基于GA-PSO优化XGBoost的水文时间序列预测方法技术

本发明专利技术公开一种基于GA‑PSO优化XGBoost的水文时间序列预测方法，采集对应水文站的雨量值及对应水文站的流量，组织成水文时间序列数据集；对数据进行预处理，将样本数据集划分为训练集和测试集；采用改进的GA‑PSO组合优化算法对XGBoost的学习率lr、基学习器个数n_estimators、最小叶子权重min_weights、最大树深max_depth等各项超参进行优化，同时利用样本数据集对XGBoost模型进行训练，最终得到GA‑PSO优化的XGBoost水文时间序列预测模型；对所述GA‑PSO优化的XGBoost水文预测模型进行测试。本发明专利技术采用GA‑PSO对XGBoost模型的参数进行优化，利用最优参数得到的模型进行水文预测，准确度更高。

【技术实现步骤摘要】
基于GA-PSO优化XGBoost的水文时间序列预测方法
本专利技术属于水文预测技术，具体涉及一种基于GA-PSO优化XGBoost的水文时间序列预测方法。
技术介绍
目前，我国水文行业从传统水文向现代水文迈进，自动水文站观测技术快速推广，从人工手动记录水文数据资料记录到当前自动站每几分钟甚至每秒钟一次的数据记录，水文数据资料覆盖愈加全面。这些水文数据拥有数量大、类别杂、时空性、更新快等特点，同时，它们受到季节气候、地貌特征、水文规律等诸多条件影响，隐藏了很多有价值的规律和信息。如何对它们进行有力的分析，从中得到有用的信息从而服务于水文预报、洪水检测等成为人们关注的焦点。传统水文行业普遍根据水文环境和过程建立物理模型再加以人工经验进行预测。从信息的角度出发，若能从流域拥有的长足时间序列历史资料中挖掘出特定的模式规律，利用近似趋势对流域未来的水位流量进行有效预测，有助于预防洪涝灾害，因此水文时间序列的预测重要性不言而喻。近年来，不少学者将机器学习的方法应用于水文时间序列预测中，如：LSTM神经网络、支持向量机、BP神经网络等，上述方法也都本文档来自技高网...

【技术保护点】
1.一种基于GA-PSO优化XGBoost的水文时间序列预测方法，其特征在于：包括以下步骤：/n步骤S1、采集一水系流域对应的各雨量站一定时间段内的雨量值及对应水位站的水位，组织成水文时间序列数据集；/n步骤S2、对步骤S1水文时间序列数据集中各水文样本数据进行预处理，将样本数据集划分为水文训练数据集L和水文测试数据集T；/n步骤S3、采用改进的GA-PSO组合优化算法对XGBoost模型的学习率lr、基学习器个数n_estimators、最小叶子权重min_weights和最大树深max_depth进行优化，同时利用水文训练数据集L对XGBoost模型进行训练，最终得到GA-PSO优化的XG...

【技术特征摘要】
1.一种基于GA-PSO优化XGBoost的水文时间序列预测方法，其特征在于：包括以下步骤：
步骤S1、采集一水系流域对应的各雨量站一定时间段内的雨量值及对应水位站的水位，组织成水文时间序列数据集；
步骤S2、对步骤S1水文时间序列数据集中各水文样本数据进行预处理，将样本数据集划分为水文训练数据集L和水文测试数据集T；
步骤S3、采用改进的GA-PSO组合优化算法对XGBoost模型的学习率lr、基学习器个数n_estimators、最小叶子权重min_weights和最大树深max_depth进行优化，同时利用水文训练数据集L对XGBoost模型进行训练，最终得到GA-PSO优化的XGBoost水文时间序列预测模型；具体内容为：
步骤S3.1、初始化XGBoost模型的学习率lr、基学习器个数n_estimators、最小叶子权重min_weights、最大树深max_depth参数的取值范围，设置GA-PSO整体优化算法的迭代次数为T*；
步骤S3.2、随机产生N个子群，每个子群中粒子的染色体就相当于一组XGBoost参数(lr,n_estimators,min_weights,max_depth)；
步骤S3.3、采用R2作为个体适应度值，初始化步骤S3.2中N个子群中所有粒子的个体适应度值；
步骤S3.4、对这N个子群都进行一次经典GA优化，最终得到N个最优粒子，GA优化的具体方法为：每个子群包含m个个体，每个子群的迭代次数都设置为T1，对编码后的m个个体进行选择、交叉和变异操作来进一步更新种群；
步骤S3.5、再对变异之后的各粒子计算其适应度值，根据适应度值的大小来更新代表当前迭代次数的最优个体；
步骤S3.6、返回步骤S3.4继续完成对子群的GA优化，直至达到迭代次数上限T1满足终止条件，然后每个子群均有T1个历史最优粒子，将这些粒子的适应度进行比较，适应度值最高的粒子作为该子群的最优个体，最终会得到N个来自N个子群的最优个体；
步骤S3.7、将步骤S3.6得到的N个最优个体进行解码，作为PSO算法的初始粒子群，进行改进后的PSO优化，PSO算法的迭代次数设置为T2；
步骤S3.8、初始化PSO算法初始粒子的初始速度，仍然采用R2作为适应度值的计算公式，利用改进后的公式来更新每个粒子的速度和位置，从而更新历史最优位置，记为pbest，群体的全局最优位置gbest；
步骤S3.9、判断当前迭代次数是否≤T2，如果满足则返回步骤S3.8继续进行当前PSO优化，否则跳转至步骤S3.10；
步骤S3...

【专利技术属性】
技术研发人员：马露，万定生，余宇峰，杨志勇，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32