[發(fā)明專利]基于VMD分解和IHHO優(yōu)化LSTM的徑流預(yù)測(cè)方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110636484.9
• 申請(qǐng)日: 2021-06-08
• 公開（公告）號(hào): CN113361777A
• 公開（公告）日: 2021-09-07
• 發(fā)明（設(shè)計(jì)）人: 孫偉;彭甜;張楚;孫娜;王業(yè)琴;紀(jì)捷;花磊;馬慧心;陸凡
• 申請(qǐng)（專利權(quán)）人: 淮陰工學(xué)院
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06N3/04;G06N3/08;G06N3/00
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 柏尚春

本發(fā)明公開了一種基于VMD分解和IHHO優(yōu)化LSTM的徑流預(yù)測(cè)方法及系統(tǒng)，首先，選取水文站點(diǎn)的歷史徑流數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理和歸一化；然后將處理好的數(shù)據(jù)用變分模態(tài)分解分解為多個(gè)擁有不同頻率的子模態(tài)；再對(duì)哈里斯鷹算法使用混沌初始化和爬山算法進(jìn)行優(yōu)化，并使用優(yōu)化后的哈里斯鷹算法對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)個(gè)數(shù)和學(xué)習(xí)率兩個(gè)參數(shù)尋優(yōu)；接著將所得最優(yōu)參數(shù)賦給LSTM并對(duì)每個(gè)子模態(tài)進(jìn)行訓(xùn)練，建立IHHO?LSTM子模型；最后，對(duì)各個(gè)子模態(tài)分別進(jìn)行測(cè)試得到預(yù)測(cè)值，將所得子模態(tài)的預(yù)測(cè)值聚合和反歸一化得到VMD?IHHO?LSTM的最終預(yù)測(cè)值并進(jìn)行誤差分析，利用誤差指標(biāo)進(jìn)行性能評(píng)價(jià)。本發(fā)明可以提高徑流預(yù)報(bào)的精度，獲得比較準(zhǔn)確的預(yù)測(cè)結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明屬于徑流預(yù)測(cè)領(lǐng)域，具體涉及一種基于VMD分解和IHHO優(yōu)化LSTM的徑流預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)

近年來，水文系統(tǒng)在全球氣候變化和人類活動(dòng)的影響下變化更加復(fù)雜，中長(zhǎng)期徑流預(yù)報(bào)在水文預(yù)報(bào)中也愈發(fā)重要，預(yù)報(bào)精度的提高可以給防洪預(yù)測(cè)，農(nóng)業(yè)灌溉，水電站運(yùn)行等領(lǐng)域起到有效的參考作用。因此，在天氣和地域等因素的影響下如何提高中長(zhǎng)期徑流預(yù)報(bào)精度也變得尤為重要。

當(dāng)前使用的徑流預(yù)測(cè)方法主要為人工神經(jīng)網(wǎng)絡(luò)，但其在訓(xùn)練中容易陷入過擬合或?qū)W習(xí)不足的狀況，深度學(xué)習(xí)的發(fā)展為徑流預(yù)測(cè)提供了新的方法例如循環(huán)神經(jīng)網(wǎng)絡(luò)RNN，RNN可以有效的利用過去輸入信息，但是其隱含層的輸入對(duì)輸出的影響會(huì)隨著迭代逐漸降低，容易陷入梯度消失。長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM可以有效利用間隔較長(zhǎng)的信息，解決了RNN不能長(zhǎng)期有效依賴的問題。本發(fā)明使用LSTM模型并對(duì)其進(jìn)行優(yōu)化和改進(jìn)提高了它的預(yù)測(cè)精度。

發(fā)明內(nèi)容

發(fā)明目的：針對(duì)現(xiàn)有技術(shù)存在的問題，本發(fā)明目的在于提供一種能提高中長(zhǎng)期徑流預(yù)測(cè)準(zhǔn)確性的基于VMD分解和IHHO優(yōu)化LSTM的徑流預(yù)測(cè)方法及系統(tǒng)。

技術(shù)方案：本發(fā)明提出一種基于VMD分解和IHHO優(yōu)化LSTM的徑流預(yù)測(cè)方法，具體包括以下步驟：

(1)獲取水文站點(diǎn)的歷史徑流數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理和歸一化，獲得徑流序列x(t)；

(2)對(duì)處理好的數(shù)據(jù)進(jìn)行變分模態(tài)分解，得到一組子模態(tài)；

(3)對(duì)哈里斯鷹算法HHO進(jìn)行優(yōu)化，并使用優(yōu)化過的哈里斯鷹算法對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM的隱含層節(jié)點(diǎn)個(gè)數(shù)，學(xué)習(xí)率進(jìn)行尋優(yōu)，并將所得最優(yōu)參數(shù)賦給LSTM對(duì)每個(gè)子模態(tài)進(jìn)行訓(xùn)練，建立IHHO-LSTM預(yù)測(cè)子模型；

(4)對(duì)各個(gè)子模態(tài)分別進(jìn)行測(cè)試得到預(yù)測(cè)值，將所得子模態(tài)的預(yù)測(cè)值聚合和反歸一化得到VMD-IHHO-LSTM的最終預(yù)測(cè)值并進(jìn)行誤差分析，利用誤差指標(biāo)進(jìn)行性能評(píng)價(jià)。

進(jìn)一步地，步驟(1)所述數(shù)據(jù)預(yù)處理包括數(shù)據(jù)清洗和缺失值的填補(bǔ)。

進(jìn)一步地，所述步驟(2)包括以下步驟：

(21)將歷史徑流序列x(t)分解為q個(gè)IMF，且每個(gè)模態(tài)都為具有有限帶寬的模態(tài)且所有模態(tài)的帶寬和最小，則帶約束條件的變分表達(dá)式為：

其中，u_q(t)，ω_q(t)分別為分解后第q個(gè)模態(tài)和其對(duì)應(yīng)的中心頻率，δ(t)為狄拉克函數(shù)，j是復(fù)數(shù)的意思，是對(duì)t的偏導(dǎo)數(shù)；

(22)引入拉格朗日乘法算子λ和二次懲罰因子α，將約束問題轉(zhuǎn)變?yōu)榉羌s束問題，擴(kuò)展的拉格朗日表達(dá)式為：

其中，α是二次懲罰因子可以降低高斯干擾的噪聲，保證信號(hào)的精度，λ是拉格朗日乘法算子；

(23)初始化迭代次數(shù)n＝0，初始化更新更新過程為：將進(jìn)行傅里葉變換，將轉(zhuǎn)變到頻域，分別為