基于VMD分解和IHHO优化LSTM的径流预测方法及系统技术方案

本发明专利技术公开了一种基于VMD分解和IHHO优化LSTM的径流预测方法及系统，首先，选取水文站点的历史径流数据作为实验数据并对数据进行预处理和归一化；然后将处理好的数据用变分模态分解分解为多个拥有不同频率的子模态；再对哈里斯鹰算法使用混沌初始化和爬山算法进行优化，并使用优化后的哈里斯鹰算法对长短期记忆网络的隐含层节点个数和学习率两个参数寻优；接着将所得最优参数赋给LSTM并对每个子模态进行训练，建立IHHO

【技术实现步骤摘要】
基于VMD分解和IHHO优化LSTM的径流预测方法及系统


[0001]本专利技术属于径流预测领域，具体涉及一种基于VMD分解和IHHO优化LSTM的径流预测方法及系统。

技术介绍

[0002]近年来，水文系统在全球气候变化和人类活动的影响下变化更加复杂，中长期径流预报在水文预报中也愈发重要，预报精度的提高可以给防洪预测，农业灌溉，水电站运行等领域起到有效的参考作用。因此，在天气和地域等因素的影响下如何提高中长期径流预报精度也变得尤为重要。
[0003]当前使用的径流预测方法主要为人工神经网络，但其在训练中容易陷入过拟合或学习不足的状况，深度学习的发展为径流预测提供了新的方法例如循环神经网络RNN，RNN可以有效的利用过去输入信息，但是其隐含层的输入对输出的影响会随着迭代逐渐降低，容易陷入梯度消失。长短期记忆网络LSTM可以有效利用间隔较长的信息，解决了RNN不能长期有效依赖的问题。本专利技术使用LSTM模型并对其进行优化和改进提高了它的预测精度。

技术实现思路

[0004]专利技术目的：针对现有技术存在的问题，本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于VMD分解和IHHO优化LSTM的径流预测方法，其特征在于，包括以下步骤：(1)获取水文站点的历史径流数据，对数据进行预处理和归一化，获得径流序列x(t)；(2)对处理好的数据进行变分模态分解，得到一组子模态；(3)对哈里斯鹰算法HHO进行优化，并使用优化过的哈里斯鹰算法对长短期记忆网络LSTM的隐含层节点个数，学习率进行寻优，并将所得最优参数赋给LSTM对每个子模态进行训练，建立IHHO
‑
LSTM预测子模型；(4)对各个子模态分别进行测试得到预测值，将所得子模态的预测值聚合和反归一化得到VMD
‑
IHHO
‑
LSTM的最终预测值并进行误差分析，利用误差指标进行性能评价。2.根据权利要求1所述的基于VMD分解和IHHO优化LSTM的径流预测方法，其特征在于，步骤(1)所述数据预处理包括数据清洗和缺失值的填补。3.根据权利要求1所述的基于VMD分解和IHHO优化LSTM的径流预测方法，其特征在于，所述步骤(2)包括以下步骤：(21)将历史径流序列x(t)分解为q个IMF，且每个模态都为具有有限带宽的模态且所有模态的带宽和最小，则带约束条件的变分表达式为：模态的带宽和最小，则带约束条件的变分表达式为：其中，u
q
(t)，ω
q
(t)分别为分解后第q个模态和其对应的中心频率，δ(t)为狄拉克函数，j是复数的意思，是对t的偏导数；(22)引入拉格朗日乘法算子λ和二次惩罚因子α，将约束问题转变为非约束问题，扩展的拉格朗日表达式为：其中，α是二次惩罚因子可以降低高斯干扰的噪声，保证信号的精度，λ是拉格朗日乘法算子；(23)初始化迭代次数n＝0，初始化更新更新过程为：将进行傅里叶变换，将转变到频域，分别为转变到频域，分别为
其中，表示第q个子模态经过n次迭代后得到的值，λ
n+1
(ω)表示经过n次迭代后拉格朗日乘子的值，表示第q个子模态所对应的中心频率经过n次迭代后得到的值，是x(ω)的傅里叶变换，γ是拉格朗日乘子的更新步长参数；(24)当满足迭代条件时，停止迭代，迭代条件为：其中，ε＞0为精度收敛判定条件，是预先设定的，为原始输入信号x的傅里叶变换；为的傅里叶变换。4.根据权利要求1所述的基于VMD分解和IHHO优化LSTM的径流预测方法，其特征在于，所述步骤(3)包括以下步骤：(31)建立LSTM神经网络，将LSTM网络待优化的参数作为种群的维度大小d，其中待优化参数为隐含层节点个数nunHiddenUnit和学习率InitialLearnRate，维度大小为2，第一维是隐含层节点个数，第二维是学习率，其中隐含层节点个数和学习率都为正数，隐含层节点个数为整数；(32)设置哈里斯鹰种群为N并用混沌算法初始化哈里斯鹰种群，迭代次数T，解空间的上下限[lb,ub]，其中混沌初始化采用Circle映射；(33)计算哈里斯鹰种群每个个体的适应度值，并找出种群中适应度值最优的个体作为猎物x
r
，初始化初始逃逸能量E0；(34)计算猎物逃逸能量E，用变量E来表现猎物的运动状态和哈里斯鹰的执行状态，其中逃逸能量E的表达公式为：其中，E0是初始逃逸能，t是迭代次数；(35)当|E|≥1时进入探索阶段，哈里斯鹰更新种群的位置如下：当q≥0.5时，哈里斯鹰会随机选择一颗树作为栖息位置，更新公式为：X(t+1)＝X
d
(t)
‑
r1|X
d
(t)
‑
2r2X(t)|当q＜0.5时，哈里斯鹰根据其他家庭成员的位置和猎物的位置来更新自己的栖息位置，更新公式为：
X(t+1)＝[X
r
(t)
‑
X
m
(t)]
‑
r3[lb+r4(ub
‑
lb)]其中，X(t+1)是下一次哈里斯鹰所处的位置，X(t)是当前哈里斯鹰的位置，X
d
(t)是随机选取的位置，X
r
(t)是猎物的位置，X
m
(t)是种群的平均位置，t是迭代次数，r1,r2,r3,r4是区间[0，1]中的随机数；(36)当|E|＜1时进入开发阶段，哈里斯鹰更新种群位置如下：当0.5≤|E|且r≥0.5时，哈里斯鹰通过软包围猎取猎物，位置...

【专利技术属性】
技术研发人员：孙伟，彭甜，张楚，孙娜，王业琴，纪捷，花磊，马慧心，陆凡，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：