基于WOA-LSTM-MC的水文时间序列预测优化方法技术

本发明专利技术公开一种基于WOA‑LSTM‑MC的水文时间序列预测优化方法，包括使用优化后的鲸鱼优化算法对预测模型的部分参数进行参数寻优；选取待预测水文站的流量数据作为实验数据；将数据集划分为训练集和测试集，进行训练和预测；利用马尔可夫链MC进行矫正,从而得到最终的水文预测结果，即更为准确的预测值；建立混合WOA‑LSTM‑MC模型。本发明专利技术可以更快、更准确地找到预测模型所需要的最优参数，既能保证算法全局搜索能力及局部探索能力，收敛速度很快；预测结果精准。

【技术实现步骤摘要】
基于WOA-LSTM-MC的水文时间序列预测优化方法
本专利技术属于水文预测技术，具体涉及一种基于WOA-LSTM-MC的水文时间序列预测优化方法。
技术介绍
随着当今计算机和软件技术的发展，其应用领域越来越大，时间序列的海量数据更是随处可见，一方面，这些数据中有一部分有价值的情报可以供我们研究，因此，海量时间序列数据挖掘技术孕育而生，通过数据自身的规律和发展趋势我们可以对未来数据的状态进行推演，因此对于时间序列的分析和预测至关重要。水文数据是水文过程的离散记录，蒸发量、降雨量、水位等都是标准的时间序列。水文数据具有数据量大、更新速度快、种类复杂等特点，与此同时还与季节、地貌、水文规律等许多条件有关系。如何对水文数据进行有效的分析和利用，从而用于水文、洪水预报中，成为人们关注的重点问题。而传统的水文时间序列预测是基于水文环境建立物理模型再加上人工经验进行的，如果能够从长时间序列中挖掘出特定的规律，利用流域的水位流量进行预测，有助于预防洪涝灾害。目前。居于水文时间序列预测方面效果显著，但是仍然存在一些为问题，比如对于小样本本文档来自技高网...

【技术保护点】
1.一种基于WOA-LSTM-MC的水文时间序列预测优化方法，其特征在于：包括以下步骤：/n步骤S1、对鲸鱼优化算法WOA进行优化，在模型中使用优化后的鲸鱼优化算法对预测模型的批量大小batch_size，模型迭代次数epochs和长短期记忆网络LSTM的隐含层节点数hidden_size进行参数寻优；/n步骤S2、选取待预测水文站的流量数据作为实验数据；将数据集划分为训练集和测试集，使用步骤S1所得模型的最优参数和训练集对模型进行训练，然后使用测试集测试模型的预测结果；/n步骤S3、步骤S2对测试集进行预测之后，得到一组真实值和预测值，将两者相减得到预测结果的残差序列；利用马尔可夫链MC对该...

【技术特征摘要】
1.一种基于WOA-LSTM-MC的水文时间序列预测优化方法，其特征在于：包括以下步骤：
步骤S1、对鲸鱼优化算法WOA进行优化，在模型中使用优化后的鲸鱼优化算法对预测模型的批量大小batch_size，模型迭代次数epochs和长短期记忆网络LSTM的隐含层节点数hidden_size进行参数寻优；
步骤S2、选取待预测水文站的流量数据作为实验数据；将数据集划分为训练集和测试集，使用步骤S1所得模型的最优参数和训练集对模型进行训练，然后使用测试集测试模型的预测结果；
步骤S3、步骤S2对测试集进行预测之后，得到一组真实值和预测值，将两者相减得到预测结果的残差序列；利用马尔可夫链MC对该残差序列进行预测，得到一个状态转移矩阵，最后用残差的预测结果与步骤S2的预测结果相加，从而得到最终的水文预测结果，即更为准确的预测值；建立混合WOA-LSTM-MC模型。


2.根据权利要求1所述的基于WOA-LSTM-MC的水文时间序列预测优化方法，其特征在于：所述步骤S1中对批量大小batch_size，模型迭代次数epochs和长短期记忆网络LSTM的隐含层节点数hidden_size进行参数寻优之后，得到上述参数的最优解，通过该最优解来预测待预测水文站的流量数据；
其中，使用新非线性收敛方法和随即搜索策略优化鲸鱼算法WOA的具体步骤为：
步骤S1.1、初始化参数
设种群数量N、最大迭代次数Tmax、当前迭代次数t＝0，使用混沌初始化策略随机产生座头鲸种群位置，其数学模型如下：
z(t+1)＝1-m(cos(ncos-1z(t)))2,z(t)∈[-1,1]
其中，m和n是控制变量，t是当前迭代次数，z(t)为当前迭代次数产生的一个随机数，并且符合高斯分布；座头鲸个体向当前最优解移动并更新其位置，这种行为一般抽象为下列数学模型：步骤S1.2、计算每个个体的适应度值，记录当前最优的适应度值和其对应的位置向量，并且选择最有个体，其中适应度值设为平均绝对误差，即预测值与真实值间绝对差值的平均值，其计算公式为：



其中，y(i)为真实值，yp(i)为水文模型预测值；
步骤S1.3、使用新型非线性递减策略计算并更新每个个体的收敛因子a，a是一个从2到0线性递减的参数；新型非线性递减策略的其数学公式如下：



该式中，π是圆周率，t是当前迭代的次数，Tmax是最大迭代次数；
步骤S1.4、如果|A|≥1，种群个体随机选择鲸鱼个体作为参照更新位置，这种方法可以增强算法的全局搜索能力，按下式更新下一代的位置：
X(t+1)＝Xrand(t)-A·|C·Xrand(t)-X(t)|
式子中，Xrand(t)是从当前种群中随机选择的鲸鱼个体。
步骤S1.5、如果|A|＜1，按下式更新下一代的位置：
X(t+1)＝X*(t)-A·|C·X*(t)-X(t)|
A＝2a·r-a

【专利技术属性】
技术研发人员：窦钰博，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