The invention discloses a flood forecasting method combining stack self-encoder and support vector regression, which first classifies the original hydrological data by SOM clustering, then trains the network by layer-by-layer greedy training method, trains the first sparse encoder of each sample set after clustering, and obtains the first layer features; and then trains the second layer sparse by using the first layer features. Sparse automatic encoder, and so on, until the completion of SAE training in layer N; the output of the deepest hidden layer of SAE is used as the input of SVR to train the SVR model; the error between the output of SVR and the actual value is compared to adjust the parameters of the whole SAE SVR model; finally, the test set is clustered by SOM and predicted by the optimized SAE SVR model. The invention integrates the advantages of SAE in extracting data characteristics and SVR in time series prediction, and has good accuracy in flood prediction.
【技术实现步骤摘要】
融合栈式自编码器和支持向量回归的洪水预测方法
本专利技术涉及洪水预测方法,特别是涉及融合栈式自编码器和支持向量回归的洪水预测方法,属于水利防灾减灾
技术介绍
洪水预报是管理洪水的少数可行方案之一,也是防汛抢险的决策依据,其时效性和准确性显得极其重要。在过去,基于物理或概念的水文模型已经得到了充分的研究与发展;今天,得益于水文数据获取能力的提高、数据管理和建模工具的完善以及智能计算、机器学习领域的发展,如何有效地利用现有的资源挖掘出水文和气象数据中蕴含的有用信息,提高洪水预报的准确率,是一个重要的研究方向,因而数据驱动方法在洪水预报领域受到了越来越多的关注。与传统的水文模型不同,数据驱动建模不需要考虑水文过程的物理机制,而是建立关于时间序列的数学分析,通过学习给定样本,发现系统输入和输出之间的映射关系,即水文变量间的统计或因果关系。这类模型包含很多复杂的方法,如自回归滑动平均(ARMA)模型、人工神经网络(ANN)、支持向量机(SVM)等。数据驱动模型在解决数值预测问题、重建高度非线性函数、分类、时间序列分析等方面有着独特的优越性,因而在洪水预报领域中也被广泛的应用。对于数据驱动模型,通常使用大量数据进行训练与预测,而许多算法对大数据集并没有展现优良的性能。为了克服各数据驱动模型在性能上的缺陷,当代趋势是将不同模型结合,以实现优缺点互补。如Chang等(ChangFJ,LiangJM,ChenYC,“Floodforecastingusingradialbasisfunctionneuralnetworks”.IEEETransactionsonS ...
【技术保护点】
1.融合栈式自编码器和支持向量回归的洪水预测方法,其特征在于,包括如下步骤:步骤1,获取SAE‑SVR深度模型的输入、输出变量,构成训练样本,其中,输入变量为当前站点n个时刻的流域降雨量、流量,以及当前站点上游S个站点n个时刻的流域降雨量、流量,构成输入变量矩阵为X=(xij)n×P,P=S×BIF+CIF,CIF为当前站点选择的影响因子数量,BIF为当前站点上游S个站点中各站点选择的影响因子数量,xij为输入变量矩阵X的元素;输出变量为n个时刻中各时刻h小时后当前站点的流量,构成输出变量矩阵为Y=(yi)n×1,yi为输出变量矩阵Y的元素;采用均值方差归一化方法对输入、输出变量矩阵做预处理;步骤2,将归一化后的输入变量矩阵通过SOM聚类方法划分为K个不同的类别,每个类别表示为Xcluster k,1≤k≤K;步骤3,利用步骤2得到的每个类别Xcluster k,通过逐层贪婪训练具有N个隐藏层的栈式自编码器,得到栈式自编码器最深隐藏层的输出特征,将栈式自编码器最深隐藏层的输出特征作为支持向量回归算法的输入,训练支持向量回归模型,得到SAE‑SVR深度模型;步骤4,将SAE‑SVR深度模 ...
【技术特征摘要】
1.融合栈式自编码器和支持向量回归的洪水预测方法,其特征在于,包括如下步骤:步骤1,获取SAE-SVR深度模型的输入、输出变量,构成训练样本,其中,输入变量为当前站点n个时刻的流域降雨量、流量,以及当前站点上游S个站点n个时刻的流域降雨量、流量,构成输入变量矩阵为X=(xij)n×P,P=S×BIF+CIF,CIF为当前站点选择的影响因子数量,BIF为当前站点上游S个站点中各站点选择的影响因子数量,xij为输入变量矩阵X的元素;输出变量为n个时刻中各时刻h小时后当前站点的流量,构成输出变量矩阵为Y=(yi)n×1,yi为输出变量矩阵Y的元素;采用均值方差归一化方法对输入、输出变量矩阵做预处理;步骤2,将归一化后的输入变量矩阵通过SOM聚类方法划分为K个不同的类别,每个类别表示为Xclusterk,1≤k≤K;步骤3,利用步骤2得到的每个类别Xclusterk,通过逐层贪婪训练具有N个隐藏层的栈式自编码器,得到栈式自编码器最深隐藏层的输出特征,将栈式自编码器最深隐藏层的输出特征作为支持向量回归算法的输入,训练支持向量回归模型,得到SAE-SVR深度模型;步骤4,将SAE-SVR深度模型的输出值与归一化后的输出变量矩阵的实际值进行误差比较,并调整SAE-SVR深度模型的参数,得到优化后的SAE-SVR深度模型;步骤5,获取测试样本,包括当前站点的流域降雨量、流量,以及当前站点上游S个站点的流域降雨量、流量,对测试样本进行均值方差归一化处理,然后通过SOM聚类方法对归一化后的测试样本进行分类,最后用优化后的SAE-SVR深度模型对当前站点h小时后的流量进行预测。2.根据权利要求1所述融合栈式自编码器和支持向量回归的洪水预测方法,其特征在于,所述步骤2的具体过程如下:2.1,初始化SOM聚类方法的参数,包括:输出神经元个数终止条件为训练次数达到tmax=munits/n×50,学习率改变方式为指数衰减法其中,n为输入变量矩阵的行数,munits为网格个数,ηinitial、ηfinal分别为学习率的初始值、最终值,t表示第t次训练;2.2,从归一化后的输入变量矩阵中,随机选择一行输入向量xi,i=1,…,n;2.3,计算输入向量xi与所有神经元的权向量之间的欧氏距离,将最小欧氏距离对应的神经元确定为获胜神经元;2.4,根据学习规则调整获胜神经元的权向量及其相邻神经元的权向量,公式为其中,Drr’=exp(-||r-r'||2/2σ2),分别为调整后、调整前神经元的权向量,η为SOM聚类方法的学习率,...
【专利技术属性】
技术研发人员:刘凡,杨丽洁,毛莺池,许峰,
申请(专利权)人:河海大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。