CN117350180B - 一种复杂工况下洪水快速预测模型集合构建方法 - Google Patents
一种复杂工况下洪水快速预测模型集合构建方法 Download PDFInfo
- Publication number
- CN117350180B CN117350180B CN202311664343.3A CN202311664343A CN117350180B CN 117350180 B CN117350180 B CN 117350180B CN 202311664343 A CN202311664343 A CN 202311664343A CN 117350180 B CN117350180 B CN 117350180B
- Authority
- CN
- China
- Prior art keywords
- flood
- prediction model
- water level
- constructing
- rapid
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000004088 simulation Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种复杂工况下洪水快速预测模型集合构建方法,筛选洪水预测模型集合的输入变量,组成自变量空间,选择需要进行洪水预测的河道断面集合;根据自变量特征,设计具有代表性的工况条件组合,利用水文水动力模型计算不同工况条件组合下河道断面集合中所有河道断面的水位过程、洪峰流量和洪峰时间,生成水利工程样本集;选择多种预测模型评估指标以全面评价洪水预测模型对水位过程、洪峰流量和洪峰时间的预测精度和准确度;对每个河道断面的水位,以及洪峰流量和洪峰时间,分别构建基于XGB算法快速预测模型,并利用步骤三中建立的评估体系衡量预测模型集合的表现;对洪水预测模型集合进行训练和验证后,实现洪水预测模型集合的构建。
Description
技术领域
本发明涉及智慧水利技术领域,尤其涉及一种复杂工况下洪水快速预测模型集合构建方法。
背景技术
洪水快速预测对于城市防洪具有重要意义。城市地区洪水模拟主要依赖于基于物理过程的传统水文水动力模型,其完成一个小城市的洪水计算需要至少两小时,无法达到快速防洪的要求。另一方面,水利工程措施的干预和调控作用,增加了洪水要素及河道水位流量变化的模拟难度。利用机器学习模型进行洪水预测是一种新型的洪水预测技术,其预报精度依赖于训练样本的代表性。实际应用中,往往针对单一的预报变量进行机器学习模型训练与验证,由此得到的模型无法反映不同洪水要素对降雨、水位等水文气象变量和水利工程措施的响应关系,因此难以进行不同河道断面的洪水要素预报;若针对各个河道断面与洪水要素分别构建机器学习模型,则导致训练样本数量的显著增大,计算成本增加,故无法实现快速建模与预报。
发明内容
技术目的:针对现有技术中的缺陷,本发明公开了一种复杂工况下洪水快速预测模型集合构建方法,考虑了气象水文条件等基本建模要素和反映人为影响的水利工程控制要素,能够对不同的自然条件和水利工程控制情景提供相应的河道水位过程、洪峰流量和洪峰时间,满足对洪水事件重要变量快速模拟的需求。
技术方案:为实现上述技术目的,本发明采用以下技术方案。
一种复杂工况下洪水快速预测模型集合构建方法,包括以下步骤:
步骤一、筛选洪水快速预测模型集合的输入变量,组成自变量空间,构建需要进行洪水预测的河道断面集合/>;
步骤二、根据自变量特征,设计具有代表性的工况条件组合,利用水文水动力模型计算不同工况条件组合下河道断面集合中所有河道断面的水位过程/>、洪峰流量/>和洪峰时间/>,生成水利工程样本集;其中,根据自变量特征,设计具有代表性的工况条件组合,包括:针对自变量空间/>中的每一个自变量,根据各个自变量的取值范围进行交叉组合,形成工况条件组合;
步骤三、选择多种预测模型评估指标以全面评价洪水快速预测模型对水位过程、洪峰流量/>和洪峰时间/>的预测精度和准确度;
步骤四、对每个河道断面的水位过程,以及洪峰流量和洪峰时间,分别构建基于XGB算法洪水快速预测模型,并利用步骤三中建立的评估体系衡量洪水快速预测模型集合的表现;对洪水快速预测模型集合进行训练和验证后,实现洪水快速预测模型集合的构建。
更进一步地,自变量空间包括水利工程/>的控制水位、累计降雨量/>、边界水位数据/>、潮位边界/>;潮位边界/>包括三个潮位边界值/>,边界水位数据/>包括三个边界水位数据值/>,其中,/>分别为潮位边界的编号,/>分别为边界水位的编号。
更进一步地,多种预测模型评估指标包括:
(1)选取准确率ACC进行区间评估,选择平均绝对误差MAE、均方误差MSE和均方根误差RMSE的统计值衡量洪水快速预测模型集合的综合误差, 其中,准确率ACC表示误差在许可误差范围内的样本数所占总样本的比例,即预测正确的样本数量/总样本数量;
(2)根据水文情报预报规范确定水位过程、洪峰流量/>和洪峰时间/>的许可误差ERR p ,若预测结果落入许可误差内,则认为预测正确;
(3)计算所有河道断面的平均绝对误差MAE、均方误差MSE和均方根误差RMSE的75百分位值与均值作为所有河道断面洪水快速预测模型集合模拟效果的综合衡量指标。
更进一步地,综合衡量指标的计算公式为:
,
,
式中,表示河道断面总数,/>为洪水要素编号,/>=1代表水位过程/>,/>=2代表洪峰流量/>,/>=3代表洪峰时间/>,/>为河道断面编号,/>为第/>个河道断面,/>、/>、分别代表第/>个洪水要素平均绝对误差、均方误差和均方根误差的均值,/>、、/>分别代表/>的第/>个洪水要素对应的平均绝对误差、均方误差和均方根误差,/>、/>、/>代表平均绝对误差统计值、均方误差统计值和均方根误差统计值的75百分位值;/>为/>的平均绝对误差值低于/>的概率,/>为/>的均方误差值低于/>的概率,/>为/>的均方根误差值低于/>的概率。
更进一步地,分别构建基于XGB算法洪水快速预测模型,包括:针对每个的第/>个洪水要素,构建基于XGB的洪水快速预测模型/>,每个洪水快速预测模型/>的训练损失函数为:
,
,
式中、、/>、/>分别代表/>的第/>个洪水要素的真值、模型预测值和模拟误差;/>为正则项,/>反映第/>棵树的结构复杂度,/>为正则化系数,/>为叶子的个数,/>为叶子的节点值。
更进一步地,对洪水快速预测模型集合进行训练和验证,包括:
按照9:1的比例将样本集划分为训练与验证两个子集,以训练样本逐渐增加的方式,针对每个的每个洪水要素/>,构建基于XGB的洪水快速预测模型/>;若所有指标的均值和75百分位值以及ACC无改善,则停止增加样本,否则继续增加训练样本,直至使用所有训练样本,训练样本使用结束后通过验证子集对洪水快速预测模型集合进行验证,验证通过后完成洪水快速预测模型集合的构建。
有益效果:
(1)本发明适用于复杂工况条件下的洪水快速预测模型集合构建方法,模型结构中考虑了气象水文条件等基本建模要素和反映人为影响的水利工程控制要素,能够对不同的自然条件和水利工程控制情景提供相应的河道水位过程、洪峰流量和洪峰时间,满足对洪水事件重要变量快速模拟的需求;
(2)本发明中对基于XGB的预测模型的训练样本采集,根据各个自变量的特征设计采样方法,显著提高训练样本与工况组合的代表性,降低了洪水快速预测模型集合所需的训练样本数量;
(3)本发明中,针对每个洪水要素,以评估指标的统计值作为衡量指标,综合考虑洪水快速预测模型集合的表现,避免了因聚焦于单个预测模型而导致其他XGB模型模拟效果较差的现象;
(4)本发明中对不同洪水要素分别建立XGB模型,符合洪水要素对水文、水利工程等自变量响应不同的客观规律。
附图说明
图1为本发明的方法流程图;
图2为本发明实施例的对河道水位过程、洪峰流量和洪峰时间的模拟效果示意图。
实施方式
以下结合附图和实施例对本发明的一种复杂工况下洪水快速预测模型集合构建方法做进一步的说明和解释。
如图1所示,一种复杂工况下洪水快速预测模型集合构建方法,包括以下步骤:
步骤一、筛选洪水快速预测模型集合的输入变量,组成自变量空间,选择需要进行洪水预测的河道断面位置,组成河道断面集合/>;自变量空间/>包括水利工程/>、累计降雨量/>、边界水位数据/>、潮位边界/>;潮位边界/>包括三个潮位边界值,边界水位数据/>包括三个边界水位数据值/>;其中,/>分别为潮位边界的编号,/>分别为边界水位的编号。
步骤二、根据自变量特征,设计具有代表性的工况条件组合,利用水文水动力模型计算不同工况条件组合下河道断面集合中所有河道断面的水位过程/>、洪峰流量/>和洪峰时间/>,生成水利工程样本集;
在本发明的一些实施例中,工况条件组合设计过程如下:
针对自变量空间中的每一个自变量,根据各个自变量的取值范围进行交叉组合,形成工况组合。
在本发明的一些实施例中,潮位边界相对稳定,因此选取其代表值即低潮位值与高潮位值作为潮位边界,的潮位范围为(2.49m,3.93m),/>的潮位范围为(2.54m,4.93m), />的潮位范围为(2.51m,4.2m);水利工程/>的控制水位范围为[2.4m,4.4m],3m是常采用的控制水位值,并且控制水位值的变化步长不低于0.1m,因此水利工程工况条件组合中的50%控制水位选用3m,剩下50%以0.1m为步长,在控制水位范围内均匀采样;利用随机采样法在水位边界数据的取值范围内采样,/>的水位取值范围分别为[3.81m,5.58m], [3.81m,5.58m]和[3.70m,5.33m];累计降雨量P以水利工程区域内72小时降雨量为基准,取系数范围[1,2.2]并在该范围内随机采样并乘以72小时降雨量以获得工况条件组合,组合各个自变量的取值范围并形成工况条件组合,本实施例共生成37个代表性工况条件组合,这些工况条件组合反映了典型的复杂水文气象条件和水利工程控制情景;
利用具有物理机制的MIKE模型进行河道洪水过程模拟,计算不同工况条件组合下河道断面集合中所有河道断面的水位过程/>、洪峰流量/>和洪峰时间/>,生成样本集,实施例中河道断面数总量为1675,每个断面的洪水过程均可通过MIKE模型计算得到;其中,MIKE模型参考GBT224822008水文情报预报规范;
步骤三、选择多种预测模型评估指标以全面评价洪水快速预测模型对水位过程、洪峰流量/>和洪峰时间/>的预测精度和准确度;多种预测模型评估指标包括:
(1)选取准确率ACC进行区间评估,选择平均绝对误差MAE、均方误差MSE和均方根误差RMSE的统计值衡量洪水快速预测模型集合的综合误差, 其中,准确率ACC表示误差在许可误差范围内的样本数所占总样本的比例,即预测正确的样本数量/总样本数量;
(2)根据水文情报预报规范确定水位过程、洪峰流量/>和洪峰时间/>的许可误差ERR p ,若预测结果落入许可误差内,则认为预测正确,水位过程/>对应两个许可误差范围,对每个变量选取范围大的许可误差;本实施例中水位过程/>预测的许可误差为:常量0.1m 或T时刻水位与T-1时刻水位变幅的20%,取二者中范围大者;洪峰流量/>预测的许可误差为实测值绝对值的10%;洪峰时间/>预测的许可误差为洪峰真实发生时间前后3h内;水文情报预报规范可根据现有技术中规范标准来确定;
(3)计算所有河道断面的平均绝对误差MAE、均方误差MSE和均方根误差RMSE的75百分位值与均值作为所有断面洪水要素模拟效果的综合衡量指标,所有断面洪水要素模拟效果即洪水快速预测模型集合中每个基于XGB算法快速预测模型的预测结果,其计算公式为:
,
,
式中,表示河道断面总数,/>为洪水要素编号,/>=1代表水位过程/>,/>=2代表洪峰流量/>,/>=3代表洪峰时间/>,/>为河道断面编号,/>为第/>个河道断面,/>、/>、分别代表第/>个洪水要素平均绝对误差、均方误差和均方根误差的均值,/>、、/>分别代表/>的第/>个洪水要素对应的平均绝对误差、均方误差和均方根误差,/>、/>、/>代表平均绝对误差统计值、均方误差统计值和均方根误差统计值的75百分位值;/>为/>的平均绝对误差值低于/>的概率,/>为/>的均方误差值低于/>的概率,/>为/>的均方根误差值低于/>的概率。
步骤四、对每个河道断面的水位,以及洪峰流量和洪峰时间,分别构建基于XGB算法洪水快速预测模型,并利用步骤三中建立的评估体系衡量洪水快速预测模型集合的表现;对洪水快速预测模型集合进行训练和验证后,实现洪水快速预测模型集合的构建;
自变量空间作为基于XGB算法洪水快速预测模型的输入,河道断面集合/>作为基于XGB算法洪水快速预测模型的输出,针对河道断面集合/>中的水位过程、洪峰流量和洪峰时间,分别构建基于XGB算法洪水快速预测模型,每个基于XGB算法洪水快速预测模型的输入为根据自变量空间/>构建的不同工况组合;
按照9:1的比例将样本集划分为训练与验证两个子集,以训练样本逐渐增加的方式,针对每个的每个洪水要素/>,构建基于XGB的洪水快速预测模型/>;在此基础上,针对每个洪水要素,根据所有河道断面的评估指标/>、/>、/>计算统计值、/>、/>与准确率/>;若所有指标的均值和75百分位值以及ACC无改善,则停止增加样本,否则继续增加训练样本,直至使用所有训练样本。每个洪水快速预测模型/>的训练损失函数为:
,
,
式中、、/>、/>分别代表/>的第/>个洪水要素的真值、模型预测值和模拟误差;/>为正则项,/>反映第/>棵树的结构复杂度,/>为正则化系数,/>为叶子的个数,/>为叶子的节点值。
实施例
本实施例中,表1-表3统计了实例洪水快速预测模型集合对各个洪水要素的模拟衡量指标,表明本发明的方法能够在少量的训练样本下构建出精度较高的洪水快速预测模型集合,其中,每个情景表示一个工况条件组合,情景1中潮位取下边界值,控制水位采用常量3m,其余自变量为随机采样值,情景2中潮位取下边界,控制水位采用常量3m,边界水位采用上边界值,其余自变量为随机采样值,情景3中潮位取下边界,其余变量为取值范围内的随机采样或均匀采样值。
表 1 洪水快速预测模型集合的水位过程衡量指标值
表 2 洪水快速预测模型集合的洪峰流量衡量指标值
表 3 洪水快速预测模型集合的洪峰时间衡量指标值
本实施例中,通过设计包含人类活动与自然要素在内的洪水快速预测模型集合输入变量样本,为洪水的复杂情景模拟提供条件,水位过程及洪峰流量和洪峰时间受到降雨、蒸发等水文要素的影响和水位、潮位边界条件的约束,也受到水利设施调控的人为干预影响,这些要素相互交织,形成复杂洪水情景,增加了洪水快速模拟的难度,本发明中根据不同输入要素的变化特征进行扰动,并组合形成训练和验证样本,与其他模型相比,训练样本代表性更强;构建基于XGB的洪水快速预测模型集合的评估体系;由于水位过程模拟难度高,以单个河道断面的模拟误差绝对值作为预测模型精度衡量标准,难以提高其他河道断面洪水要素的预报精度,而为了提高基于XGB的洪水快速预测模型集合的预报精度,则需要大量的训练样本,增加了物理模型的运行时间,本发明中提出的预测模型构建方法考虑了河道断面洪水要素的综合预报精度与准确率,在考虑复杂工况情景的同时,合理评价预测模型集合,适用性强;本发明利用XGB算法与少量的样本集,分别构建河道水位过程、洪峰流量和洪峰时间的洪水快速预测模型,与其他技术相比,本发明所述方法提高了模型构建效率,增强了模型对复杂工况情景的适用性。
如图2所示,本发明能够有效模拟不同情景下的不同河道断面的水位、洪峰流量和洪峰时间,所得结果与具有物理机制的水文水动力模型模拟结果具有极高的匹配度。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种复杂工况下洪水快速预测模型集合构建方法,其特征在于,包括以下步骤:
步骤一、筛选洪水快速预测模型集合的输入变量,组成自变量空间,构建需要进行洪水预测的河道断面集合/>;
步骤二、根据自变量特征,设计具有代表性的工况条件组合,利用水文水动力模型计算不同工况条件组合下河道断面集合中所有河道断面的水位过程/>、洪峰流量/>和洪峰时间/>,生成水利工程样本集;其中,根据自变量特征,设计具有代表性的工况条件组合,包括:针对自变量空间/>中的每一个自变量,根据各个自变量的取值范围进行交叉组合,形成工况条件组合;
步骤三、选择多种预测模型评估指标以全面评价洪水快速预测模型对水位过程、洪峰流量/>和洪峰时间/>的预测精度和准确度;
步骤四、对每个河道断面的水位过程,以及洪峰流量和洪峰时间,分别构建基于XGB算法洪水快速预测模型,并利用步骤三中建立的评估体系衡量洪水快速预测模型集合的表现;对洪水快速预测模型集合进行训练和验证后,实现洪水快速预测模型集合的构建;
自变量空间包括水利工程/>的控制水位、累计降雨量/>、边界水位数据/>、潮位边界/>;潮位边界/>包括三个潮位边界值/>,边界水位数据/>包括三个边界水位数据值/>,其中,/>分别为潮位边界的编号,分别为边界水位的编号;
多种预测模型评估指标包括:
(1)选取准确率ACC进行区间评估,选择平均绝对误差MAE、均方误差MSE和均方根误差RMSE的统计值衡量洪水快速预测模型集合的综合误差, 其中,准确率ACC表示误差在许可误差范围内的样本数所占总样本的比例,即预测正确的样本数量/总样本数量;
(2)根据水文情报预报规范确定水位过程、洪峰流量/>和洪峰时间/>的许可误差ERR p ,若预测结果落入许可误差内,则认为预测正确;
(3)计算所有河道断面的平均绝对误差MAE、均方误差MSE和均方根误差RMSE的75百分位值与均值作为所有河道断面洪水快速预测模型集合模拟效果的综合衡量指标。
2.根据权利要求1所述的一种复杂工况下洪水快速预测模型集合构建方法,其特征在于:分别构建基于XGB算法洪水快速预测模型,包括:针对每个的第/>个洪水要素,构建基于XGB的洪水快速预测模型/>,每个洪水快速预测模型/>的训练损失函数为:
,
,
式中、、/>、/>分别代表/>的第/>个洪水要素的真值、模型预测值和模拟误差;为正则项,/>反映第/>棵树的结构复杂度,/>为预先设定的超参数,/>为正则化系数,/>为叶子的个数,/>为叶子的节点值;/>为洪水要素编号,/>=1代表水位过程/>,/>=2代表洪峰流量/>,/>=3代表洪峰时间/>,/>为河道断面编号,/>为第/>个河道断面。
3.根据权利要求1所述的一种复杂工况下洪水快速预测模型集合构建方法,其特征在于:对洪水快速预测模型集合进行训练和验证,包括:
按照9:1的比例将样本集划分为训练与验证两个子集,以训练样本逐渐增加的方式,针对每个的每个洪水要素/>,构建基于XGB的快速预测模型/>;/>为洪水要素编号,/>=1代表水位过程/>,/>=2代表洪峰流量/>,/>=3代表洪峰时间/>,/>为河道断面编号,/>为第/>个河道断面;若所有指标的均值和75百分位值以及准确率ACC无改善,则停止增加样本,否则继续增加训练样本,直至使用所有训练样本,训练样本使用结束后通过验证子集对洪水快速预测模型集合进行验证,验证通过后完成洪水快速预测模型集合的构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311664343.3A CN117350180B (zh) | 2023-12-06 | 2023-12-06 | 一种复杂工况下洪水快速预测模型集合构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311664343.3A CN117350180B (zh) | 2023-12-06 | 2023-12-06 | 一种复杂工况下洪水快速预测模型集合构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117350180A CN117350180A (zh) | 2024-01-05 |
CN117350180B true CN117350180B (zh) | 2024-02-27 |
Family
ID=89365418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311664343.3A Active CN117350180B (zh) | 2023-12-06 | 2023-12-06 | 一种复杂工况下洪水快速预测模型集合构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117350180B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110471950A (zh) * | 2019-07-19 | 2019-11-19 | 河海大学 | 一种中小河流实时洪水预报智能模型预报方法 |
CN116090625A (zh) * | 2023-01-01 | 2023-05-09 | 郑州大学 | 基于LightGBM和水文水动力模型的滨海城市洪涝快速预测方法 |
-
2023
- 2023-12-06 CN CN202311664343.3A patent/CN117350180B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110471950A (zh) * | 2019-07-19 | 2019-11-19 | 河海大学 | 一种中小河流实时洪水预报智能模型预报方法 |
CN116090625A (zh) * | 2023-01-01 | 2023-05-09 | 郑州大学 | 基于LightGBM和水文水动力模型的滨海城市洪涝快速预测方法 |
Non-Patent Citations (1)
Title |
---|
GRU-Transformer 洪水预报模型构建与应用;李文忠等;中国农村水利水电;第35-44页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117350180A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310968B (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
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 | |
CN108304623B (zh) | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 | |
CN111027175A (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
CN108021773B (zh) | 基于dss数据库的分布式水文模型多场次洪水参数率定方法 | |
CN112765912A (zh) | 基于气候模式集合的洪涝灾害社会经济暴露度的评估方法 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN112396152A (zh) | 一种基于cs-lstm的洪水预报方法 | |
CN115689055A (zh) | 一种短期太阳辐照度预测方法及装置 | |
CN114548680A (zh) | 城市暴雨洪水管理模型参数自动率定方法及系统 | |
CN114386677A (zh) | 一种基于新型通用输入输出结构与长短时记忆网络的洪水预报方法 | |
Herath et al. | Evaluation of HEC-HMS model for water resources management in Maha Oya Basin in Sri Lanka | |
CN114357737A (zh) | 针对大尺度水文模型时变参数的代理优化率定方法 | |
CN116976227B (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
CN117648878A (zh) | 一种基于1d-cnn算法的洪水快速演进及淹没模拟方法 | |
CN111914487B (zh) | 一种基于对抗神经网络的无资料地区水文参数率定方法 | |
CN117350180B (zh) | 一种复杂工况下洪水快速预测模型集合构建方法 | |
CN117251989A (zh) | 一种气象站点的碳水通量信息确定方法、系统及电子设备 | |
CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
CN113435630B (zh) | 一种产流模式自适应的流域水文预报方法及系统 | |
CN116467933A (zh) | 基于深度学习的风暴潮增水预测方法及系统 | |
CN115860165A (zh) | 一种考虑初损的神经网络流域降雨径流预报方法及系统 | |
CN115034159A (zh) | 一种海上风电场的功率预测方法、装置、存储介质及系统 | |
CN113094876B (zh) | 未来情景下基于arima模型的水库防洪风险计算方法和系统 | |
CN113077110A (zh) | 一种基于gru的调和残差分段式潮位预测方法 |
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 |