[發(fā)明專利]基于小波分解的降雨預測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011126981.6
• 申請日: 2020-10-20
• 公開（公告）號: CN112241813A
• 公開（公告）日: 2021-01-19
• 發(fā)明（設計）人: 趙然杭;甘甜;張瑜軒;王好芳;逄曉騰;劉子瑩;李智;齊真;周璐;張晴晴;李華興;蔣殿順;劉珺
• 申請（專利權）人: 山東大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F30/27;G06F17/18;G06F16/2458;G06F16/215
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 黃海麗

1.基于小波分解的降雨預測方法，其特征是，包括：

獲取若干個歷史降雨量時間序列和當前正進行的降雨量時間序列；

從若干個歷史降雨量時間序列中，篩選出與當前正進行的降雨量時間序列相關度大于設定閾值的若干個歷史降雨量時間序列；

對相關度大于設定閾值的若干個歷史降雨量時間序列和當前正進行的降雨量時間序列，均進行分解，分別得到低頻分量和高頻分量；

對低頻分量構建VAR模型進行預測，得到低頻分量預測量；對高頻分量構建NAR神經網絡進行預測，得到高頻分量預測量；

對低頻分量預測量和高頻分量預測量進行重構，得到降雨量的預測量。

2.如權利要求1所述的方法，其特征是，所述獲取若干個歷史降雨量時間序列和當前正進行的降雨量時間序列步驟之后，所述從若干個歷史降雨量時間序列中，篩選出與當前正進行的降雨量時間序列相關度大于設定閾值的若干個歷史降雨量時間序列步驟之前還包括：

對獲取的所有時間序列進行數據清洗剔除異常數據；

對數據清洗后的數據進行數據填補；

對數據填補后的數據進行數據插值處理。

3.如權利要求2所述的方法，其特征是，對獲取的所有時間序列進行數據清洗剔除異常數據；是采用拉依達準則，對獲取的所有時間序列進行數據清洗剔除異常數據；對數據清洗后的數據進行數據填補；是采用加權平均法對數據清洗后的數據進行數據填補；對數據填補后的數據進行數據插值處理；具體是采用三次方樣條數據插值方法進行插值處理。

4.如權利要求1所述的方法，其特征是，從若干個歷史降雨量時間序列中，篩選出與當前正進行的降雨量時間序列相關度大于設定閾值的若干個歷史降雨量時間序列；具體包括：

采用灰色關聯(lián)分析，從若干個歷史降雨量時間序列中，篩選出與當前正進行的降雨量時間序列相關度大于設定閾值的若干個歷史降雨量時間序列。

5.如權利要求1所述的方法，其特征是，對相關度大于設定閾值的若干個歷史降雨量時間序列和當前正進行的降雨量時間序列，均進行分解，分別得到高頻分量和低頻分量；具體步驟包括：

采用小波分解，對相關度大于設定閾值的若干個歷史降雨量時間序列均進行分解，得到每個歷史降雨量時間序列對應的高頻分量和低頻分量；

采用小波分解，對當前正進行的降雨量時間序列進行分解，得到高頻分量和低頻分量。

6.如權利要求1所述的方法，其特征是，對低頻分量構建VAR模型進行預測，得到低頻分量預測量；具體步驟包括：

對若干個相關度大于設定閾值的歷史降雨量時間序列，進行單位根檢驗，篩選出若干個平穩(wěn)的歷史降雨量時間序列；

根據若干個平穩(wěn)的歷史降雨量時間序列，確定滯后期；

將每個平穩(wěn)的歷史降雨量時間序列對應的低頻分量，和已確定的滯后期，代入到VAR模型中，利用最小二乘法估計VAR模型中的參數，擬合出VAR模型的系數矩陣，得到構建好的VAR模型；

將當前正進行的降雨量時間序列的低頻分量，輸入到構建好的VAR模型中，輸出低頻的預測分量。

7.如權利要求1所述的方法，其特征是，對高頻分量構建NAR神經網絡進行預測，得到高頻分量預測量；具體步驟包括：

構建NAR神經網絡；

構建訓練集、驗證集和測試集；所述訓練集、驗證集和測試集中所包含的數據內容類型是一樣的，數據比例不一樣；其中，所述訓練集為與當前正進行的降雨量時間序列相關度大于設定閾值的若干個歷史降雨量時間序列，以及每個歷史降雨量時間序列所對應的第一低頻分量；在第一低頻分量上，設置時間滑動窗口；時間滑動窗口內的數據作為NAR神經網絡的輸入值，時間滑動窗口外的下一時刻最近鄰數據作為NAR神經網絡的輸出值；

利用訓練集對NAR神經網絡進行訓練，得到訓練好的NAR神經網絡；

將當前正進行的降雨量時間序列的高頻分量，輸入到構建好的VAR模型中，輸出高頻分量的預測分量。