[發(fā)明專利]一種集合經(jīng)驗(yàn)?zāi)B(tài)分解及遙相關(guān)的中長期徑流預(yù)報(bào)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811288991.2
• 申請(qǐng)日: 2018-10-31
• 公開（公告）號(hào): CN109472403B
• 公開（公告）日: 2022-03-11
• 發(fā)明（設(shè)計(jì)）人: 王旭;雷曉輝;王佳;王超;廖衛(wèi)紅;秦韜;蔣云鐘;譚喬鳳
• 申請(qǐng)（專利權(quán)）人: 中國水利水電科學(xué)研究院
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06N3/08
• 代理公司: 北京市盛峰律師事務(wù)所 11337
• 代理人: 梁艷

1.一種集合經(jīng)驗(yàn)?zāi)B(tài)分解及遙相關(guān)的中長期徑流預(yù)報(bào)方法，其特征在于，包括如下步驟：

S1，提取徑流序列及響應(yīng)的預(yù)報(bào)因子數(shù)據(jù)，從徑流序列Q中剔除趨勢(shì)項(xiàng)trend生成新的無趨勢(shì)變化的徑流序列Q′，將滯后時(shí)段t的遙相關(guān)數(shù)據(jù)D組成一系列的氣象因子集合X(D，t)；

S2，采用集合經(jīng)驗(yàn)?zāi)B(tài)分解的方法將徑流序列Q′分解為滿足Hilbert變換要求的n層本征模態(tài)函數(shù)IMF(1)，IMF(2)，…，IMF(n)和一層殘余項(xiàng)Res，組成一組自變量集合Y＝[IMF(n)，Res]；

S3，確定自變量集合Y相關(guān)的預(yù)報(bào)因子F(X，n+1)，包括如下步驟：

S301，對(duì)不同的氣象因子X(D，t)與每層本征模態(tài)函數(shù)和殘余項(xiàng)Res進(jìn)行相關(guān)性分析，得到相關(guān)因子；

S302，根據(jù)得到的相關(guān)因子，判斷X(D，t)和Y＝[IMF(n)，Res]中每組序列的相關(guān)性，通過T檢驗(yàn)，初步篩選每組自變量的相關(guān)性排名前十五的氣象因子；

S303，根據(jù)逐步回歸方法，挑選顯著影響因子，最終確定每組自變量的預(yù)報(bào)因子F(X，n+1)，完成對(duì)n階自變量Y的預(yù)報(bào)因子識(shí)別工作；

S4，利用篩選出來的預(yù)報(bào)因子F(X，n+1)和已知徑流分解后的IMF(1)，IMF(2)，…，IMF(n)、Res構(gòu)建基于集合經(jīng)驗(yàn)?zāi)B(tài)分解與遙相關(guān)數(shù)據(jù)的徑流預(yù)報(bào)模型；

S5，根據(jù)所述徑流預(yù)報(bào)模型對(duì)下一時(shí)段的中長期徑流進(jìn)行預(yù)報(bào)。

2.根據(jù)權(quán)利要求1所述的集合經(jīng)驗(yàn)?zāi)B(tài)分解及遙相關(guān)的中長期徑流預(yù)報(bào)方法，其特征在于，S4包括如下步驟：

S401，構(gòu)建徑流預(yù)報(bào)模型的訓(xùn)練、驗(yàn)證樣本集：根據(jù)樣本數(shù)據(jù)長度，確定模型訓(xùn)練期和檢驗(yàn)期長度，并將輸入因變量F(X，n+1)為已識(shí)別的氣象因子及確定的滯后期，自變量Y為n層本征模態(tài)函數(shù)IMF(1)，IMF(2)，…，IMF(n)、殘余項(xiàng)Res分為訓(xùn)練樣本集和檢驗(yàn)期樣本集兩段；

S402，基于已獲得的訓(xùn)練樣本集，建立并訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而預(yù)報(bào)檢驗(yàn)期的自變量Y；

S403，對(duì)人工神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練期和檢驗(yàn)期對(duì)自變量Y的預(yù)報(bào)效果進(jìn)行評(píng)價(jià)，若評(píng)價(jià)效果符合設(shè)定的閾值，則徑流預(yù)報(bào)模型建立完成，該模型用于對(duì)未來時(shí)段徑流進(jìn)行預(yù)報(bào)，否則，重新調(diào)整人工神經(jīng)網(wǎng)絡(luò)的模型參數(shù)，重新建模直至模型完成建立。

3.根據(jù)權(quán)利要求2所述的集合經(jīng)驗(yàn)?zāi)B(tài)分解及遙相關(guān)的中長期徑流預(yù)報(bào)方法，其特征在于，S5具體為：

使用驗(yàn)證好的模型對(duì)下一時(shí)段的自變量Y進(jìn)行預(yù)報(bào)，同時(shí)對(duì)下一時(shí)段的趨勢(shì)項(xiàng)trend_f進(jìn)行預(yù)測(cè)，其預(yù)測(cè)徑流的公式為：

其中，Q_f為預(yù)測(cè)的下一時(shí)段徑流量，IMF_f(j)為第j層本征模態(tài)函數(shù)分量的預(yù)測(cè)值，Res_f為預(yù)測(cè)的殘余量。

4.根據(jù)權(quán)利要求2所述的集合經(jīng)驗(yàn)?zāi)B(tài)分解及遙相關(guān)的中長期徑流預(yù)報(bào)方法，其特征在于，S403中，所述對(duì)人工神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練期和檢驗(yàn)期對(duì)自變量Y的預(yù)報(bào)效果進(jìn)行評(píng)價(jià)，評(píng)價(jià)的指標(biāo)包括納什效率系數(shù)、相對(duì)誤差和合格率；

所述納什效率系數(shù)Nash按照如下公式進(jìn)行計(jì)算：

其中，Q_o為實(shí)測(cè)徑流量，Q_f為預(yù)測(cè)徑流量，為實(shí)測(cè)徑流量均值，Nash越接近1，預(yù)報(bào)越精準(zhǔn)；

所述相對(duì)誤差MARE按照如下公式進(jìn)行計(jì)算：

其中，N為Q_o的序列長度，其余參數(shù)含義同上式；MARE越接近0，說明實(shí)測(cè)與預(yù)報(bào)值越接近，預(yù)報(bào)效果越精準(zhǔn)，認(rèn)為MARE＜20％時(shí)，效果較好；

所述合格率QR按照如下公式進(jìn)行計(jì)算：

其中，n為合格預(yù)報(bào)次數(shù)，m為預(yù)報(bào)總次數(shù)，當(dāng)QR＞80％時(shí)，認(rèn)為預(yù)報(bào)效果較好。

5.根據(jù)權(quán)利要求1所述的集合經(jīng)驗(yàn)?zāi)B(tài)分解及遙相關(guān)的中長期徑流預(yù)報(bào)方法，其特征在于，S1中，所述滯后時(shí)段t的遙相關(guān)數(shù)據(jù)D，包括130項(xiàng)遙相關(guān)數(shù)據(jù)，其中，88項(xiàng)環(huán)流指數(shù)，26項(xiàng)海溫?cái)?shù)據(jù)，16項(xiàng)其他因子數(shù)據(jù)；滯后時(shí)段t考慮滯后1～12個(gè)月，共同組成一組130×12的氣象因子矩陣X(D，t)。