【技术实现步骤摘要】
基于经验小波消噪和神经网络融合的中长期径流预报方法
本专利技术涉及水文学中的水文预报领域,特别涉及一种基于经验小波消噪和神经网络融合的中长期径流预报方法。
技术介绍
中长期径流预报(遇见期3天~1年)是近几十年来水文研究的热点问题之一,提高中长期径流预报精度对水资源调配、防洪、减灾等方面具有重要意义。现有中长期径流预报方法可以分为两类:物理模型和经验模型。物理模型一般通过模拟流域水循环的物理过程对未来径流进行预报。物理模型的构建需要获取较长时间段(遇见期)内的降水、蒸发和气温等气象数据,增加了采用物理模型进行中长期预报的难度。中长期水文预报中涉及的各种经验模型主要包括时间序列模型和机器学习模型。然而,以往的研究表明,时间序列模型对非线性和非平稳性较强的径流时间序列预报能力有限。在各种机器学习方法中,人工神经网络(ANN)包括反向传播神经网络(BPNN)、径向基函数(RBF)神经网络、广义回归神经网络(GRNN)、Elman神经网络和极限学习机(ELM)等在中长期径流预报领域取得了丰硕的成果,但是单一ANN模型的预报性能仍存在很大的改进空间。其中利用数据预处理技术对径流时间序列进行预处理是一种能有效提升中长期径流预报精度的方法。此外,另一种能够提升单一ANN模性预报性能的方法是将多个ANN模型的预报信息进行融合,综合考虑每个模型的优势,进而提高中长期径流预报精度。
技术实现思路
专利技术目的:针对现有技术中存在的问题,本专利技术提供一种基于经验小波消噪和神经网络融合的中长期径流预报方法,能够有效提升中长期径流时间序列的预报精度。技术方案:本专利技术提供了一种基于 ...
【技术保护点】
1.一种基于经验小波消噪和神经网络融合的中长期径流预报方法,其特征在于,包括以下步骤:步骤一:获取水文站点的历史实测径流数据,建立中长期径流时间序列,并将样本数据分为训练期和检验期;步骤二:采用EWT将径流时间序列分解为几个独立的经验模态,去除分解经验模态中频率最高的模态,并对剩余的经验模态进行线性求和,得到重构径流时间序列以消除原始径流时间序列的冗余噪声;步骤三:对经EWT处理后的径流时间序列进行相空间重构,构造相空间矩阵作为基预报模型的输入因子,建立ANN基预报模型的输入、输出矩阵;步骤四:采用步骤三确定的训练期输入、输出矩阵分别对RBF、ELM和Elman三种神经网络模型进行训练;步骤五:将三种基预报模型的输出作为GRNN模型的预报因子,再次建立输入、输出矩阵,对GRNN模型进行训练,并将检验样本代入训练好的GRNN模型,得到检验期的预测值;步骤六:采用四种评价指标包括均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分误差(MAPE)和相关系数(R)评价对预报结果进行评价。
【技术特征摘要】
1.一种基于经验小波消噪和神经网络融合的中长期径流预报方法,其特征在于,包括以下步骤:步骤一:获取水文站点的历史实测径流数据,建立中长期径流时间序列,并将样本数据分为训练期和检验期;步骤二:采用EWT将径流时间序列分解为几个独立的经验模态,去除分解经验模态中频率最高的模态,并对剩余的经验模态进行线性求和,得到重构径流时间序列以消除原始径流时间序列的冗余噪声;步骤三:对经EWT处理后的径流时间序列进行相空间重构,构造相空间矩阵作为基预报模型的输入因子,建立ANN基预报模型的输入、输出矩阵;步骤四:采用步骤三确定的训练期输入、输出矩阵分别对RBF、ELM和Elman三种神经网络模型进行训练;步骤五:将三种基预报模型的输出作为GRNN模型的预报因子,再次建立输入、输出矩阵,对GRNN模型进行训练,并将检验样本代入训练好的GRNN模型,得到检验期的预测值;步骤六:采用四种评价指标包括均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分误差(MAPE)和相关系数(R)评价对预报结果进行评价。2.根据权利要求1所述的基于经验小波消噪和神经网络融合的中长期径流预报方法,其特征在于,在所述步骤二中,对于原始径流时间序列x(t),EWT的分解过程如下:(1)根据快速傅立叶变换算法(FFT)计算原始径流时间序列x(t)的傅立叶频谱F(ω);(2)将傅立叶频谱F(ω)的频域[0,π]自适应的分割为K个带宽不等的频带,[0,ω1],[ω1,ω2],...,[ωK-1,π],其中,小波滤波器的边界ωn,n=1,2,...,N-1选取为两个连续局部极大值之间的中间频率;(3)根据Meyer小波构造经验小波,确定经验小波函数ψk(ω)和经验尺度函数式中,(4)重构原始径流时间序列得到不同的经验模态。3.根据权利要求2所述的基于经验小波消噪和神经网络融合的中长期径流预报方法,其特征在于,在所述(4)中,原始径流时间序列通过下式进行重构:式中,*为卷积运算,Wx(0,t)为近似系数,Wx(k,t)为细节系数,近似系数和细节系数分别通过下式给出:式中,ψk(t)和ψk(t)分别表示经验小波函数和经验尺度函数,和分别表示ψk(τ-t)和的复共轭,F-1(·)表示傅里叶逆变换,和分别表示ψ(ω)和的傅里叶变换;则经验模态uk(t)的定义如下:4.根据权利要求1至3中任一项所述的基于经验小波消噪和神经网络融合的中长期径流预报方法,其特征在于,在所述步骤四中,RBF神经...
【专利技术属性】
技术研发人员:彭甜,倪伟,张楚,夏鑫,纪捷,薛小明,
申请(专利权)人:淮阴工学院,
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。