[發(fā)明專利]基于傳播時間聚類分析的多模型集成洪水預報方法

有效

• 申請?zhí)枺?/td>: 201310699773.9
• 申請日: 2013-12-18
• 公開（公告）號: CN103729550A
• 公開（公告）日: 2014-04-16
• 發(fā)明（設計）人: 李士進;朱躍龍;姜玲玲;王亞明;王繼民;萬定生;馮鈞
• 申請（專利權）人: 河海大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 南京經(jīng)緯專利商標代理有限公司 32200
• 代理人: 楊楠

技術領域

本發(fā)明涉及一種洪水預報方法，尤其涉及一種基于傳播時間聚類分析的多模型集成洪水預報方法，屬于水文預報技術領域。

背景技術

在水文時間序列預測分析中，徑流預報是一類經(jīng)典的水文問題，對水資源調配管理和防洪減災調度決策有著重要的意義。然而由于上游站點流量以及氣候與下墊面等因素的綜合影響，流量往往表現(xiàn)出復雜的非線性和非平穩(wěn)性特征。

目前已經(jīng)有很多進行水文時間序列預測的方法，其中最為簡單的是線性模型預測方法，如AR、ARMA等。但應用線性模型預測非線性時間序列很難取得良好的效果。非線性模型由于其本身非線性特性適用于非線性時間序列建模，如人工神經(jīng)網(wǎng)絡、二次回歸模型、混沌模型、支持向量機回歸模型等。由于單個水文預報模型往往強化了水文預報的某些方面而忽視了另一些方面，文獻[張馳，周惠成，李偉.基于數(shù)據(jù)分析技術的水文組合預報應用研究，大連理工大學學報，2007，47（2）：246-251]、文獻[Kunhui?Lin,Qiang?Lin,Changle?Zhou,et?al.Time?Series?Prediction?Based?on?LinearRegression?and?SVR.Third?International?Conference?on?Natural?Computation,ICNC2007:688-691]采用多模型結合預報的方法，從多角度模擬流域狀況，得到更符合實際情況、更加理想的預測效果。在實際應用中，不同的洪水預報模型有不同的適用范圍，甚至在同一流域，不同時間情況下，最適合采用的模型也應是不同的。目前，已有一些研究采用不同的方法對流量或水位過程進行分解聚類，提高神經(jīng)網(wǎng)絡預報精度。尹雄銳等（尹雄銳，張翔，夏軍.基于聚類分析的人工神經(jīng)網(wǎng)絡洪水預報模型研究，四川大學學報（工程科學版），2007，39（3）：34-40）應用模糊C均值和自組織映射網(wǎng)絡對洪水流量聚類成不同的類別，然后采用相同的輸入分別建模、預測。胡鐵松等（胡鐵松，丁晶.徑流長期分級預報的Kohonen網(wǎng)絡方法.水電站設計，1997（6）：13（2））提出了徑流長期分級預報的一種新的模式識別方法，通過Kohonen自組織神經(jīng)網(wǎng)絡對歷史樣本的學習，識別出了蘊含在樣本中徑流級別與其因子之間的規(guī)律性，并證明了該方法的有效性。王玲和黃國如（王玲，黃國如.基于徑流分類的日徑流量預測神經(jīng)網(wǎng)絡模型[J].灌溉排水，2002，21（4）：45-48）通過對將時間分為枯水期、2個濕潤期和一個豐水期，進而達到對流量分類的目的，建立的綜合神經(jīng)網(wǎng)絡模型較單一的神經(jīng)網(wǎng)絡模型有更好的精度。

不同的流量，水流速度不一樣，導致洪水傳播時間有所變化，且不同的時間段雨量大小變化較大，最后導致降雨徑流預報輸入輸出關系的側重點有所不同，如果只用單一的模型，很難將各部分的數(shù)據(jù)同時擬合得很好。

發(fā)明內容

本發(fā)明所要解決的技術問題在于克服現(xiàn)有技術不足，提供一種基于傳播時間聚類分析的多模型集成洪水預報方法，能有效的提高整體預測能力，特別是對洪水期流量較大的情況下的預測精度有顯著的提高。

本發(fā)明的基于傳播時間聚類分析的多模型集成洪水預報方法，首先根據(jù)歷史流量/水位數(shù)據(jù)建立包含多個子模型的洪水預報綜合模型，然后利用所建立的洪水預報綜合模型進行洪水預報；具體包括以下步驟：

步驟1、對于目標站點的歷史流量/水位數(shù)據(jù)中的每個流量/水位數(shù)據(jù)，利用各上游站點與目標站點之間的流量傳播時間構造對應于該流量/水位數(shù)據(jù)的傳播時間向量，目標站點的歷史流量/水位數(shù)據(jù)中的所有流量/水位數(shù)據(jù)所對應的傳播時間向量構成傳播時間向量集合；

步驟2、對所述傳播時間向量集合進行聚類，得到k個簇，并對聚類得到的每個簇分別進行以下處理：

對于每一個上游站點，統(tǒng)計該簇中所包含的該上游站點與目標站點之間的流量傳播時間的分布情況，并將出現(xiàn)頻次最低的部分流量傳播時間剔除，剩余的流量傳播時間作為該簇中該上游站點的可用流量傳播時間，最終得到該簇中各上游站點的可用流量傳播時間；

步驟3、構建k個訓練樣本集，k個訓練樣本集與步驟2得到的k個簇一一對應，k為聚類得到的類別數(shù)；其中任意一個訓練樣本集中的訓練樣本按照以下方法得到：

選取一組目標站點的歷史流量/水位數(shù)據(jù)分別作為該訓練樣本集中各訓練樣本的輸出；