[發明專利]一種中長期徑流集合預報方法

有效

• 申請號: 201910839694.0
• 申請日: 2019-09-06
• 公開（公告）號: CN110555561B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 張騰;王忠靜;張子雄
• 申請（專利權）人: 清華大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N20/00
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 廖元秋

1.一種中長期徑流集合預報方法，其特征在于，包括以下步驟：

1)確定預報對象，獲取預報對象過去N年逐月的歷史徑流數據，N≥30；獲取距離預報對象最近的M個氣象站點的過去N年逐月的歷史氣象數據作為預報對象的本地相關因子，M≥2，所述氣象數據包括月平均降雨量數據和月氣溫數據，其中，月平均降雨量數據包括每日8時至次日8時的24小時降雨量的月平均值和每日20時至次日20時的24小時降雨量的月平均值，月氣溫數據包括月平均最高氣溫、月平均氣溫和月平均最低氣溫；

2)獲取氣候因子數據，作為預報對象的遙相關因子；具體步驟如下：

2-1)獲取p個氣候因子過去N年逐月的歷史數據，p6；

2-2)對步驟2-1)獲取的每個氣候因子過去N年逐月的歷史數據與預報對象過去N年逐月的歷史徑流數據進行相關性分析，得到每個氣候因子與預報對象歷史徑流數據的相關性系數；

2-3)對步驟2-2)得到的結果按照絕對值大小進行排序，從排序結果中篩選相關性系數絕對值大于0.4的前f個氣候因子，p≥f≥6，將所述f個氣候因子過去N年逐月的歷史數據作為預報對象的遙相關因子；

3)確定待預報月份，確定待預報月份的預報因子集；具體步驟如下：

3-1)確定待預報月份；

3-2)根據步驟3-1)確定的待預報月份，利用步驟1)獲取的本地相關因子和步驟2)獲取的遙相關因子，設置時間滯后因子lag,依次令lag＝1,2,…,12,表示每個歷史年份待預報月份歷史徑流數據滯后于各個本地相關因子和遙相關因子數據的月份數，將待預報月份過去N年每年歷史徑流數據與該年份待預報月份lag月前每個本地相關因子數據進行Pearson相關性分析，得到待預報月份歷史徑流數據與對應lag月前的本地相關因子的相關性系數；將待預報月份過去N年每年歷史徑流數據與該年份待預報月份lag月前每個遙相關因子數據進行Pearson相關性分析，得到待預報月份歷史徑流數據與對應lag月前的遙相關因子的相關性系數；

3-3)將預報對象過去N年逐月的歷史徑流數據中每個年份中待預報月份前11個月份的歷史徑流數據作為該年份待預報月份歷史徑流數據的時間序列自相關因子，將過去N年每年待預報月份歷史徑流數據分別與該月份前11個月份的歷史徑流數據進行自相關分析，得到待預報月份歷史徑流數據分別與該月份前11個月份歷史徑流數據的相關性系數；

3-4)利用步驟3-2)、步驟3-3)的相關性分析結果，將各遙相關因子、本地相關因子和時間序列自相關因子按照對應的相關性系數的絕對值從高到低順序進行排序，選取相關性系數絕對值大于0.4的前A個因子作為待預報月份徑流數據的預報因子并組成待預報月份徑流數據的預報因子集，當A≥8時，令A＝8；其中，每個預報因子記為F_k,j(m)，對應的相關性系數記為R_k,j，F_k,j表示第k個月的第j個預報因子；R_k,j表示第k個月份歷史徑流數據與第k個月的第j個預報因子F_k,j的相關性系數；m表示因子對應的月份，m＝1,2,…,12；下標k表示待預報月份，k＝1,2,…,12；下標j表示待預報月份徑流數據的第j個預報因子，j＝1,2,…,8；

4)根據步驟3-1)確定的待預報月份，建立該待預報月份對應的機器學習徑流預報模型并進行模型驗證，得到驗證完畢的機器學習徑流預報模型；

4-1)將步驟3-1)確定的待預報月份的過去N年每年的歷史徑流數據及該年份的待預報月份歷史徑流數據對應的預報因子集數據組成一個樣本，將所有樣本組成樣本集，從樣本集中隨機選取2/3的樣本作為模型的訓練集，剩余1/3的樣本作為模型的驗證集；

4-2)構建一個機器學習徑流預報模型作為當前模型，將訓練集的每個樣本中預報因子集數據F_k,jⁱ(m)作為模型的輸入，其中F_k,jⁱ(m)表示訓練集中第i個樣本的第k個月第j個預報因子的值；模型輸出對應的該年份待預報月份的歷史徑流數據的預測值；

4-3)將訓練集中每個樣本對應的待預報月份的歷史徑流數據與該樣本對應的模型輸出的預測值進行對比，通過訓練相關系數R₁和訓練相對偏差rBias₁評價當前模型：

式中，O_i表示訓練集中第i個樣本的歷史徑流數據，O_ave表示訓練集中所有樣本歷史徑流數據的平均值；O′_i表示訓練集中第i個樣本對應的模型輸出的預測值，O'_ave表示訓練集中所有樣本對應的模型輸出的預測值的平均值；n表示訓練集樣本總數，n＝(2/3)N；

4-4)對當前模型參數進行調整和優化，重復步驟4-2)至4-3)，選擇滿足訓練相對偏差rBias₁＜20％且訓練相關系數R₁²最大的模型作為訓練完畢的機器學習徑流預報模型；

4-5)將驗證集中每個樣本的預報因子集數據輸入到步驟4-4)訓練完畢的機器學習徑流預報模型中，計算得到驗證集中每個樣本對應的待預報月份歷史徑流數據的預測值；將驗證集每個樣本對應的待預報月份歷史徑流數據預測值與該樣本對應的待預報月份歷史徑流數據進行對比，通過驗證相關系數R₂和驗證相對偏差rBias₂進行當前模型評價：

式中，O_t表示驗證集中第t個樣本的歷史徑流數據，O_ave2表示驗證集中所有樣本歷史徑流數據的平均值；O′_t表示驗證集中第t個樣本對應的模型輸出的預測值，O'_ave2 表示驗證集中所有樣本對應的模型輸出的預測值的平均值；l表示驗證集樣本總數，l＝(1/3)N；

若∣R₂∣＞0.6且rBias₂＜20％，則當前模型達到驗證精度要求，模型驗證完畢，將當前模型作為最終的機器學習徑流預報模型，進入步驟5)；否則，當前模型不滿足精度要求，則重新返回步驟4-5)，直至當前模型達到驗證精度要求，模型驗證完畢，將當前模型作為驗證完畢的機器學習徑流預報模型，進入步驟5)；

5)獲取待預報月份對應的預報因子集數據并輸入到步驟4)得到的最終機器學習徑流預報模型，模型輸出即為預報對象待預報月份徑流量的預報值。