溉排水学报(第05期);全文 *

Also Published As

Publication number Publication date
CN116681180A (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN116681180B (zh) 一种基于两层相似性度量的湖泊水位相似预报方法
JP4807565B2 (ja) 流量予測装置
CN108830423B (zh) 一种基于预报域的年径流预测方法
CN110399587B (zh) 利用距平残差识别河道调整对水位影响幅度的方法
CN113256005A (zh) 一种基于神经网络模型的电站水位过程预测方法及设备
KR20140140361A (ko) 앙상블 유출 예측기법을 적용한 하천 수질예측 시스템
CN109147324B (zh) 一种基于用户反馈机制的交通拥堵概率预报的方法
CN108734340A (zh) 一种基于洪型概化的河道洪水预报方法
CN114970341B (zh) 基于机器学习的低轨卫星轨道预报精度提升模型建立方法
CN108491974B (zh) 一种基于集合卡尔曼滤波的洪水预报方法
CN107293118A (zh) 一种交通速度动态区间短时预测方法
CN114548511A (zh) 一种低水头水电站群下游水库日平均入库流量的预测方法
TW200404195A (en) Prediction system
CN114819322A (zh) 湖泊入湖流量的预报方法
CN110135114B (zh) 河流设计最低通航水位的确定方法和装置
CN109325206B (zh) 一种降雨径流模型参数优化方法
CN111815043B (zh) 一种基于暴雨特征的洪水流量预测方法及系统
CN113672872A (zh) 一种基于遥感影像的平原河网水量置换率计算方法及终端
CN116740946B (zh) 一种公路车流量大数据分析处理方法
CN116502805B (zh) 基于围区水网提升量化评价模型的调度方案快速筛选方法
CN115907536B (zh) 一种基于区间谬误率的水库特征曲线校正方法
CN109255476A (zh) 一种变参数非线性的河道流量预测方法
CN115688022B (zh) 一种基于最邻近算法的流域单位线实时优选方法
CN109902266B (zh) 一种基于Copula函数的河道流量演算方法
CN109992868B (zh) 一种基于异参离散广义Nash汇流模型的河道洪水预报方法

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