[發明專利]基于擴展小波神經網絡模型的水位預測方法

在審

• 申請號: 201710744099.X
• 申請日: 2017-08-25
• 公開（公告）號: CN107704426A
• 公開（公告）日: 2018-02-16
• 發明（設計）人: 解培中;劉立燕;李汀
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06F17/14
• 分類號: G06F17/14;G06N3/08
• 代理公司: 南京知識律師事務所32207
• 代理人: 李吉寬

技術領域

本發明涉及一種基于擴展小波神經網絡模型的水位預測方法，屬于水文學中水文過程分析研究。

背景技術

徑流量預測和河道水位預測是水文學中最常見不確定性預測問題，準確的預測對防洪工程的建設以及水資源的調配管理起著決定性的作用。然而，由于徑流量和水位時間序列受到地理位置和氣候變化等諸多因素的影響，這其中既有不確定性的因素，又有確定性的因素，因而其變化沒有一定的規律性，并且非常復雜，具有一定的非平穩特性和非線性的特點。對于非線性時間序列，傳統的時間序列分析方法是建立ARIMA模型，但是這種方法的最大缺點是丟掉了趨勢項和周期項，而且建模所需特征難以確定，對非平穩狀態難以辨識。對于水文現象中的不確定變化特性的水位或流量進行預測研究，人們不斷嘗試如混沌、人工神經網絡、copula函數分析、小波分析等一些新的方法和新的理論，并取得了較好的效果。為進一步提高水位以及徑流量的預測精度，各種理論、方法相互有機耦合，取長補短以及新理論、新方法的提出是今后發展的趨勢。目前比較熱門的研究方法是小波分析方法和人工神經網絡方法，小波分析能夠同時進行時頻分析,通過對時間序列的多分辨率分析,能有效識別時間序列的趨勢項、周期項以及隨機項。人工神經網絡(ANN)是一個黑盒子系統，利用能夠適用于非線性系統的非線性函數對實際數據進行自學習和自適應，使之逼近實際輸出。

小波網絡模型結合了小波函數的多分辨分析的優點和神經網絡的非線性擬合的優點，因此被廣泛關注。侯澤宇等利用小波神經網絡對降雨量進行預測，雖然由于降雨受到許多隨機因素的影響，但是導致個別降雨預測值偏差較大，但是該模型能夠合理的預測出降雨趨勢，具有較高的實際應用價值。Shouke wei等利用小波神經網絡對月徑流進行預測并與傳統的ANN模型預測進行對比，實驗結果表明小波神經網絡的預測精度更高；Honey Badrzadeh等將日平均降雨量和時徑流量的小波分解系數作為神經網絡輸入，利用小波神經網絡對下一時刻的徑流量進行預測，并與傳統的ANN神經網絡對比，實驗結果表明小波神經網絡預測效果比傳統的ANN好。由此可知小波分析能夠揭示水文序列的結構和變化特性，能夠較好的進行預測。

發明內容

本發明目的在于針對上述現有技術的不足，提出了一種基于擴展小波神經網絡模型的水位預測方法，考慮到水文序列的特點以及水位時間序列的復雜性，僅僅利用本時間序列的單一前一時刻小波系數對水位時間序列進行預測效果可能不太理想。因此本發明在小波神經網絡模型的基礎上，提出對神經網絡的輸入進行擴展，將與本時間序列相關的多個前期時間序列信息也作為本時間序列的預測模型的輸入,讓神經網絡學習多個前期時間序列的小波系數的時變特征和本時間序列預測目標之間的映射關系,期望可以改善模型的預測能力。神經網絡的輸入項的多少，影響預測的結果，隨著輸入項的增多含有更多的規律信息，會提高神經網絡的預測精度。但是隨著輸入項與輸出之間的相關關系的減弱過多的輸入項可能導致預測精度降低，因此本文提出通過相關性分析，確定神經網絡的輸入項。

本發明解決其技術問題所采用的技術方案是：一種基于擴展小波神經網絡模型的水位預測，該方法包括以下步驟：

首先分析各個序列,x^t-1,x^t-2,…,x^t-n，n≥1與輸出項y的相關性,其次將各個序列進行小波分解，并把小波分解系數作為網絡的輸入，判斷不同輸入對輸出的影響，選擇一個最合理的輸入，使輸出的預報精度較高。具體步驟如下：

(1)利用Kendall秩相關系數，計算各個序列x^t,x^t-1,x^t-2,…,x^t-n，n≥1與輸出項y的相關性；

(2)根據相關性，將各個序列x^t,x^t-1,x^t-2,…,x^t-n，n≥1以db5作為母小波進行小波分解，分解水平為3，將小波分解系數歸一化處理作為網絡的輸入，建立不同的擴展小波神經網絡模型；

(3)選擇雙曲正切函數與線性函數分別作為隱層與輸出層的激勵函數，根據均方誤差(MSE)的大小來選擇合適的隱層節點數，采用Levenberg-Marquardt(LM)優化算法，訓練網絡；

(4)將得到的不同的擴展網絡進行檢驗，判斷輸入與輸出的不同相關性對輸出的影響，并選擇最恰當的擴展網絡神經網絡。

各個步驟計算公式如下：

步驟(1)中Kendall秩相關系數：