[發明專利]一種以支持向量機建立數據驅動的小流域洪水預報方法

在審

• 申請號: 201910514384.1
• 申請日: 2019-06-14
• 公開（公告）號: CN110298498A
• 公開（公告）日: 2019-10-01
• 發明（設計）人: 李宏恩;王芳;周寧;徐海峰;李錚;何勇軍;李陽明艷;厲丹丹
• 申請（專利權）人: 水利部交通運輸部國家能源局南京水利科學研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F17/18;G06K9/62
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 朱小兵

本發明公開了一種以支持向量機建立數據驅動的小流域洪水預報方法，包括步驟：（1）對氣象和流量數據的時間序列進行相關性分析，選取合適的時間序列作為數據驅動模型的輸入數據；（2）采用支持向量機算法回歸建模，對其核函數類型和超參數進行調整，通過k折交互驗證，確定以支持向量機建立數據驅動的模型結構和超參數；（3）用所有歷史數據訓練數據驅動模型；（4）結合實時流量數據及歷史延遲流量數據，生成預測輸入數據，輸入數據驅動模型，從而預報實時流量、庫容及水位。本發明通過引入支持向量機回歸算法建立了流域突發性洪水預報的數據驅動模型，解決了傳統的概念模型與物理模型計算需要參數過多且在計算過程中易受到算法穩定性影響的問題。

技術領域

本發明涉及一種洪水預報方法，具體涉及一種以支持向量機建立數據驅動的小流域洪水預報方法。

背景技術

山洪易發區小流域常見以小型山丘為主體，且山丘地區山高坡陡，溪流密集，洪水匯流時間短，水位陡漲陡落，來勢兇猛，往往短時間成災，同時可能引起滑坡、崩坡、崩塌和泥石流等次生災害。由于這些區域大多分布有中小型水庫，建設年代較早，建設標準低，運行時段長，突發山洪及次生災害極易引起水庫大壩結構及庫區岸坡的安全問題，甚至造成大壩潰決的風險，大壩一旦潰決更將會帶來難以預估的人員傷亡及經濟財產損失。因此，作為山洪易發區水庫致災快速預警技術研究的一部分，小流域洪水監測預報技術研究具有重要意義。

由于誘發小流域洪水的降雨集中、區域明顯、成災迅速、時空分布特性復雜，基于現有氣象模型的天氣預報不確定性較大。這些特點都加大了小流域洪水監測預報的難度。傳統的概念模型與物理模型計算需要獲取的參數較多，且在計算過程中易受到算法穩定性的影響。

支持向量機是由統計學家Vapnik提出的一種建立在VC維理論和結構風險最小原理基礎上的有監督機器學習方法。近年來，在支持向量機的基礎上，發展改進用于連續變量預測的支持向量回歸在水文預測領域得到了廣泛應用。黃牧濤、田勇等人在2011年基于自適應組織映射和支持向量回歸對湖北省清江河日平均流量進行預測，實現了RMSE為55.63m³/s的預測精度。劉志勇、周平等人在2014年提出一種集成小波變換的支持向量回歸模型，并將其用于美國東叉白河日峰值流量預測，取得了NSE為0.928、RMSE為58.443m³/s的預測效果。該算法具有較高的泛化能力，限制了預測誤差的上限且總是收斂于全局最優解。還可以通過k折交互驗證法調整控制參數、歷史數據重新訓練等方法不斷提高算法精度。但由于中小河流大多位于資料短缺的山丘區，洪水具有突發性強、匯流時間快、預見期短的特點，以支持向量機建立數據驅動的洪水預報模型很少用于小流域洪水預報。

發明內容

針對現有技術中存在的上述問題，本發明目的在于提供一種以支持向量機建立數據驅動的小流域洪水預報方法。支持向量機算法具有較高的泛化能力，限制了預測誤差的上限且總是收斂于全局最優解。此外，基于機器學習算法提出的數據驅動模型解決了傳統的概念模型與物理模型計算需要參數過多且在計算過程中易受到算法穩定性影響的問題。

為解決上述技術問題，本發明采用以下技術手段：

本發明提出一種以支持向量機建立數據驅動的小流域洪水預報方法，包括：

步驟(1)、收集和分析已有的歷史天氣和流量數據；

步驟(2)、對氣象和流量數據的時間序列進行相關性分析，選取合適的時間序列作為數據驅動模型的輸入數據；

步驟(3)、采用支持向量機算法進行回歸建模，并對其核函數類型和超參數進行調整，通過k折交互驗證，確定以支持向量機建立數據驅動的模型結構和超參數；

步驟(4)、用所有歷史數據訓練數據驅動模型，結合實時流量數據及歷史延遲流量數據，生成預測輸入數據，輸入數據驅動模型，從而預報實時流量、庫容及水位。