[發(fā)明專利]基于氣象水文預報因子分類和深度學習模型耦合的日徑流預報方法

在審

• 申請?zhí)枺?/td>: 202010637852.7
• 申請日: 2020-07-02
• 公開（公告）號: CN111859787A
• 公開（公告）日: 2020-10-30
• 發(fā)明（設計）人: 初海波;魏加華;司源;吳勁
• 申請（專利權）人: 北京工業(yè)大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 北京思海天達知識產(chǎn)權代理有限公司 11203
• 代理人: 張立改

1.一種基于氣象水文預報因子分類和深度學習模型耦合的日徑流預報方法，其特征在于，包括以下步驟：

前期準備：了解流域特征和徑流來水過程特點，收集研究區(qū)日尺度徑流、降雨及大氣環(huán)流指數(shù)、海溫指數(shù)等相關數(shù)據(jù)；

步驟1：數(shù)據(jù)分類

根據(jù)收集的數(shù)據(jù)，確定日徑流量及其相應的候選影響因素集，形成具有多個輸入-輸出的總樣本數(shù)據(jù)集，采用模糊C聚類(Fuzzy C-means，F(xiàn)CM)方法，根據(jù)高徑流量、中徑流量和低徑流量規(guī)則，將總樣本訓練集分為不同訓練樣本子集，并準備根據(jù)不同的子樣本數(shù)據(jù)集分別建立日徑流量預報模型；多個輸入-輸出的總樣本數(shù)據(jù)集為多個候選影響因素的輸入-日徑流量輸出的總樣本數(shù)據(jù)集；

步驟2：因子篩選

候選影響因素包括前期降雨、當日降雨、大氣環(huán)流指數(shù)、海溫指數(shù)、前期徑流影響等中的一類或幾類，根據(jù)不同的子樣本數(shù)據(jù)集分別利用偏互信息方法(Partial MutualInformation，PMI)識別研究區(qū)的關鍵影響因素；因子篩選實現(xiàn)預報模型結構的優(yōu)化，避免冗余變量影響模型的計算速度和預測精度。

步驟3：預報模型建模；

根據(jù)利用篩選的關鍵影響因素分別更新子子樣本數(shù)據(jù)集，利用深度學習方法分別建立日徑流量預報模型，模擬徑流影響因素與日徑流之間的關系，分析深度學習方法的結構和參數(shù)對預報模型的預測精度的影響規(guī)律，耦合優(yōu)化算法自動優(yōu)化深度學習結構和參數(shù)，提高模型的預報精度；

步驟4：預報模型評估

應用改進驗證方法從擬合驗證、預測驗證和模型結構驗證三方面共同評估深度學習模型的預報精度；另外，建立多元非線性回歸、徑向基函數(shù)神經(jīng)網(wǎng)絡、支持向量機回歸模實現(xiàn)日徑流量預報，并與深度學習模型進行對比預報精度，選出最優(yōu)預報模型；

步驟5

模型應用：利用已建立的模型實現(xiàn)未來不同預見期的預報，分析徑流預報的變化趨勢。