[發明專利]一種水庫日入量預測模型的構建方法

在審

• 申請號: 202010198509.7
• 申請日: 2020-03-20
• 公開（公告）號: CN111507505A
• 公開（公告）日: 2020-08-07
• 發明（設計）人: 戚玉濤;楊玲玲;周詹翱
• 申請（專利權）人: 蘇州豐華聲赫智能科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 蘇州周智專利代理事務所(特殊普通合伙) 32312
• 代理人: 王曉玲

1.一種水庫日入量預測模型的構建方法，其特征在于：所述構建方法包括如下步驟：

步驟1：將每日入庫量數據利用對數變換進行平滑處理：x＝{x₁，x₂，…，x_u}，X＝ln x，其中，x是待預測水庫歷史日入庫量數據序列，x_u是待預測水庫第u日入庫量，X是對x平滑處理后的待輸入序列；

步驟2：構建多個基礎學習機：Y＝{Y₁，Y₂，…，Y_N}，其中，Y_N為第N個基礎學習機的數據，N為待集成的基礎學習機的數量；

步驟3：分別利用N個基礎學習機對平滑處理后待輸入序列X進行學習，得到N個預測結果：y＝{y₁(X)，y₂(X)，…，y_N(X)}，并將N個預測結果進行集成，得到最終預測結果。

2.如權利要求1所述的水庫日入量預測模型的構建方法，其特征在于：

采用式(1)對N個基礎學習機的預測結果利用加權求和法進行集成；

式(1)中R為最終預測結果，ω_i為第i個基礎學習機的權重，y_i為第i個基礎學習機的預測結果。

3.如權利要求1所述的水庫日入量預測模型的構建方法，其特征在于：步驟2中的所述基礎學習機的構建方法包括如下步驟：

步驟a：選取EMD，EEMD以及小波分解方法中的一種，對輸入序列X進行時間序列分解，并得到S＝{s₁，s₂，…，s_u}，T＝{t₁，t₂，…，t_u}，P＝{p₁，p₂，…，p_u}項，其中S為隨機項，T為趨勢項，P為周期項；

步驟b：選擇LSTM模型與DNN模型其中一種網絡結構構建三個子網絡模型，分別對分解后S，T，P三項進行預測；

步驟c：對S，T，P項的預測分量進行重構，得到重構后的預測結果。

4.如權利要求3所述的基礎學習機構建方法，其特征在于：對步驟c中的預測分量進行重構的構建方法包括如下步驟：

步驟A：構建訓練集，所構建的訓練集包含Q個樣本，其中樣本x_q＝{x_q1，x_q2，…，x_qu，...，x_qU，x_q(U+1)}；

其中，q表示訓練集中的第q個樣本，q＝1，2，3，...，Q，Q為大于等于1的正整數，u＝1，2，3，......，U，U為大于等于1的正整數；

x_qu＝ln x(t)，X＝{x(t)，t＝1，2，3，...，T}是待預測分量數據序列，x(t)是待預測分量第t個分量，U為待預測分量數據序列X的嵌入維數；

步驟B：構建初始神經網絡模型，所構建的初始神經網絡模型的輸入節點數為U，輸出節點數為1；

步驟C：用歸一化后的訓練集對初始神經網絡模型進行訓練，得到分量預測模型，樣本x_q中前U個數據是神經網絡模型的輸入數據，最后一個數據是輸入數據對應的目標輸出。

5.如權利要求4所述的水庫日入量預測模型的構建方法，其特征在于：所構建的初始神經網絡模型的隱藏層數為1、2或3，隱層節點數為5、10、15、20或25。

6.如權利要求4所述的分量預測模型的構建方法，其特征在于：所述待預測分量數據序列X的嵌入維數為采取虛假最近鄰點法求取的待預測分量數據序列X的嵌入維數。