一种基于均匀设计与人工神经网络的水文预报方法技术

本发明专利技术涉及一种基于均匀设计与人工神经网络的水文预报方法，主要通过计算机程序，将均匀设计方法应用于人工神经网络模型的变量选取与参数调节，进而对水文预报结果进行优化，从而进行流量预测。该方法包括：对气象水文数据进行特征提取并进行预处理，并将提取出的气象水文数据集划分为训练集与测试集两部分；通过均匀设计调节网络参数与输入变量；根据训练数据集训练人工神经网络模型；采用测试集对优化后的人工神经网络模型进行径流量预测；通过确定性系数、相对偏差来衡量测试集上的预报精度；比较各方案的预报精度，选取最优组合方案，得出最优预报结果。得出最优预报结果。得出最优预报结果。

【技术实现步骤摘要】
一种基于均匀设计与人工神经网络的水文预报方法


[0001]本专利技术设计水文预报领域，特别涉及一种基于均匀设计与人工神经网络的水文预报方法。

技术介绍

[0002]传统水文模型多运用参数化方法描述流域降雨径流过程的时空分布、物理过程与边界条件。随着水文预报领域研究的不断深入，其时空特征愈发精细，时间精度可达到分钟级别，空间精度可以达到米级别；物理机制愈发复杂，地表到地下、坡面到河道均有着不同的物理机制；边界条件愈发多样。复杂的时空特征、物理机制与边界条件导致水文模型越发复杂，数据获取越发苦难，同时也降低了水文模型的效率，大大增加了预报结果的不确定性。同时，流域产流汇流理论缺乏重大突破，使得在水文预报领域需要一种新方法来进行短功耗、高精度的预测工作。
[0003]近年来，随着计算机技术的高速发展，长时段多流域的水文气象资料观测取得了巨大进步，这为水文预报提供了大量的数据支持，同时，人工神经网络也在这一时期取得了快速发展，已被广泛应用于解决非线性拟合问题。在这种背景下，使用人工神经网络进行水文预报成为了可能。递归神经网络是人工神经网络的一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于均匀设计与人工神经网络的水文预报方法，其特征在于：主要通过计算机程序，将均匀设计方法应用于人工神经网络模型的变量选取与参数调节，进而对水文预报结果进行优化，从而进行流量预测，具体步骤如下：步骤I：对气象水文数据进行特征提取，得到气象水文数据集，并将气象水文数据集划分为训练集与测试集，采用计算机程序读取和存储某一水文监测站一定时期内的气象数据与水文数据，其中气象数据包括日降雨量、最高温度、最低温度、日照时长、压强、辐射强度，水文数据包括日径流量；随后按照日期，提取出当前日期前15天的降雨量、辐射强度与日径流量，并作为变量添加进气象水文数据集中，构建出最终气象水文数据集；最后按照7∶3的比例将气象水文数据集划分为训练集与测试集；步骤II：对已经构建的气象水文数据集进行预处理本发明的数据集预处理工作分为两部分，分别为：缺失值填补与数据标准化；对于缺失值选取该日期前3天与后3天的平均值代替缺失值，以短期趋势来对缺失值进行替代更加合理；数据标准化采用最大值
‑
最小值标准化进行处理；对数据标准化处理可加快网络训练收敛速度，提高模型训练的精度，消除范围较大的特征值给梯度更新所带来的影响；步骤III：利用均匀设计表设计输入变量以及神经网络中隐藏层的神经元个数，采用均匀设计，构建出2因素4水平的均匀设计使用表，其中因素包括：第一个因素为前N天的降雨量、辐射强度和日径流量，其4个水平分别为：前1天，前3天，前10天，前15天；第二个因素为LSTM神经网络模型中的隐藏层神经元个数，其4个水平为：32个隐藏层神经元、64个隐藏层神经元、96个隐藏层神经元、128个隐藏层神经元；按照使用表中的组合，依次选取不同的变量与隐藏层个数进行模型训练；步骤IV：根据提取预处理后的气象水文数据集，按照均匀设计使用表，将变量加入人工神经网络模型，并进行模型训练；本发明中，人工神经网络模型由LSTM模型与1层全连接层组合而成，其中LSTM模型隐藏层的层数设置为1层；人工神经网络模型输入变量为前N天的降雨量、辐射强度和日径流量，前一天的最高温度、最低温度、日照时长、压强；输出为4<...

【专利技术属性】
技术研发人员：童海滨，郭同泽，刘徐然，梅心悦，马嘉玉，张琦玉，沈诗艺，施星宇，全澍，
申请(专利权)人：河南大学，
类型：发明
国别省市：