基于小波分解的降雨预测方法及系统技术方案

本发明专利技术公开了基于小波分解的降雨预测方法及系统，包括：获取若干个历史降雨量时间序列和当前正进行的降雨量时间序列；从若干个历史降雨量时间序列中，筛选出与当前正进行的降雨量时间序列相关度大于设定阈值的若干个历史降雨量时间序列；对相关度大于设定阈值的若干个历史降雨量时间序列和当前正进行的降雨量时间序列，均进行分解，分别得到低频分量和高频分量；对低频分量构建VAR模型进行预测，得到低频分量预测量；对高频分量构建NAR神经网络进行预测，得到高频分量预测量；对低频分量预测量和高频分量预测量进行重构，得到降雨量的预测量。的预测量。的预测量。

【技术实现步骤摘要】
基于小波分解的降雨预测方法及系统


[0001]本申请涉及降雨预测
，特别是涉及基于小波分解的降雨预测方法 及系统。

技术介绍

[0002]本部分的陈述仅仅是提到了与本申请相关的
技术介绍
，并不必然构成现有 技术。
[0003]洪涝是我国最为频发的自然灾害之一，对降雨量数据准确预测能为防洪工作 提供科学的决策建议，进而改善居民生活质量，促进区域政治与经济的发展。
[0004]国内外学者对降雨预测进行了相关研究：陈晓平等以浙江省2016年1-10月 的雷达回波强度数据为例预测降雨量，分别构建随机森林模型、BP神经网络模 型及卷积神经网络模型对降雨量进行预测，预测值与真实值接近，且对较大降 雨强度拟合较好。周芸等提出了一种基于属性重要度的k近邻算法，对南京地 面观测站点2015-2018年6-8月降雨量进行预测，有效降低了降水预测的标准误 差与漏报率。但以上研究主要是针对日或月降雨数据进行预测，而正进行降雨 数据因实时测量数据较少且多为非平稳数据，其相关研究较少。

技术实现思路

[0005]为了解决现有技术的不足，本申请提供了基于小波分解的降雨预测方法及系 统；能根据同流域历史降雨数据与正进行降雨的实时数据，对正进行降雨进行 雨量预测。
[0006]第一方面，本申请提供了基于小波分解的降雨预测方法；
[0007]基于小波分解的降雨预测方法，包括：
[0008]获取若干个历史降雨量时间序列和当前正进行的降雨量时间序列；
[0009]从若干个历史降雨量时间序列中，筛选出与当前正进行的降雨量时间序列 相关度大于设定阈值的若干个历史降雨量时间序列；
[0010]对相关度大于设定阈值的若干个历史降雨量时间序列和当前正进行的降雨 量时间序列，均进行分解，分别得到低频分量和高频分量；
[0011]对低频分量构建VAR模型进行预测，得到低频分量预测量；对高频分量构 建NAR神经网络进行预测，得到高频分量预测量；
[0012]对低频分量预测量和高频分量预测量进行重构，得到降雨量的预测量。
[0013]第二方面，本申请提供了基于小波分解的降雨预测系统；
[0014]基于小波分解的降雨预测系统，包括：
[0015]获取模块，其被配置为：获取若干个历史降雨量时间序列和当前正进行的 降雨量时间序列；
[0016]筛选模块，其被配置为：从若干个历史降雨量时间序列中，筛选出与当前 正进行的降雨量时间序列相关度大于设定阈值的若干个历史降雨量时间序列；
[0017]分解模块，其被配置为：对相关度大于设定阈值的若干个历史降雨量时间 序列和
当前正进行的降雨量时间序列，均进行分解，分别得到低频分量(d1-d5) 和高频分量(a5)；
[0018]预测模块，其被配置为：对低频分量构建VAR模型进行预测，得到低频分 量预测量；对高频分量构建NAR神经网络进行预测，得到高频分量预测量；
[0019]输出模块，其被配置为：对低频分量预测量和高频分量预测量进行重构， 得到降雨量的预测量。
[0020]第三方面，本申请还提供了一种电子设备，包括：一个或多个处理器、一 个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接， 上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器 执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面 所述的方法。
[0021]第四方面，本申请还提供了一种计算机可读存储介质，用于存储计算机指 令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
[0022]第五方面，本申请还提供了一种计算机程序(产品)，包括计算机程序，所 述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意 一项的方法。
[0023]与现有技术相比，本申请的有益效果是：
[0024]1.本专利技术采用基于小波分解的降雨预测模型对正进行降雨预测，相比于之前 的研究准确性更高。
[0025]2.本专利技术可以快捷准确地完成降雨量预测任务，且流域通用性较广，对流域 的选择没有严格要求，可适用于其他流域数据。
[0026]3.本专利技术推广性较强，若能满足一定的时间步长，还能对日降雨数据、周 降雨数据、月降雨数据等进行预测。
[0027]4.本专利技术在降雨预测
中首次将小波分解、灰色关联分析、VAR模 型、NAR神经网络等方法综合起来，建立了基于小波分解的VAR-NAR降雨预 测模型，可对正进行降雨进行快速且准确地预测。
附图说明
[0028]构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申 请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
[0029]图1：VAR模型计算流程图。
[0030]图2：NAR神经网络计算流程图。
[0031]图3：降雨预测模型整体流程图。
[0032]图4(a)-图4(f)：案例1各频率降雨量分解图。
[0033]图5(a)-图5(e)：案例1VAR模型预测结果图。
[0034]图6：案例1NAR神经网络预测结果图。
[0035]图7：案例1最终雨量预测值结果图。
[0036]图8(a)-图8(f)：案例2各频率降雨量分解图。
[0037]图9(a)-图9(e)：案例2VAR模型预测结果图。
[0038]图10：案例2NAR神经网络预测结果图。
[0039]图11：案例2最终雨量预测值结果图。
具体实施方式
[0040]应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。 除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的 普通技术人员通常理解的相同含义。
[0041]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图 限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确 指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括
”ꢀ
和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系 列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步 骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备 固有的其它步骤或单元。
[0042]在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0043]实施例一
[0044]本实施例提供了基于小波分解的降雨预测方法；
[0045]基于小波分解的降雨预测方法，包括：
[0046]S101：获取若干个历史降雨量时间序列和当前正进行的降雨量时间序列；
[0047]S102：从若干个历史降雨量时间序列中，筛选出与当前正进行的降雨量时 间序列相关度大于设定阈值的若干个历史降雨量时间序列；
[0048]S103：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于小波分解的降雨预测方法，其特征是，包括：获取若干个历史降雨量时间序列和当前正进行的降雨量时间序列；从若干个历史降雨量时间序列中，筛选出与当前正进行的降雨量时间序列相关度大于设定阈值的若干个历史降雨量时间序列；对相关度大于设定阈值的若干个历史降雨量时间序列和当前正进行的降雨量时间序列，均进行分解，分别得到低频分量和高频分量；对低频分量构建VAR模型进行预测，得到低频分量预测量；对高频分量构建NAR神经网络进行预测，得到高频分量预测量；对低频分量预测量和高频分量预测量进行重构，得到降雨量的预测量。2.如权利要求1所述的方法，其特征是，所述获取若干个历史降雨量时间序列和当前正进行的降雨量时间序列步骤之后，所述从若干个历史降雨量时间序列中，筛选出与当前正进行的降雨量时间序列相关度大于设定阈值的若干个历史降雨量时间序列步骤之前还包括：对获取的所有时间序列进行数据清洗剔除异常数据；对数据清洗后的数据进行数据填补；对数据填补后的数据进行数据插值处理。3.如权利要求2所述的方法，其特征是，对获取的所有时间序列进行数据清洗剔除异常数据；是采用拉依达准则，对获取的所有时间序列进行数据清洗剔除异常数据；对数据清洗后的数据进行数据填补；是采用加权平均法对数据清洗后的数据进行数据填补；对数据填补后的数据进行数据插值处理；具体是采用三次方样条数据插值方法进行插值处理。4.如权利要求1所述的方法，其特征是，从若干个历史降雨量时间序列中，筛选出与当前正进行的降雨量时间序列相关度大于设定阈值的若干个历史降雨量时间序列；具体包括：采用灰色关联分析，从若干个历史降雨量时间序列中，筛选出与当前正进行的降雨量时间序列相关度大于设定阈值的若干个历史降雨量时间序列。5.如权利要求1所述的方法，其特征是，对相关度大于设定阈值的若干个历史降雨量时间序列和当前正进行的降雨量时间序列，均进行分解，分别得到高频分量和低频分量；具体步骤包括：采用小波分解，对相关度大于设定阈值的若干个历史降雨量时间序列均进行分解，得到每个历史降雨量时间序列对应的高频分量和低频分量；采用小波分解，对当前正进行的降雨量时间序列进行分解，得到高频分量和低频分量。6.如权利要求1所述的方法，其特征是，对低频分量构建VAR模型进行预测，得到低频分量预测量；具体步骤包括：对若干个相关度大于设定阈值的历史降雨量时间序列，进行单位根检验，筛选出若干个平稳的历史降雨量时间序列；根据...

【专利技术属性】
技术研发人员：赵然杭，甘甜，张瑜轩，王好芳，逄晓腾，刘子莹，李智，齐真，周璐，张晴晴，李华兴，蒋殿顺，刘珺，
申请(专利权)人：山东大学，
类型：发明
国别省市：