基于多目标随机向量函数连接网络的洪水区间预报方法技术

本发明专利技术涉及水文预报领域，公开了一种基于多目标随机向量函数连接网络的洪水区间预报方法，用于评估洪水预报结果的不确定性。为使预报区间平均宽度（PINAW）最小，同时使预报区间覆盖率（PICP）最大，采用双输出多目标随机向量函数连接网络（RVFL）直接预报未来洪水可能取值的上边界和下边界，将目标变量的±10％的作为初始上边界和下边界，将RVFL运行一次得到的初始权值和阈值的±0.5设置为NSGA‑III算法的可行域，采用NSGA‑III算法调整RVFL网络的输入权值和阈值，得到最佳的多目标RVFL洪水区间预报模型，以期获得比传统的单目标区间预报模型和基于多目标ANN洪水区间预报模型更加可靠和有效的洪水预报结果。

Flood interval prediction method based on multi-objective random vector function connected network

The invention relates to the field of Hydrological Prediction, and discloses a flood interval prediction method based on a multi-objective random vector function connection network, which is used for evaluating the uncertainty of flood prediction results. In order to minimize the mean width of the forecast interval (pinaw) and maximize the coverage of the forecast interval (PICP), the double output multi-objective random vector function connection network (RVFL) is used to directly forecast the upper and lower boundaries of the possible future flood values, and \u00b1 10% of the target variables are used as the initial upper and lower boundaries, and \u00b1 0.5 of the initial weights and thresholds obtained by RVFL operation once Set as the feasible domain of NSGA \u2011 III algorithm, use NSGA \u2011 III algorithm to adjust the input weights and thresholds of RVFL network, and get the best multi-objective RVFL flood interval prediction model, in order to obtain more reliable and effective flood prediction results than the traditional single objective interval prediction model and the multi-objective Ann flood interval prediction model.

【技术实现步骤摘要】
基于多目标随机向量函数连接网络的洪水区间预报方法
本专利技术涉及水文预报领域，特别涉及一种基于多目标随机向量函数连接网络的洪水区间预报方法。
技术介绍
由于流域下垫面和人类活动的影响，使得洪水预报难度增加，而另一方面流域水资源管理以及水电站安全经济运行对洪水预报的精度要求不断提高，传统的点预报方法越来越难以满足水资源管理的实际需求。在此背景下，概率区间预报方法逐渐引起水文学家的重视。概率区间预报方法不仅可以直观的给出洪水预报结果的变化范围，还可以给出目标向量落在预报区间上下界范围内的概率。为准确把握预报信息的不确定性特征，传统的概率区间预报方法有Bootstrap法、Bayesian法和GLUE法等。然而传统洪水概率区间预报方法大多需要复杂的数学计算及先验分布假设，且需要在确定性水文模型预报结果的基础上计算洪水的预报区间，不能直接给出洪水的概率预报区间，难以满足水电站安全经济运行以及水资源管理的实际需求。
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多目标随机向量函数连接网络的洪水区间预报方法，基于LUBE区间预报、双输出随机向量函数连接网络和NSGA-III算法的洪水区间预报方法，能够为水电站安全经济运行以及水资源管理提供决策依据。技术方案：本专利技术提供了一种基于多目标随机向量函数连接网络的洪水区间预报方法，包括以下步骤：步骤一：收集洪水时间序列数据，将数据分为训练样本和检验样本，并将数据归一化至[0,1]区间；步骤二：假设输入变量的个数为M，对目标向量作±10％的小扰动作为双输出RVFL区间预报模型的初始上边界和下边界，形成M输入和双输出的RVFL上下边界洪水区间预报模型；步骤三：将输入向量和目标向量输入所述RVFL上下边界洪水区间预报模型，并运行一次得所述RVFL上下边界洪水区间预报模型的初始权值β0和初始阈值a0；步骤四：初始化NSGA-III算法的参数；步骤五：将[β0-0.5，β0+0.5]和[a0-0.5，a0+0.5]设置为所述NSGA-III算法的可行域，在可行域中随机生成NP-1初始个体，NP-1初始个体加上(β0,a0)构成所述NSGA-III算法的初始种群；步骤六：采用所述NSGA-III算法优化所述RVFL上下边界洪水区间预报模型的输入权值和阈值，得到全局最优的Pareto最优解集；步骤七：将所述Pareto最优解集和所述检验样本代入所述RVFL上下边界洪水区间预报模型，得到检验期的区间预测结果，并计算检验期预报区间的PINC和PINAW指标。进一步地，在所述步骤二中，在所述RVFL上下边界洪水区间预报模型中，给定k个训练样本{(xk,yk)},k＝1,2,...,K，其中X＝[x1,x2,...,xK]T表示输入向量，xk＝[xk1,xk2,...,xkM]∈RM表示第k个输入训练样本，Y＝[y1,y2,...,yK]T表示输出向量，yk＝[yk1,yk2,...,ykN]∈RN表示第k个输出训练样本，j＝1,2,...,J表示第k个训练样本的第j个隐层神经元的输出，g(·)表示激励函数，j表示隐含层结点的个数，βj表示输入层和隐含层之间的权重，aj分别表示输入层和隐含层之间的阈值；则所述RVFL上下边界洪水区间预报模型第k个训练样本的输出计算如下：式中，wj,j＝1,2,...,J表示隐藏层和输出层之间的权重，wj,j＝J+1,J+2,...,J+M表示输入层和输出层之间的权重；输入层和隐含层到输出层的核映射矩阵表示为：(2)；所述RVFL上下边界洪水区间预报模型输出的矩阵形式表示为：式中，w＝[w1,w2,...,wJ,wJ+1,...,wJ+D]T；通过求解以下优化问题获得输出权重w：根据正则化最小二乘法可以得到式(4)的解：w＝(DTD+λI)-1DTY(5)；式中I表示单位矩阵；则第k个训练样本的输出表示为：优选地，在所述步骤四中，所述NSGA-III算法的参数包括：种群大小NP、最大迭代次数MaxIt、交叉概率pc、变异概率pm、交叉分布指数ηc和变异分布指数ηm。进一步地，在所述步骤四中，所述NSGA-III算法的具体流程如下：(1)计算参考点的个数H；(2)令迭代次数k＝1，随机生成NP个个体形成初始种群；(3)采用二进制交叉算子和和多项式变异算子进行重组和突变产生子代种群Qo；(4)将子代种群Qo与父代种群混合，生成一个大小为2NP的种群Rk；(5)采用非支配排序算法确定Rk的非支配前沿F1,F2,...,Ft；(6)对目标函数进行归一化并将其与参考点关联，采用精英保留策略筛选子代个体并删除无用的参考点，筛选排名靠前的前NP个体生成下一代种群Pk+1；(7)若k<Gmax，停止迭代并输出非支配解；否则令k＝k+1设置并返回步骤(3)。优选地，在步骤(1)中，所述参考点的个数H通过以下公式计算：(7)；式中C表示多目标优化问题目标函数的个数，g表示每个目标函数的分割段数。优选地，在所述步骤六中，所述RVFL上下边界洪水区间预报模型的目标函数设置如下：其中，PICP表示目标向量落在预报区间的上限和下限内的概率；PINAW表示预报区间的宽度。优选地，所述PICP的定义如下：式中，yi表示第i个数据点的观测值；Li和Ui分别表示第i个数据点的下限和上限；N表示训练样本的数量。优选地，所述PINAW的定义如下：式中R表示目标变量的范围，用于对预报区间宽度进行归一化处理。有益效果：本专利技术将原始上下边界估计(LUBE)区间预报法扩展至多目标理论框架下，采用双输出RVFL模型直接预报径流可能的取值区间，并采用NSGA-III算法对双输出RVFL模型的输出权值进行寻优，得到高质量的洪水预报区间，为水电站安全经济运行以及水资源管理提供决策依据。本专利技术针对确定性洪水预报方法只能给出目标变量在未来时刻的单点预报结果，不能评估预报结果的内在不确定性特征和并给出其波动范围，本专利技术提出了一种基于多目标随机向量函数连接网络(RVFL)的洪水区间预报方法，用于评估洪水预报结果的不确定性。为使预报区间平均宽度(PINAW)最小，同时使预报区间覆盖率(PICP)最大，采用双输出RVFL网络直接预报未来洪水可能取值的上边界和下边界，将目标变量的±10％的作为初始上边界和下边界，将RVFL运行一次得到的初始权值和阈值的±0.5设置为NSGA-III算法的可行域，采用NSGA-III算法调整RVFL网络的输入权值和阈值，得到最佳的多目标RVFL洪水区间预报模型，以期获得比传统的单目标区间预报模型和基于多目标ANN的洪水区间预报模型更加可靠和有效的洪水预报结果。将本专利技术所提的RVFL洪水区间预报方法应用于长江上游流域宜昌水文站的日洪水区间预报中，与现有技术相比，本专利技术具有以下优点和效果：1)单目标区间预测模型的预报效果在很大程度上依赖于惩罚系数和置信水平的选择。本专利技术所提多目标区间预报模型不需要预先设置惩罚系数和置信水平，并且可以一次性获得不同置信水平下的预报区间。2)与基于AN本文档来自技高网...

【技术保护点】
1.一种基于多目标随机向量函数连接网络的洪水区间预报方法，其特征在于，包括以下步骤：/n步骤一：收集洪水时间序列数据，将数据分为训练样本和检验样本，并将数据归一化至[0,1]区间；/n步骤二：假设输入变量的个数为M，对目标向量作±10％的小扰动作为双输出RVFL区间预报模型的初始上边界和下边界，形成M输入和双输出的RVFL上下边界洪水区间预报模型；/n步骤三：将输入向量和目标向量输入所述RVFL上下边界洪水区间预报模型，并运行一次得所述RVFL上下边界洪水区间预报模型的初始权值β

【技术特征摘要】
1.一种基于多目标随机向量函数连接网络的洪水区间预报方法，其特征在于，包括以下步骤：
步骤一：收集洪水时间序列数据，将数据分为训练样本和检验样本，并将数据归一化至[0,1]区间；
步骤二：假设输入变量的个数为M，对目标向量作±10％的小扰动作为双输出RVFL区间预报模型的初始上边界和下边界，形成M输入和双输出的RVFL上下边界洪水区间预报模型；
步骤三：将输入向量和目标向量输入所述RVFL上下边界洪水区间预报模型，并运行一次得所述RVFL上下边界洪水区间预报模型的初始权值β0和初始阈值a0；
步骤四：初始化NSGA-III算法的参数；
步骤五：将[β0-0.5，β0+0.5]和[a0-0.5，a0+0.5]设置为所述NSGA-III算法的可行域，在可行域中随机生成NP-1初始个体，NP-1初始个体加上(β0,a0)构成所述NSGA-III算法的初始种群；
步骤六：采用所述NSGA-III算法优化所述RVFL上下边界洪水区间预报模型的输入权值和阈值，得到全局最优的Pareto最优解集；
步骤七：将所述Pareto最优解集和所述检验样本代入所述RVFL上下边界洪水区间预报模型，得到检验期的区间预测结果，并计算检验期预报区间的PINC和PINAW指标。


2.根据权利要求1所述的基于多目标随机向量函数连接网络的洪水区间预报方法，其特征在于，在所述步骤二中，在所述RVFL上下边界洪水区间预报模型中，给定k个训练样本{(xk,yk)},k＝1,2,...,K，其中X＝[x1,x2,...,xK]T表示输入向量，xk＝[xk1,xk2,...,xkM]∈RM表示第k个输入训练样本，Y＝[y1,y2,...,yK]T表示输出向量，yk＝[yk1,yk2,...,ykN]∈RN表示第k个输出训练样本，j＝1,2,...,J表示第k个训练样本的第j个隐层神经元的输出，g(·)表示激励函数，j表示隐含层结点的个数，βj表示输入层和隐含层之间的权重，aj分别表示输入层和隐含层之间的阈值；
则所述RVFL上下边界洪水区间预报模型第k个训练样本的输出计算如下：



式中，wj,j＝1,2,...,J表示隐藏层和输出层之间的权重，wj,j＝J+1,J+2,...,J+M表示输入层和输出层之间的权重；
输入层和隐含层到输出层的核映射矩阵表示为：



所述RVFL上下边界洪水区间预报模型输出的矩阵形式表示为：



式中，w＝[w1,w2,...,wJ,wJ+1,...,wJ+D]T。
通过求解以下优化问题获得输出权重w：

【专利技术属性】
技术研发人员：彭甜，张楚，赵环宇，夏鑫，纪捷，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：江苏;32