[發明專利]一種基于改進Elman神經網絡的中長期徑流預報方法

在審

• 申請號: 201711042199.4
• 申請日: 2017-10-31
• 公開（公告）號: CN107798431A
• 公開（公告）日: 2018-03-13
• 發明（設計）人: 李臣明;賀志堯;高紅民;張麗麗
• 申請（專利權）人: 河海大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08;G06F17/18
• 代理公司: 南京蘇高專利商標事務所(普通合伙)32204
• 代理人: 饒欣

技術領域

本發明涉及信息技術領域，特別是涉及一種基于改進Elman神經網絡的中長期徑流預報方法。

背景技術

徑流量的準確預報是指導水資源綜合開發利用、科學管理和優化調度的重要依據。目前，中長期水文預報方法大致可以分為2類：數據驅動模型和過程驅動模型。數據驅動模型是指不考慮水文過程的物理機制，直接基于歷史數據建立預報對象(如年平均徑流量)與預報因子(如前期大氣環流因子)之間的最優數學關系，并借助這種數學關系對未來的水文變量進行預報。常用的建立數學關系的方法有線性回歸、逐步回歸、局部回歸、人工神經網絡、支持向量機等；過程驅動模型方法則需要借助能夠反應流域產匯流特征的水文模型，并將未來中長期降雨信息作為模型輸入從而得到預報對象的變化。流域水文系統是一個開放系統，水文系統中的變量關系等除了受地貌、地質、植被等相對確定因素的影響外，還受到氣象條件、人類活動等諸多不確定因素的影響。由于影響因素的復雜與目前科學水平的限制，在對中長期徑流的預報的方法中，相比于過程驅動模型方法，數據驅動模型方法應用更為廣泛。數據模型驅動的方法主要包括多元回歸、隨機森林、人工神經網絡、支持向量機等。目前常用的多元回歸方法，是一種線性擬合方法，不能真正的反映變量間的非線性關系。神經網絡模型因簡易的網絡結構、高效的學習過程和強大的知識表示能力，在水文預報領域也得到了廣泛的運用。目前大多數基于神經網絡的預報模型多采用BP及改進的BP神經網絡，這是一種靜態的前向型網絡，直接將其運用于與時間序列有關的徑流預測中存在一定的缺陷，且網絡存在學習收斂速度慢、易陷入局部最優值等的問題。

發明內容

發明目的：本發明的目的是提供一種學習收斂速度快、能夠避免陷入局部最優值的基于改進Elman神經網絡的中長期徑流預報方法。

技術方案：本發明所述的基于改進Elman神經網絡的中長期徑流預報方法，包括以下步驟：

S1：數據預處理；

S2：選擇預報因子，提取主成分；

S3：構建Elman神經網絡模型；

S4：對網絡模型進行10折交叉驗證；

S5：如果預報精度滿足要求，則保存網絡與預報結果；否則，轉到步驟S2；

S6：如果預報次數達到要求，則計算所有預報結果的平均值；否則，轉到步驟S4。

進一步，所述步驟S1中的數據預處理為：通過式(1)對水文資料時間序列和徑流時間序列進行歸一化；

式(1)中，x為待歸一化的水文資料時間序列或徑流時間序列，y為歸一化后的水文資料時間序列或徑流時間序列，x_min為水文資料時間序列的最小值或徑流時間序列的最小值，x_max為水文資料時間序列的最大值或徑流時間序列的最大值。

進一步，所述步驟S2包括以下步驟：

S2.1：將預處理后的水文資料時間序列和徑流時間序列分別進行由小到大的排序；

S2.2：從1開始，分別對排序后的水文資料時間序列和徑流時間序列進行標號，然后用標號代替水文資料時間序列和徑流時間序列，得到水文資料時間秩序列和徑流時間秩序列；

S2.3：通過式(2)計算水文資料秩序列和徑流時間秩序列的秩相關系數R_AB：

式(2)中，A＝(a₁,a₂,...,a_n)為徑流時間秩序列，a_i為徑流時間秩序列A的第i個元素，B＝(b₁,b₂,...,b_n)為水文資料秩序列，b_i為水文資料秩序列B的第i個元素，n為樣本容量；

S2.4：在水文資料時間序列所對應的因子中，選出秩相關系數最高的前3到9個因子作為預報因子，計算這些因子的協方差矩陣；

S2.5：計算協方差矩陣的特征值和特征向量；

S2.6：將特征值按照由大到小的順序排序，特征向量的順序也做對應調整；

S2.7：將步驟S2.4選出的預報因子的時間序列以矩陣的形式組織在一起，形成因子序列矩陣，因子序列矩陣在特征向量上做投影，得到主成分矩陣；

S2.8：提取前幾個主成分作為預報因子，具體選擇前多少個主成分采用試錯法確定；

S2.9：將提取的主成分劃分為2個部分，也即訓練樣本和用于10折交叉驗證篩選出的網絡的檢驗樣本。

進一步，所述步驟S3包括以下步驟：