[發(fā)明專利]一種基于改進(jìn)CEEMDAN-QR-BL混合模型的干旱預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110049081.4
• 申請(qǐng)日: 2021-01-14
• 公開（公告）號(hào): CN112734118A
• 公開（公告）日: 2021-04-30
• 發(fā)明（設(shè)計(jì)）人: 劉揚(yáng);王立虎;楊禮波;劉雪梅
• 申請(qǐng)（專利權(quán)）人: 華北水利水電大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/26;G06F17/16;G06N3/04;G06N3/08
• 代理公司: 西安銘澤知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 61223
• 代理人: 耿路

本發(fā)明公開了一種基于改進(jìn)CEEMDAN?QR?BL混合模型的干旱預(yù)測(cè)方法，涉及干旱預(yù)測(cè)技術(shù)領(lǐng)域。在對(duì)寬度學(xué)習(xí)權(quán)重矩陣進(jìn)行分解的過(guò)程中，利用QR正交三角分解方法，代替了傳統(tǒng)寬度學(xué)習(xí)中的奇異值分解(SVD)方法，從而完成了寬度學(xué)習(xí)輸出層的整體優(yōu)化。與傳統(tǒng)寬度學(xué)習(xí)模型相比，QR?BL具有高精度、高效率等優(yōu)點(diǎn)。同時(shí)，為保證模型泛化能力，將正則化概念引入QR?BL模型，構(gòu)建了基于三角分解的正則寬度學(xué)習(xí)模型(QR?RBL模型)，有效提高了模型的泛化能力。實(shí)驗(yàn)結(jié)果表明，基于并行CEEMDAN?QR?BL模型的智能預(yù)測(cè)方法相比于傳統(tǒng)BL方法，其預(yù)測(cè)精準(zhǔn)度提高1.29倍；穩(wěn)定度提高4.54倍；效率提高118倍。

技術(shù)領(lǐng)域

本發(fā)明涉及干旱預(yù)測(cè)技術(shù)領(lǐng)域，特別是涉及一種基于改進(jìn)CEEMDAN-QR-BL混合模型的干旱預(yù)測(cè)方法。

背景技術(shù)

干旱是涉及氣象、水文、地質(zhì)、生態(tài)、農(nóng)業(yè)和社會(huì)經(jīng)濟(jì)等多學(xué)科和多部門的交叉學(xué)科復(fù)雜問(wèn)題，其成因復(fù)雜，影響因素眾多。近年來(lái)，受全球氣候、人類活動(dòng)和下墊面等變化的影響，干旱在我國(guó)總體呈現(xiàn)出廣發(fā)、頻發(fā)、并發(fā)的態(tài)勢(shì)。

目前，國(guó)內(nèi)外針對(duì)干旱預(yù)測(cè)預(yù)警方法的研究可以分為兩類：一種是基于傳統(tǒng)水文模型，利用標(biāo)準(zhǔn)化降水指數(shù)(SPI)對(duì)研究區(qū)的氣象干旱進(jìn)行時(shí)空分布。利用日氣溫和降水資料，計(jì)算標(biāo)準(zhǔn)化降水蒸散指數(shù)(SPEI)，并利用皮爾遜相關(guān)系數(shù)對(duì)其進(jìn)行統(tǒng)計(jì)評(píng)估，該類方法存在人為主觀指標(biāo)選取等問(wèn)題，導(dǎo)致所選取的指標(biāo)無(wú)法真正反應(yīng)干旱特征；另一種智能計(jì)算的的干旱預(yù)測(cè)方法。如利用神經(jīng)網(wǎng)絡(luò)結(jié)合主成分分析和遺傳算法對(duì)干旱指標(biāo)數(shù)據(jù)進(jìn)行降維和預(yù)測(cè)。采用協(xié)同模糊理論與多層感知系統(tǒng)，利用標(biāo)準(zhǔn)化降雨指標(biāo)預(yù)測(cè)干旱。利用神經(jīng)網(wǎng)絡(luò)方法的結(jié)構(gòu)復(fù)雜性往往會(huì)導(dǎo)致模型的泛化能力差。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供了一種基于改進(jìn)CEEMDAN-QR-BL混合模型的干旱預(yù)測(cè)方法，可以解決現(xiàn)有技術(shù)中存在的問(wèn)題。

本發(fā)明提供了一種基于改進(jìn)CEEMDAN-QR-BL混合模型的干旱預(yù)測(cè)方法，該方法包括以下步驟：

步驟1，獲得實(shí)時(shí)干旱數(shù)據(jù)作為原始訓(xùn)練樣本，對(duì)原始訓(xùn)練樣本進(jìn)行自適應(yīng)白噪聲平均總體經(jīng)驗(yàn)?zāi)B(tài)分解，即CEEMDAN分解，得到若干新訓(xùn)練樣本；

步驟2，將新訓(xùn)練樣本輸入寬度學(xué)習(xí)網(wǎng)絡(luò)的輸入層，得到輸出數(shù)據(jù)，所述輸出數(shù)據(jù)中存在輸入矩陣和增強(qiáng)層輸出矩陣合并在一起的廣義逆矩陣；

步驟3，對(duì)所述廣義逆矩陣進(jìn)行正交三角分解，將求解得到的矩陣作為寬度學(xué)習(xí)網(wǎng)絡(luò)的增強(qiáng)層的輸出權(quán)重矩陣，再次計(jì)算輸出數(shù)據(jù)，即預(yù)測(cè)值，對(duì)預(yù)測(cè)值進(jìn)行重組，得到輸出序列。

優(yōu)選地，步驟1中獲得原始訓(xùn)練樣本后，首先對(duì)原始訓(xùn)練樣本進(jìn)行清洗，對(duì)空數(shù)據(jù)、非數(shù)值型數(shù)據(jù)進(jìn)行過(guò)濾，清洗后的原始訓(xùn)練樣本再進(jìn)行CEEMDAN分解。

優(yōu)選地，步驟1中獲得原始訓(xùn)練樣本后，首先進(jìn)行邊界拓延，再進(jìn)行CEEMDAN分解，所述邊界拓延步驟如下：

(1)設(shè)原始訓(xùn)練樣本x(t)具有n個(gè)樣本，其中有m個(gè)極大值點(diǎn)，L個(gè)極小值點(diǎn)，將左端點(diǎn)到第二個(gè)極值點(diǎn)間的波形記為W₁；

(2)以W_i作為與W₁相對(duì)應(yīng)的等長(zhǎng)子波，即保證W_i左端點(diǎn)所對(duì)應(yīng)的位置與W₁左端點(diǎn)所對(duì)應(yīng)的位置一致；

(3)計(jì)算子波W_i與子波W₁的皮爾遜相關(guān)系數(shù)，并記為R_i，取相關(guān)系數(shù)最大的子波，將該子波前適當(dāng)長(zhǎng)度拓延到原始訓(xùn)練樣本左側(cè)；

(4)利用相同的原理拓延原始訓(xùn)練樣本的右邊界。

優(yōu)選地，步驟1中CEEMDAN分解的方法為：

(1)在原始訓(xùn)練樣本x(t)中加入不同幅值的高斯白噪聲n^k(t)得到若干新的訓(xùn)練樣本：