一种考虑时滞效应的河流水位预测方法技术

本发明专利技术公开了一种考虑时滞效应的河流水位预测方法，包括如下步骤，1：基于分布滞后模型确定上下游水位的滞后值；2：基于VMD模型分解水位数据；3：重构VMD分解分量得到分量组合；4：基于BP神经网络进行重构分量组合的训练及预测。分布滞后模型是基于时间序列的回归模型，可反映变量之间的滞后效应，为确定上下游水位的滞后值提供了一种有效的方法。变分模态分解方法是一种处理非线性、非平稳信号的分析方法，可依据信号的特点进行线性化和平稳化的处理。BP神经网络是一种对非线性函数进行权值训练的多层映射网络，具有较好的非线性拟合。该方法将三个模型结合起来，充分发挥各自的特点和优势，实现基于上游水位对下游水位的预测和预报，并取得较好的预测精度。

A Prediction Method of River Level Considering Delay Effect

【技术实现步骤摘要】
一种考虑时滞效应的河流水位预测方法
本专利技术涉及水资源管理
，具体涉及一种集成分布滞后模型、变分模态分解和BP神经网络的河流水位预测方法。
技术介绍
水位是反映流域水情最直观的因素，也是水文预报和水资源评价的重要指标。水位信息有助于了解河流水位的动态变化，对于防洪抗旱和水资源调度具有重要参考价值。河流水位预测有利于掌握水位信息及洪涝情况，提前做好预警工作，最大限度降低洪涝灾害造成的损失。同时，水位监测设备昂贵，水文监测站建设和管理需要耗费大量的资金和精力。结合上游水位数据预测下游水位信息，有利于指导水文站网的合理规划和优化配置，将大大减少水文监测站的建设和维护费用。河流水位信息受到气候气象、地形地貌、植被覆盖和人类活动等多种因素的影响，具有复杂多变的特点，因而往往难以确定。对于同一河流，下游水位直接受到上游水位的影响。分布滞后模型(DLM)是基于时间序列的回归模型，可反映变量之间的滞后效应，广泛应用于经济、环境、地学等领域，为确定上下游水位的滞后值提供了一种有效的方法。河流水位预测主要包含数据获取和方法建模两个环节。目前，水位预测对于数据源的选择主要从两个方面入手：(1)从水位的时间序列出发，通常是日水位、月水位时间序列，通过挖掘时间序列的多层次特征，建立水位预测数值模型。(2)从影响水位变化的因素中，寻求有效因素，如河流流量、降雨量、蒸发量等，建立与水位信息相关的经验、物理模型。然而，影响水位变化的因素众多，难以完全覆盖，且加入这些复杂的因素易导致模型的构建难度增大。水位预测的方法通常有数理统计和智能方法两种。相比于数理统计，人工智能具有适用面广、预测精度较高的优点，成为目前研究的热点。为了提高水位预测精度，通常需要集成多种方法模型。Seo和Kim结合小波分解和数据驱动模型预测河流水位，结果表明小波分解提高了人工神经网络和ANFIS模型预测河流水位的精度。但小波分解的缺点之一是不同的母小波具有不同的分解性能。变分模态分解(VMD)在一定程度上克服了小波分解存在的问题，逐渐应用于分析非线性随机信号，其最大的特点是可以将信号分解为固定数量、包含原信号特征信息的有限宽带的本征模态函数(BLIMF)，降低信号的波动性。
技术实现思路
本专利技术通过分析河流上下游水位之间的关联性和滞后性，提出了一种集成分布滞后模型、变分模态分解和BP神经网络的水位预测方法。该方法通过分布滞后模型分析上、下游水位的关联性和滞后性以确定模型的输入数据，并利用变分模态分解方法对数据序列进行平稳化处理，降低数据波动性，再利用BP神经网络进行训练及预测，实现基于上游水位对下游水位的预测和预报。本专利技术中，分布滞后模型是基于时间序列的回归模型，可反映变量之间的滞后效应，可作为确定上下游水位的滞后值的有效方法。BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，具有易于构建、自适应和实时学习的特点，适合处理复杂、非线性的水位数据。VMD模型是一种新的信号分析方法，将复杂的、非线性、不对称的序列数据分解为多个相对平稳的、频率逐级变化的本征模态函数(BLIMF)，适用于处理水位数据的波动性。为解决上述技术问题，本专利技术公开的一种考虑时滞效应的河流水位预测方法，其特征在于，它包括如下步骤：步骤1：基于分布滞后模型确定上下游水位的滞后值；对上下游水文站的水位时间序列数据构建分布滞后模型，通过设置不同的滞后值，得到下游水位对应的分布滞后模型，并计算模型的赤池信息量准则、施瓦茨准则、汉南-奎因信息准则指标值(AIC(赤池信息量准则)、SC(施瓦茨准则)、HQ(汉南-奎因信息准则))，综合考虑三个指标值最小时的滞后值即为分布滞后模型的最佳滞后值n，该方法的目的是预测下游水文站的水位，因此输入数据是上游水位序列{x0(t),x1(t)...xn(t)}，输出数据是下游水文站的水位y(t)，其中xn(t)表示上游水文站前n+1天的第t个水位数据；y(t)表示对应下游水文站当天的第t个水位数据；步骤2：基于VMD模型分解水位数据；利用VMD模型对输入数据{x0(t),x1(t)...xn(t)}和输出数据y(t)分别进行平稳化处理，分解为表示输入数据和输出数据特征的多个分量{x0k(t),x1k(t)...xnk(t)},k＝{1,2,…,K}和yk(t),k＝{1,2,…,K}，K代表最大分解个数，xnk(t)表示上游水文站前n+1天的第t个水位数据的第k个分量；yk(t)表示下游水文站第t个水位数据的第k个分量；步骤3：重构VMD分解分量得到分量组合；将输入数据和输出数据经过VMD分解得到的分解分量{x0k(t),x1k(t)...xnk(t)},k＝{1,2,…,K}和yk(t),k＝{1,2,…,K}按其对应的分解量进行重构，即输入数据和输出数据VMD分解的分量分别按第一分量、第二分量一直到第k分量的形式进行组合，形成如下公式所示的数据组合，Fk表示第k个分量组合，xnk表示第n+1个输入变量的第k个分量，yk表示输出变量的第k个分量；步骤4：基于BP神经网络进行重构分量组合的训练及预测；将重构分量组合{F1,F2,...Fk,k＝{1,2,…,K}分别进行BP神经网络训练，得到训练好的神经网络，之后将需要预测的下游水位数据对应的上游水位的输入数据输入到训练好的神经网络进行预测，得到每个分量组合的预测值Dk，之后将每个分量组合的预测值叠加得到最终的下游水位的预测值D，Dk表示第k个分量组合的预测值，D表示最终预测值；D＝D1+D2+…+Dk。上述技术方案的步骤1中分布滞后模型确定滞后值的方法为：步骤101：阿尔蒙变换；对于分布滞后模型Yt为自变量；Xt-i为因变量X的第i期滞后；i表示滞后期；βi(i＝1,2,…,s)为动态乘数或回归系数，表示Xt-i的变动对Yt影响的大小，s表示最大滞后期；α为截距项；μt是随机误差值，假定回归系数βi用一个关于滞后期i的适当阶数的多项式来表示，即βi＝α0+α1(i+1)+α2(i+1)2+…+αm(i+1)mi＝1,2,…,s其中α0,α1,α2,…,αm表示多项式表达式待估计的参数，m是多项式的次数且满足m＜s-1；对上述公式进行阿尔蒙变换，得到之后定义新变量将上述公式模型转换为：Yt＝α+α0W0t+α1W1t+α2W2t+…+αmWmt+μt其中W0t,W1t,W2t,…,Wmt表示定义的新变量；步骤102：模型的最小二乘估计；对转换后得到的公式Yt＝α+α0W0t+α1W1t+α2W2t+…+αmWmt+μt进行最小二乘估计，得到新定义变量的参数估计值并将取代βi＝α0+α1(i+1)+α2(i+1)2+…+αm(i+1)m中的α0，α1，α2，...αm，并求出对应的滞后分布模型参数的回归系数估计值得到最终的分布滞后模型；步骤103：滞后值n的确定设置不同的滞后值，依次从1-10之间进行设置，得到其对应的分布滞后模型，再根据滞后值的选取准则得到最佳滞后值n，根据滞后值个数确定方法的输入数据{x0k(t),x1k(t)…xnk(t)}，即xnk(t)为滞后期为n的上游水位数据，滞后值通常根据赤池信息量准则、施瓦茨准则、汉南-奎因信息准则指标值确定，三个指标值保持最小即为最佳滞后值。上述技本文档来自技高网...

【技术保护点】
1.一种考虑时滞效应的河流水位预测方法，其特征在于，它包括如下步骤：步骤1：基于分布滞后模型确定上下游水位的滞后值；对上下游水文站的水位时间序列数据构建分布滞后模型，通过设置不同的滞后值，得到下游水位对应的分布滞后模型，并计算模型的赤池信息量准则、施瓦茨准则、汉南‑奎因信息准则指标值，综合考虑三个指标值最小时的滞后值即为分布滞后模型的最佳滞后值n，该方法的目的是预测下游水文站的水位，因此输入数据是上游水位序列{x0(t),x1(t)...xn(t)}，输出数据是下游水文站的水位y(t)，其中xn(t)表示上游水文站前n+1天的第t个水位数据；y(t)表示对应下游水文站当天的第t个水位数据；步骤2：基于VMD模型分解水位数据；利用VMD模型对输入数据{x0(t),x1(t)...xn(t)}和输出数据y(t)分别进行平稳化处理，分解为表示输入数据和输出数据特征的多个分量{x0k(t),x1k(t)...xnk(t)},k＝{1,2,…,K}和yk(t),k＝{1,2,…,K}，K代表最大分解个数，xnk(t)表示上游水文站前n+1天的第t个水位数据的第k个分量；yk(t)表示下游水文站第t个水位数据的第k个分量；步骤3：重构VMD分解分量得到分量组合；将输入数据和输出数据经过VMD分解得到的分解分量{x0k(t),x1k(t)...xnk(t)},k＝{1,2,…,K}和yk(t),k＝{1,2,…,K}按其对应的分解量进行重构，即输入数据和输出数据VMD分解的分量分别按第一分量、第二分量一直到第k分量的形式进行组合，形成如下公式所示的数据组合，Fk表示第k个分量组合，xnk表示第n+1个输入变量的第k个分量，yk表示输出变量的第k个分量；...

【技术特征摘要】
1.一种考虑时滞效应的河流水位预测方法，其特征在于，它包括如下步骤：步骤1：基于分布滞后模型确定上下游水位的滞后值；对上下游水文站的水位时间序列数据构建分布滞后模型，通过设置不同的滞后值，得到下游水位对应的分布滞后模型，并计算模型的赤池信息量准则、施瓦茨准则、汉南-奎因信息准则指标值，综合考虑三个指标值最小时的滞后值即为分布滞后模型的最佳滞后值n，该方法的目的是预测下游水文站的水位，因此输入数据是上游水位序列{x0(t),x1(t)...xn(t)}，输出数据是下游水文站的水位y(t)，其中xn(t)表示上游水文站前n+1天的第t个水位数据；y(t)表示对应下游水文站当天的第t个水位数据；步骤2：基于VMD模型分解水位数据；利用VMD模型对输入数据{x0(t),x1(t)...xn(t)}和输出数据y(t)分别进行平稳化处理，分解为表示输入数据和输出数据特征的多个分量{x0k(t),x1k(t)...xnk(t)},k＝{1,2,…,K}和yk(t),k＝{1,2,…,K}，K代表最大分解个数，xnk(t)表示上游水文站前n+1天的第t个水位数据的第k个分量；yk(t)表示下游水文站第t个水位数据的第k个分量；步骤3：重构VMD分解分量得到分量组合；将输入数据和输出数据经过VMD分解得到的分解分量{x0k(t),x1k(t)...xnk(t)},k＝{1,2,…,K}和yk(t),k＝{1,2,…,K}按其对应的分解量进行重构，即输入数据和输出数据VMD分解的分量分别按第一分量、第二分量一直到第k分量的形式进行组合，形成如下公式所示的数据组合，Fk表示第k个分量组合，xnk表示第n+1个输入变量的第k个分量，yk表示输出变量的第k个分量；步骤4：基于BP神经网络进行重构分量组合的训练及预测；将重构分量组合{F1,F2,...Fk,k＝{1,2,…,K}分别进行BP神经网络训练，得到训练好的神经网络，之后将需要预测的下游水位数据对应的上游水位的输入数据输入到训练好的神经网络进行预测，得到每个分量组合的预测值Dk，之后将每个分量组合的预测值叠加得到最终的下游水位的预测值D，Dk表示第k个分量组合的预测值，D表示最终预测值；D＝D1+D2+…+Dk。2.根据权利要求1所述的考虑时滞效应的河流水位预测方法，其特征在于：步骤1中分布滞后模型确定滞后值的方法为：步骤101：阿尔蒙变换；对于分布滞后模型Yt为自变量；Xt-i为因变量X的第i期滞后；i表示滞后期；βi(i＝1,2,…,s)为动态乘数或回归系数，表示Xt-i的变动对Yt影响的大小，s表示最大滞后期；α为截距项；μt是随机误差值，假定回归系数βi用一个关于滞后期i的适当阶数的多项式来表示，即βi＝α0+α1(i+1)+α2(i+1)2+…+αm(i+1)mi＝1,2,…,s其中α0,α1,α2,…,αm表示多项式表达式待估计的参数，m是多项式的次数且满足m＜s-1；对上述公式进行阿尔蒙变换，得到之后定义新变量将上述公式模型转换为：Yt＝α+α0W0t+α1W1t+α2W2t+…+αmWmt+μt其中W0t,W1t,W2t,…,Wmt表示定义的新变量；步骤102：模型的最小二乘估计；对转换后得到的公式Yt＝α+α0W0t+α1W1t+α2W2t+…+αmWmt+μt进行最小二乘估计，得到新定义变量的参数估计值并将取代βi＝α0+α1(i+1)+α2(i+1)2+…+αm(i+1)m中的α0，α1，α2，...αm，并求出对应的滞后分布模型参数的回归系数估计值得到最终的分布滞后模型；步骤1...

【专利技术属性】
技术研发人员：黄解军，赵力学，王欢，周晗，詹云军，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北,42