[發(fā)明專利]基于水文變量年際和月變化特性的徑流預(yù)報(bào)方法和系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201710498418.3
• 申請(qǐng)日: 2017-06-23
• 公開（公告）號(hào): CN107274030B
• 公開（公告）日: 2019-03-05
• 發(fā)明（設(shè)計(jì)）人: 周建中;朱雙;李薇;許顏賀;張海榮;吳江
• 申請(qǐng)（專利權(quán)）人: 華中科技大學(xué)
• 主分類號(hào): G06F17/50
• 分類號(hào): G06F17/50;G06Q10/04;G06N3/08
• 代理公司: 華中科技大學(xué)專利中心 42201
• 代理人: 李智;曹葆青

1.一種基于水文變量年際和月變化特性的徑流預(yù)報(bào)方法，其特征在于，包括：

(1)獲取預(yù)報(bào)斷面的歷史徑流數(shù)據(jù)，從歷史徑流數(shù)據(jù)中提取預(yù)報(bào)月年際徑流和預(yù)報(bào)月前的月際降雨及預(yù)報(bào)月前的月際徑流；

(2)將預(yù)報(bào)月年際徑流輸入加權(quán)移動(dòng)平均模型，得到加權(quán)移動(dòng)預(yù)報(bào)月徑流將預(yù)報(bào)月前的月際降雨及預(yù)報(bào)月前的月際徑流和預(yù)報(bào)月徑流實(shí)測(cè)值作為訓(xùn)練樣本，利用訓(xùn)練樣本訓(xùn)練GRNN神經(jīng)網(wǎng)絡(luò)模型，直至GRNN神經(jīng)網(wǎng)絡(luò)模型的光滑因子尋找到最優(yōu)解，得到訓(xùn)練好的GRNN神經(jīng)網(wǎng)絡(luò)模型，將預(yù)報(bào)月前的月際降雨及預(yù)報(bào)月前的月際徑流輸入GRNN神經(jīng)網(wǎng)絡(luò)模型，得到神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)月徑流

(3)對(duì)加權(quán)移動(dòng)預(yù)報(bào)月徑流和神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)月徑流采用最小二乘法進(jìn)行加權(quán)耦合，得到最終的組合預(yù)報(bào)月徑流。

2.如權(quán)利要求1所述的一種基于水文變量年際和月變化特性的徑流預(yù)報(bào)方法，其特征在于，所述步驟(3)的具體實(shí)現(xiàn)方式為：

對(duì)加權(quán)移動(dòng)預(yù)報(bào)月徑流和神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)月徑流采用進(jìn)行加權(quán)耦合，得到最終的組合預(yù)報(bào)月徑流F_t，ω_a為加權(quán)移動(dòng)平均模型的權(quán)重，ω_g為GRNN神經(jīng)網(wǎng)絡(luò)模型的權(quán)重，反映的是預(yù)報(bào)誤差方差期望值，Q_t為i＝t時(shí)刻的徑流實(shí)測(cè)值，F(xiàn)_i為第i時(shí)刻的組合預(yù)報(bào)月徑流，Q_i為第i時(shí)刻的徑流實(shí)測(cè)值，n表示總時(shí)刻，預(yù)報(bào)誤差方差期望值最小時(shí)，應(yīng)用最小二乘法，得到ω_g,ω_a的值。

3.一種基于水文變量年際和月變化特性的徑流預(yù)報(bào)系統(tǒng)，其特征在于，包括：

第一模塊，用于獲取預(yù)報(bào)斷面的歷史徑流數(shù)據(jù)，從歷史徑流數(shù)據(jù)中提取預(yù)報(bào)月年際徑流和預(yù)報(bào)月前的月際降雨及預(yù)報(bào)月前的月際徑流；

第二模塊，用于將預(yù)報(bào)月年際徑流輸入加權(quán)移動(dòng)平均模型，得到加權(quán)移動(dòng)預(yù)報(bào)月徑流將預(yù)報(bào)月前的月際降雨及預(yù)報(bào)月前的月際徑流和預(yù)報(bào)月徑流實(shí)測(cè)值作為訓(xùn)練樣本，利用訓(xùn)練樣本訓(xùn)練GRNN神經(jīng)網(wǎng)絡(luò)模型，直至GRNN神經(jīng)網(wǎng)絡(luò)模型的光滑因子尋找到最優(yōu)解，得到訓(xùn)練好的GRNN神經(jīng)網(wǎng)絡(luò)模型，將預(yù)報(bào)月前的月際降雨及預(yù)報(bào)月前的月際徑流輸入GRNN神經(jīng)網(wǎng)絡(luò)模型，得到神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)月徑流

第三模塊，用于對(duì)加權(quán)移動(dòng)預(yù)報(bào)月徑流和神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)月徑流采用最小二乘法進(jìn)行加權(quán)耦合，得到最終的組合預(yù)報(bào)月徑流。

4.如權(quán)利要求3所述的一種基于水文變量年際和月變化特性的徑流預(yù)報(bào)系統(tǒng)，其特征在于，所述第三模塊的具體實(shí)現(xiàn)方式為：

對(duì)加權(quán)移動(dòng)預(yù)報(bào)月徑流和神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)月徑流采用進(jìn)行加權(quán)耦合，得到最終的組合預(yù)報(bào)月徑流F_t，ω_a為加權(quán)移動(dòng)平均模型的權(quán)重，ω_g為GRNN神經(jīng)網(wǎng)絡(luò)模型的權(quán)重，反映的是預(yù)報(bào)誤差方差期望值，Q_t為i＝t時(shí)刻的徑流實(shí)測(cè)值，F(xiàn)_i為第i時(shí)刻的組合預(yù)報(bào)月徑流，Q_i為第i時(shí)刻的徑流實(shí)測(cè)值，n表示總時(shí)刻，預(yù)報(bào)誤差方差期望值最小時(shí)，應(yīng)用最小二乘法，得到ω_g,ω_a的值。