[發明專利]基于GA-PSO優化XGBoost的水文時間序列預測方法

有效

• 申請號: 202110049321.0
• 申請日: 2021-01-14
• 公開（公告）號: CN112733996B
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 馬露;萬定生;余宇峰;楊志勇
• 申請（專利權）人: 河海大學
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06N3/12;G06N20/20;G06Q10/04
• 代理公司: 南京華恒專利代理事務所(普通合伙) 32335
• 代理人: 宋方園

1.一種基于GA-PSO優化XGBoost的水文時間序列預測方法，其特征在于：包括以下步驟：

步驟S1、采集一水系流域對應的各雨量站一定時間段內的雨量值及對應水位站的水位，組織成水文時間序列數據集；

步驟S2、對步驟S1水文時間序列數據集中各水文樣本數據進行預處理，將樣本數據集劃分為水文訓練數據集L和水文測試數據集T；

步驟S3、采用改進的GA-PSO組合優化算法對XGBoost模型的學習率lr、基學習器個數n_estimators、最小葉子權重min_weights和最大樹深max_depth進行優化，同時利用水文訓練數據集L對XGBoost模型進行訓練，最終得到GA-PSO優化的XGBoost水文時間序列預測模型；具體內容為：

步驟S3.1、初始化XGBoost模型的學習率lr、基學習器個數n_estimators、最小葉子權重min_weights、最大樹深max_depth參數的取值范圍，設置GA-PSO整體優化算法的迭代次數為T^*；

步驟S3.2、隨機產生N個子群，每個子群中粒子的染色體就相當于一組XGBoost參數(lr,n_estimators,min_weights,max_depth)；

步驟S3.3、采用R²作為個體適應度值，初始化步驟S3.2中N個子群中所有粒子的個體適應度值；

步驟S3.4、對這N個子群都進行一次經典GA優化，最終得到N個最優粒子，GA優化的具體方法為：每個子群包含m個個體，每個子群的迭代次數都設置為T₁，對編碼后的m個個體進行選擇、交叉和變異操作來進一步更新種群；

步驟S3.5、再對變異之后的各粒子計算其適應度值，根據適應度值的大小來更新代表當前迭代次數的最優個體；

步驟S3.6、返回步驟S3.4繼續完成對子群的GA優化，直至達到迭代次數上限T₁滿足終止條件，然后每個子群均有T₁個歷史最優粒子，將這些粒子的適應度進行比較，適應度值最高的粒子作為該子群的最優個體，最終會得到N個來自N個子群的最優個體；

步驟S3.7、將步驟S3.6得到的N個最優個體進行解碼，作為PSO算法的初始粒子群，進行改進后的PSO優化，PSO算法的迭代次數設置為T₂；

步驟S3.8、初始化PSO算法初始粒子的初始速度，仍然采用R²作為適應度值的計算公式，利用改進后的公式來更新每個粒子的速度和位置，從而更新歷史最優位置，記為pbest，群體的全局最優位置gbest；

步驟S3.9、判斷當前迭代次數是否≤T₂，如果滿足則返回步驟S3.8繼續進行當前PSO優化，否則跳轉至步驟S3.10；

步驟S3.10、判斷當前總的迭代次數是否≤T^*，如果不能滿足，則在PSO中的歷史最優粒子中隨機選取K個替換掉步驟S3.2中每個GA子群的K個個體，并返回步驟S3.2繼續進行優化；如果滿足則輸出最優解；

步驟S4、對步驟S3所得GA-PSO優化過的最優XGBoost水文預測模型對測試集T進行測試。

2.根據權利要求1所述的基于GA-PSO優化XGBoost的水文時間序列預測方法，其特征在于：所述步驟S1中的水文時間序列數據集包括該水系流域對應的雨量站當前以及前7小時的雨量值、及對應水文站當前以及前7小時的流量值。

3.根據權利要求1所述的基于GA-PSO優化XGBoost的水文時間序列預測方法，其特征在于：所述步驟S2中對水文樣本數據x(t)的預處理包括缺失值處理、錯誤值更正以及歸一化；

歸一化公式如下：

其中，x^*為標準化后的值，x為初始值，x_min為原序列中的最小值，x_max為原序列中的最大值；

將預處理后的水文時間序列數據集的前80％數據作為水文訓練數據集L，余下的20％數據作為水文測試數據集T。