[發明專利]基于前期氣象因子與數據挖掘技術的中長期徑流預報方法

在審

• 申請號: 201710451205.5
• 申請日: 2017-06-15
• 公開（公告）號: CN107292098A
• 公開（公告）日: 2017-10-24
• 發明（設計）人: 梁忠民;酈于杰;唐甜甜;王軍;楊靖;劉甜
• 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: 南京縱橫知識產權代理有限公司32224
• 代理人: 董建林

技術領域

本發明涉及水文預報技術領域，具體涉及一種與前期氣象因子耦合的基于數據挖掘技術的中長期徑流預報方法。

背景技術

中長期徑流預報是水利水電工程設計、施工和運行管理的重要依據，是實現水資源科學調配、提高水資源利用效率的基礎性關鍵技術，對水資源的調度管理和優化配置具有重要的支撐意義。由于長期的水文要素受到氣候、下墊面、人類活動等諸多因素的綜合影響和制約，其變化情況錯綜復雜，且具有較大的時間、空間上的不確定性、不穩定性，故對于一個具體的徑流序列，往往從其周期性、趨勢性、隨機性、區域性、跳躍性等多方面角度出發分析，通過不斷嘗試、不斷驗證等步驟，找到適合的預報因子和預報模型。

目前，在中長期方面的預報理論與方法上的研究突破較少，且往往缺少物理成因的綜合考慮。整體而言，中長期徑流預報研究仍處于起步階段，相對于短期徑流預報(實時洪水預報)而言，發展較緩慢，且落后于生產實際的要求。

目前，中長期徑流預報一般分為預報因子識別、預報模型構建和預報模型應用三個方面。由于其特殊性與困難性，預報方法多以統計方法為主，如時間序列模型、回歸分析模型、模糊分析模型、灰色系統模型等。現有的這些方法主要存在著兩大問題；(1)預報因子的識別缺乏物理背景，且甄選方法與結果的不確定性較大。(2)預報模型較為單一，預報結果的不穩定性較高。

近年來，隨著新數學方法的涌現與計算機技術的不斷提高，大數據挖掘技術得到了快速發展，并對生產生活產生了深遠影響。水文是一個數據驅動型的行業，隨著水文數據規模的指數型擴增，其潛在的應用價值不斷凸顯。如何從水文大數據中挖掘出重要價值，是發展中長期徑流預報理論與方法、解決中長期徑流預報技術瓶頸的關鍵與重要課題。

發明內容

本發明的目的在于克服現有技術中的不足，提供了一種基于前期氣象因子與數據挖掘技術的中長期徑流預報方法，有效地解決了預報因子與預報模型的不確定性及不穩定性的問題。

為解決上述技術問題，本發明提供了一種基于前期氣象因子與數據挖掘技術的中長期徑流預報方法，其特征是，包括以下步驟：

步驟S1，確定影響中長期徑流的各類前期初選預報因子，計算所有類別初選預報因子序列與歷史預報對象序列的皮爾遜相關系數，再根據逐步回歸方法，提取出相關性高、方差貢獻大的因子作為最終預報因子；

步驟S2，構建多種基于數據挖掘技術的預報模型，將歷史最終預報因子序列與預報對象序列作為不同預報模型的輸入與輸出，訓練各預報模型；

步驟S3，依據以上多種預報模型分別進行徑流預報，利用最優組合賦權理論，綜合集成多模型預報結果。

進一步的，前期初選預報因子包括74項環流指數、北太平洋海溫場和500hPa高度場三類數據。

進一步的，初選預報因子序列包括不同種類、不同時間提前量、不同經緯度的因子數值。

進一步的，步驟S1中，提取最終預報因子的具體過程為：先計算所有類別初選預報因子序列與歷史預報對象序列的皮爾遜相關系數，從各類氣象因素的所有因子中挑選出與預報對象相關性較高的因子，再根據逐步回歸方法，在挑選出的因子中計算影響預報對象序列最大的因子，作為最終預報因子。

進一步的，預報模型包括人工神經網絡、支持向量機和隨機森林三種。

進一步的，步驟S3中，獲取最終預報結果的過程為：根據各預報模型在各月的模擬及實測系列，通過博弈論最優賦權方法確定各預報模型在集成模型中每月的權重系數；基于各個預報模型在各月的權重，對各模型的模擬值進行加權集成，獲得多模型集成的預報值。

與現有技術相比，本發明所達到的有益效果是：

(1)在因子識別階段，根據影響中長期徑流情勢的前期氣象特征出發，根據預報因子與預報對象之間的物理聯系，選擇多尺度、多層次的氣象要素作為初選預報因子。再根據統計原理，計算、篩選出相關性高、彼此獨立性強的氣象要素作為最終預報因子。

(2)在模型構建階段，利用目前發展迅速的大數據挖掘技術中的人工神經網絡、支持向量機和隨機森林三種智能算法模型，通過大量計算、不斷分析海量歷史氣象-水文數據的潛在關系，構建適合旬-月及以上時間尺度的中長期徑流預報模型。

(3)在結果綜合階段，運用最優組合賦權理論，通過分析不同模型在不同模擬期內的模擬性能從而動態賦權，獲得最佳綜合預報結果。