[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

本發明公開了一種融合深度學習和誤差校正的徑流概率性預測方法及系統，本發明提供的基于深度學習和高斯混合模型的徑流概率性預測方法，能提供相比傳統機器學習更高的徑流預測精度。本發明提供的基于深度學習和高斯混合模型的徑流概率性預測方法，能在深度學習基礎上，提供概率性的預測結果。

技術領域

本發明屬于徑流預測技術領域，更具體地，涉及一種融合深度學習和誤差校正的徑流概率性預測方法及系統。

背景技術

可靠的河道流量預測對水資源管理、分配以及防災減災均具有重要意義，水文學者一直致力于研究高精度的日徑流預測模型和方法。近幾年來，深度學習技術在圖像識別領域得到飛速的發展，其強大的數據挖掘能力解決了基于海量數據的分類、回歸、和預測問題。日徑流預測模型也開始從人工神經網絡、支持向量機等傳統機器學習發展到卷積神經網絡、長短期記憶網絡等深度學習方法，并獲得了更好的預測結果。水文過程具有極大的不確定性，提供概率性的徑流預測結果比單點預測更可信，盡管當前建立了越來越多的深度學習類徑流預測模型，但是由于深度學習模型往往結構復雜，訓練時間長，采用集合預報技術構建概率性徑流預測困難較大。

由此可見，現有技術還不能完全解決基于深度學習技術的概率性徑流預測問題。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了融合深度學習和誤差校正的徑流概率性預測方法及系統，由此解決現有深度學習技術概率性徑流預測技術問題。

根據本發明的其中一方面，本發明解決其技術問題所采用的融合深度學習和誤差校正的徑流概率性預測方法，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；

(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；