[發明專利]一種基于變模態卷積自編碼關聯向量機的徑流量預測方法

在審

• 申請號: 201811029273.3
• 申請日: 2018-09-05
• 公開（公告）號: CN109146194A
• 公開（公告）日: 2019-01-04
• 發明（設計）人: 白云;王曉雪;張萬娟;李川;楊帥
• 申請（專利權）人: 重慶工商大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 重慶智慧之源知識產權代理事務所(普通合伙) 50234
• 代理人: 孫方

1.一種基于變模態卷積自編碼關聯向量機的徑流量預測方法，其特征在于，該方法包括以下步驟：

數據采集：收集歷史水情信息，形成原始序列；

變模態卷積自編碼關聯向量機建模：在對收集到的歷史水情信息變模態分解的基礎上，進行卷積自編碼關聯向量機建模訓練；

預測未來時刻徑流量：利用訓練好的變模態卷積自編碼關聯向量機預測未來時刻徑流量變化，預測結果輸出。

2.根據權利要求1所述基于變模態卷積自編碼關聯向量機的徑流量預測方法，其特征在于：所述數據采集步驟還包括：對所述歷史水情信息中記錄的徑流量時間序列進行標準化處理。

3.根據權利要求1或2所述的基于變模態卷積自編碼關聯向量機的徑流量預測方法，其特征在于，所述歷史水情信息為瞬時流量，在數據建模過程中作為小時平均值。

4.根據權利要求1所述的基于變模態卷積自編碼關聯向量機的徑流量預測方法，其特征在于，變模態卷積自編碼關聯向量機建模具體包括以下步驟：

1)對收集到的所述歷史水情信息進行變模態分解，獲得原始序列的模態信息；

2)將各所述模態信息輸入卷積自編碼器中，進行特征學習；

3)將步驟2)中所述特征學習結果輸入到關聯向量機中，作特征回歸擬合；

4)將步驟3)中各模態特性回歸擬合結果進行模態線性融合，得到最終結果。

5.根據權利要求4所述的基于變模態卷積自編碼關聯向量機的徑流量預測方法，其特征在于，所述步驟2)中卷積自編碼器的所述特征學習為無監督學習，輸入為徑流量模態信息，輸出為學習結果。

6.根據權利要求4所述的基于變模態卷積自編碼關聯向量機的徑流量預測方法，其特征在于，所述步驟3)中所述回歸擬合為有監督學習，輸入為卷積自編碼器的輸出，輸出為徑流量。

7.根據權利要求1所述的基于變模態卷積自編碼關聯向量機的徑流量預測方法，其特征在于，所述預測未來時刻徑流量具體步驟為：按照訓練輸入-輸出模式，將新的水情信息輸入變模態卷積自編碼關聯向量機中，模型輸出即為未來時刻徑流量。

8.根據權利要求1所述的基于變模態卷積自編碼關聯向量機的徑流量預測方法，其特征在于，所述預測未來時刻徑流量步驟具體包括：將徑流量原始序列X非遞歸分解為準正交帶限、具有特定頻率稀疏性的K個子序列u，稱為模態

式中，u_k和w_k代表第k個(k∈[1,K])分解模態及其對應的中心頻率，δ(t)表示在t時間狄拉克分布；

每個模態上建立卷積自編碼器，進行模態特征學習，具體為：

a：利用自編碼器，將各模態信息前(t-1)時刻u_k進行自編碼輸出，得到第一層的輸出，即

h¹_k＝f_e(u_k)＝Sigm(w¹u_k+b¹)，r¹＝f_d(h¹_k)＝Sigm(w^1Τh¹+b^1Τ)

式中，h¹_k代表輸入u_k的編碼信息，r¹_k代表編碼特征h¹_k的解碼信息，w¹和b¹分別代表網絡層之間的權值和偏量；

b：將第一層的輸出r¹_k作為第二層的輸入，重復a步驟，得到第二層的輸出r²_k；

c.重復以上步驟，將上層的輸出作為下層的輸入進行訓練，直到最后一層n，得到第n層的輸出為rⁿ_k，使得rⁿ_k≈u_k，則深度訓練學習完成；

將卷積自編碼器最后一層的輸出rⁿ_k作為關聯向量機的輸入，t時刻u_k作為期望輸出，采用有監督學習的方式進行回歸訓練，得到t時刻預測值

利用模態分解逆運算，將每個模態預測值進行模態融合，得到最終徑流量預測值，即t時刻徑流量預測值