一种水文多模型时变权重组合预报方法技术

本发明专利技术公开了一种水文多模型时变权重组合预报方法，步骤如下：确定参与组合预报的多个水文模型，并获取目标流域各历史洪水场次中各水文气象数据；利用贝叶斯模型平均算法计算各历史洪水中各时刻单个水文模型的权重值；筛选出与当前洪水最为相似的各优选洪水样本；利用KNN方法选择与当前洪水匹配度最高的k个洪水样本，通过反距离加权的思想得到各个水文模型的预报权重值，结合各个水文模型在预报时刻的洪水流量预报值进行加权求和得到目标流域的融合洪水流量预报值，实现对目标流域洪水流量的预报。本发明专利技术通过贝叶斯理论将多个水文模型融合预报，借助KNN学习算法实现时变权重的更新组合，提高洪水预报值的精度，为防洪决策提供依据。提供依据。提供依据。

【技术实现步骤摘要】
一种水文多模型时变权重组合预报方法


[0001]本专利技术属于水文
，具体涉及一种水文多模型时变权重组合预报方法。

技术介绍

[0002]中长期径流预报对防汛抗旱、水资源管理以及水利工程的调度运行具有重要意义，而降水、下垫面条件、水利工程建设以及气候环境等多重影响因素的耦合作用增大了中长期预报的不确定性，因此如何提高中长期径流预报的精度是水文领域的重难点之一。
[0003]当今大数据时代，数据挖掘技术引起了广大学者的关注。KNN(K
‑
Nearest Neighbor)邻近算法作为经典的数据分类方法，可以有效组织和管理大量文本数据，目前在天气预报、智能学习等多个领域得到广泛应用。KNN方法思路简单，逻辑清晰，易于理解和实现，且不需要估计参数，但是不足之处在于分类过程中需要计算每个样本的欧式距离，计算量巨大而耗费大量的时间，导致效率低下。
[0004]组合预报中不同的权重组合得到的预报结果精度也不相同，与仅使用一组权重值预报的结果相比，在洪水过程中分段选取多组权重值进行预报的结果精度要好得多。目前基于临近时段预报误差确定模型权重的时变组合已被提出应用，但该方法仅考虑了当前场次洪水的部分实测数据，历史发生的多场洪水数据没有任何参考价值，因此预报结果具有片面性，精度较差，且该方法随着预见期的延长，实时预报精度逐渐下降，对于研究范围较大、洪水预见期较长的流域而言，其预报的精度往往达不到要求。

技术实现思路

[0005]本专利技术为了解决中长期径流预报中对历史大数据应用性差、预报精度低的问题，提供一种水文多模型时变权重组合预报方法，充分考虑所有历史场次洪水过程资料，实现多个水文模型时变加权组合预报，提高预报精度。
[0006]本专利技术具体采用以下技术方案解决上述技术问题：
[0007]一种水文多模型时变权重组合预报方法，针对目标流域，执行以下步骤，实现对目标流域洪水流量的预报：
[0008]步骤A：获取目标流域各历史洪水场次中各预设时刻洪水样本的下垫面数据、降雨数据、气象数据、洪水流量实测值；
[0009]分别针对目标流域各历史洪水场次，预设各个水文模型分别遍历该历史洪水场次中各预设时刻洪水样本，得到该历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的洪水流量预报值；
[0010]步骤B：基于目标流域各历史洪水场次中各预设时刻洪水样本的洪水流量实测值，以及各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的洪水流量预报值，采用贝叶斯模型平均算法得到目标流域各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的历史权重值；
[0011]步骤C：基于目标流域各历史洪水场次中各预设时刻洪水样本的下垫面数据、降雨
数据、气象数据，针对目标流域洪水在当前时刻的下垫面数据、降雨数据、气象数据，从目标流域各历史洪水场次中各预设时刻洪水样本中筛选出分别满足下垫面数据预设条件、降雨数据预设条件、气象数据预设条件的各初步洪水样本；并通过各个水文模型对当前洪水时刻的洪水流量预报值设置阈值进一步筛选各初步洪水样本得到各优选洪水样本；
[0012]步骤D：利用KNN方法从步骤C中筛选得到的各优选洪水样本中选择与当前洪水匹配度最高的预设k个洪水样本；基于各预设k个洪水样本的预报时刻洪水样本的历史权重值，结合反距离加权的思想，分别得到各个水文模型在当前洪水时刻对预报时刻的预报权重值，进而对各水文模型的预报权重值与各个水文模型在当前时刻对预报时刻的洪水流量预报值进行加权求和得到目标流域的融合洪水流量预报值，实现对目标流域洪水流量的预报。
[0013]作为本专利技术的一种优选技术方案，所述步骤B中基于目标流域各历史洪水场次中各预设时刻洪水样本的洪水流量实测值，以及各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的洪水流量预报值，分别针对目标流域各历史洪水场次，各个水文模型分别执行以下步骤，得到目标流域各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的权重值：采用贝叶斯模型平均算法得到目标流域各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的历史权重值；
[0014]步骤B1，基于该历史洪水场次中各预设时刻洪水样本的洪水流量实测值Q
re
，以及该历史洪水场次中各预设时刻洪水样本对应该水文模型的洪水流量预报值Q
si
，通过Box
‑
Cox变换对该历史洪水场次中的各洪水流量实测值和该水文模型对应的各洪水流量预报值分别进行正态变换，得到洪水流量实测值的正态变换值Q
re，λ
，以及洪水流量预报值的正态变换值Q
si，λ
，并计算该水文模型对应的各洪水流量预报值的正态变换值的均值μ和方差σ；
[0015]步骤B2：计算该水文模型在该历史洪水场次中各预设时刻的先验概率P(M
t，i
)：
[0016][0017]式中，P(M
t，i
)为该历史洪水场次中第t个预设时刻第i个水文模型M
t，i
的先验概率，水文模型共有n个，当t＝1时，水文模型共有n个，当t＝1时，为该历史洪水场次中第i个水文模型在第1个预设时刻至第t
‑
1个预设时刻内的预报误差；
[0018]步骤B3：采用贝叶斯模型平均算法得到该历史洪水场次中各预设时刻洪水样本分别对应该水文模型的历史权重值，即第i个水文模型在第t个预设时刻的后验概率：
[0019][0020]其中，
[0021][0022][0023]式中，为该历史洪水场次中第t个预设时刻第i个水文模型M
t，i
发生的条件下发生的概率；为该历史洪水场次中第t个预设时刻洪水流量实测值发生正态变换的值；μ
i
为第i个水文模型在该历史洪水场次中所有预设时刻洪水样本的Q
si，λ
的均值，σ
i
为第i个水文模型在该历史洪水场次所有预设时刻洪水样本的Q
si，λ
的方差；ω
t，i
为该历史洪水场次中第t个预设时刻第i个水文模型对应的历史权重值，为发生的条件下水文模型M
t，i
发生的概率。
[0024]作为本专利技术的一种优选技术方案，所述正态变换的公式为：
[0025][0026]式中，Q指代洪水流量预报值Q
si
或洪水流量实测值Q
re
，Q
λ
为正态变换之后的值，即Q
re，λ
或Q
si，λ
，λ表示转换参数。
[0027]作为本专利技术的一种优选技术方案，所述步骤C的具体过程如下：
[0028]步骤C1：针对目标流域洪水在当前时刻的下垫面数据，获取目标流域各历史洪水场次中满足下垫面数据预设条件的各预设时刻洪水样本；
[0029]步骤C2：针对目标流域洪水在当前时刻的降雨数据，获取目标流域各历史洪水场次中满足降雨数据预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水文多模型时变权重组合预报方法，其特征在于：针对目标流域，执行以下步骤，实现对目标流域洪水流量的预报：步骤A：获取目标流域各历史洪水场次中各预设时刻洪水样本的下垫面数据、降雨数据、气象数据、洪水流量实测值；分别针对目标流域各历史洪水场次，预设各个水文模型分别遍历该历史洪水场次中各预设时刻洪水样本，得到该历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的洪水流量预报值；步骤B：基于目标流域各历史洪水场次中各预设时刻洪水样本的洪水流量实测值，以及各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的洪水流量预报值，采用贝叶斯模型平均算法得到目标流域各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的历史权重值；步骤C：基于目标流域各历史洪水场次中各预设时刻洪水样本的下垫面数据、降雨数据、气象数据，针对目标流域洪水在当前时刻的下垫面数据、降雨数据、气象数据，从目标流域各历史洪水场次中各预设时刻洪水样本中筛选出分别满足下垫面数据预设条件、降雨数据预设条件、气象数据预设条件的各初步洪水样本；并通过各个水文模型对当前洪水时刻的洪水流量预报值设置阈值进一步筛选各初步洪水样本得到各优选洪水样本；步骤D：利用KNN方法从步骤C中筛选得到的各优选洪水样本中选择与当前洪水匹配度最高的预设k个洪水样本；基于各预设k个洪水样本的预报时刻洪水样本的历史权重值，结合反距离加权的思想，分别得到各个水文模型在当前洪水时刻对预报时刻的预报权重值，进而对各水文模型的预报权重值与各个水文模型在当前时刻对预报时刻的洪水流量预报值进行加权求和得到目标流域的融合洪水流量预报值，实现对目标流域洪水流量的预报。2.根据权利要求1所述的一种水文多模型时变权重组合预报方法，其特征在于：所述步骤B中基于目标流域各历史洪水场次中各预设时刻洪水样本的洪水流量实测值，以及各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的洪水流量预报值，分别针对目标流域各历史洪水场次，各个水文模型分别执行以下步骤，得到目标流域各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的权重值：采用贝叶斯模型平均算法得到目标流域各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的历史权重值；步骤B1，基于该历史洪水场次中各预设时刻洪水样本的洪水流量实测值Q
re
，以及该历史洪水场次中各预设时刻洪水样本对应该水文模型的洪水流量预报值Q
si
，通过Box
‑
Cox变换对该历史洪水场次中的各洪水流量实测值和该水文模型对应的各洪水流量预报值分别进行正态变换，得到洪水流量实测值的正态变换值Q
re，λ
，以及洪水流量预报值的正态变换值Q
si，λ
，并计算该水文模型对应的各洪水流量预报值的正态变换值的均值μ和方差σ；步骤B2：计算该水文模型在该历史洪水场次中各预设时刻的先验概率P(M
t，i
)：式中，P(M
t，i
)为该历史洪水场次中第t个预设时刻第i个水文模型M
t，i
的先验概率，水文模型共有n个，当t＝1时，模型共有n个，当t＝1时，为该历史洪水场次中第i个水文模型在第1个预设时刻至第t
‑
1个预设时刻内的预报误差；
步骤B3：采用贝叶斯模型平均算法得到该历史洪水场次中各预设时刻洪水样本分别对应该水文模型的历史权重值，即第i个水文模型在第t个预设时刻的后验概率：其中，其中，式中，为该历史洪水场次中第t个预设时刻第i个水文模型M
t，i
发生的条件下发生的概率；为该历史洪水场次中第t个预设时刻洪水流量实测值发生正态变换的值；μ
i
为第i个水文模型在该历史洪水场次中所有预设时刻洪水样本的Q
si，λ
的均值，σ
i
为第i个水文模型在该历史洪水场次所有预设时刻洪水样本的Q
si，λ
的方差；ω
t，i
为该历史洪水场次中第t个预设时刻第i个水文模型对应的历史权重值，为发生的条件下水文模型M
...

【专利技术属性】
技术研发人员：吴南，张珂，张企诺，晁丽君，解明明，
申请(专利权)人：河海大学，
类型：发明
国别省市：