[發明專利]融合深度學習和誤差校正的徑流概率性預測方法及系統

有效

• 申請號: 202010045809.1
• 申請日: 2020-01-15
• 公開（公告）號: CN111275253B
• 公開（公告）日: 2022-09-20
• 發明（設計）人: 朱雙;張海榮;羅顯剛;徐戰亞;王超;吳江;丁曉玲;林霏開;肖祖香;李建慶;孟書令
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06F17/18
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 易濱

1.一種融合深度學習和誤差校正的徑流概率性預測方法，其特征在于，包含如下步驟：

(1)提取待預測河段水文站點的歷史日徑流量數據y_i，計算當前日降雨序列與前期日降雨序列的相關系數，依據閾值截斷法從前1至p天日徑流量中提取相關性大于相關系數閾值的日徑流量作為預測因子集X_i＝(X₁,X₂,…,X_n)，n為因子個數，i表示天數，p為正整數且大于或者等于3；

(2)以預測因子集作為輸入，當前日徑流量作為輸出，生成樣本數據(y_i，X_i)，以q天的樣本數據(y_i，X_i)構成訓練集，qp；

(3)依據訓練集訓練深度人工神經網絡模型DNN，建立DNN日徑流預測模型訓練時以均方根誤差為尋優目標；其中，表示y_i的預測值，f_DNN表示模型函數；

步驟(3)中，所述深度人工神經網絡模型DNN中，遞歸隱含層為1個，隱藏單元為50個；

(4)提取訓練過程的DNN日徑流預測模型所產生的預測結果，將預測序列與觀測值序列相減，獲得預報誤差序列

(5)提取預報誤差e_t和預報誤差e_t-1與e_t-2，構建誤差樣本，誤差樣本以e_t為輸出，以e_t-1與e_t-2為輸入，訓練得到高斯混合模型GPR(e_t-1，e_t-2)；其中，e_t＝GPR(e_t-1，e_t-2)，t∈i；

(6)假設當前為第l天，然后預測第l+1天的徑流概率性，過程為：將X_l+1輸入到步驟(3)所建立的DNN日徑流預測模型中，得到預測數據然后獲取e_l與e_l-1，輸入到步驟(5)高斯混合模型GPR(e_t-1，e_t-2)中，得到e_l+1的概率分布e_l+1∈N(u_l+1,σ_l+1²)，然后計算高斯分布N(u_l+1,σ_l+1²)的指定概率的置信區間，然后將該置信區間與相加，生成最后的徑流概率性預測；其中u表示均值，σ表示標準差，所述指定概率小于1；

步驟(6)中，所述計算高斯分布N(u_l+1,σ_l+1²)的指定概率的置信區間，然后將該置信區間與相加，生成最后的徑流概率性預測，具體是指：計算高斯分布N(u_l+1,σ_l+1²)的95％置信區間[u_l+1-1.96σ_l+1,u_l+1+1.96σ_l+1]，結合與[u_l+1-1.96σ_l+1,u_l+1+1.96σ_l+1]，得到校正后的徑流預報概率分布

2.根據權利要求1所述的融合深度學習和誤差校正的徑流概率性預測方法，其特征在于，所述待預測河段水文站點是指宜昌水文站，X_i為滯后1、2及3天的日徑流量，此時n＝3。

3.根據權利要求1所述的融合深度學習和誤差校正的徑流概率性預測方法，其特征在于，p＝15。