【技术实现步骤摘要】
一种两阶段分解集成的水文序列预测方法
本专利技术涉及水文预测
，特别是涉及一种两阶段分解集成的水文序列预测方法。
技术介绍
采用信号处理技术将具有高度不规则性、复杂非线性和多尺度变异性特征的水文序列进行分解，用不同尺度的子序列进行表达，能够挖掘隐含于水文序列中的信息。以这些特征为样本基础，建立基于机器学习算法的水文序列预测模型，能够提高水文序列的预测精度，相较于物理预报模型，更易于实现。目前对水文序列的处理方法通常是先分解，然后将分解数据划分为训练集和验证集，构建机器学习模型。由于先进行数据分解，后进行数据划分，会导致模型在训练阶段使用验证集的信息，这样会使模型的预测精度高于不使用验证集信息的模型，然而在实践中，验证集信息属于未来信息，无法提前获得。此外，传统的做法是针对每个分解特征构建模型进行预测，然后将所有特征的预测结果求和，获取原始水文序列的预测值，这个过程中建模需要的计算量较大，建模时间也较长，并且各个分解序列的预测误差累积，导致模型预测精度低。
技术实现思路
本专利技术实施例提供了...
【技术保护点】
1.一种两阶段分解集成的水文序列预测方法，其特征在于，包括以下步骤：/n数据拆分：按照一定的比例将原始水文序列拆分为训练集和验证集；/n训练集分解：采用变分模态分解法对训练集进行分解，得到对应的子序列；/n验证集循环分解：将验证集中的第一条样本移动至训练集的末尾形成附加集，然后采用变分模态分解法对附加集进行循环分解，直到所有的验证集样本被逐条附加至训练集尾部并完成分解，得到对应的子序列；/n学习样本生成：计算训练集分解得到的子序列的偏自相关系数，选择子序列中偏自相关系数大于0.5的滞后时段作为预测因子，将原始水文序列作为预测目标，预测因子和预测目标组成训练样本；对于附加集分...
【技术特征摘要】 【专利技术属性】
1.一种两阶段分解集成的水文序列预测方法，其特征在于，包括以下步骤：
数据拆分：按照一定的比例将原始水文序列拆分为训练集和验证集；
训练集分解：采用变分模态分解法对训练集进行分解，得到对应的子序列；
验证集循环分解：将验证集中的第一条样本移动至训练集的末尾形成附加集，然后采用变分模态分解法对附加集进行循环分解，直到所有的验证集样本被逐条附加至训练集尾部并完成分解，得到对应的子序列；
学习样本生成：计算训练集分解得到的子序列的偏自相关系数，选择子序列中偏自相关系数大于0.5的滞后时段作为预测因子，将原始水文序列作为预测目标，预测因子和预测目标组成训练样本；对于附加集分解得到的子序列，选择与训练集相应子序列相同的滞后时段作为预测因子，将原始水文序列作为预测目标，预测因子和预测目标组成附加样本，取附加样本中最后一条样本作为验证样本，再将验证样本拆分为开发样本和测试样本；
训练长短期记忆神经网络：将训练样本和开发样本输入到长短期记忆神经网络中，采用随机搜索对长短期记忆神经网络中的超参数进行调优，确定最优模型超参数，采用最优模型超参数的模型即为最优长短期神经记忆网络模型；
水文序列预测：将当前实测值附加至历史数据集，替换数据拆分步骤中的原始水文序列，并依次进行数据拆分、验证集循环分解、附加样本生成和拆分，得到对应的测试样本，将测试样本的预测因子输入最优长短期神经记忆网络模型，得到下一时段的水文序列预测值。
2.如权利要求1所述的一种两阶段分解集成的水文序列预测方法，其特征在于，在训练长短期记忆神经网络之前，还对生成的训练样本、开发样本和测试样本进行归一化处理。
技术研发人员：罗军刚，左岗岗，汪妮，何欣欣，连亚妮，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61
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。