System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及水文预报,尤其涉及一种基于机器学习模型的径流预报方法及模型解释方法。
技术介绍
1、径流预报作为合理利用水资源的重要技术方法,对提高流域防洪防御能力、梯级水电站群安全经济运行效能、多能互补优化调度决策水平等均具有重要的指导意义和价值。但由于水文过程高度复杂且影响因素众多,不同水文气象条件和水文过程不同阶段下的径流特征也各不相同,因此,径流预报是一项具有挑战性的任务。
2、随着计算机技术的发展,机器学习模型在径流预报中展现出了优秀的性能。机器学习模型主要是通过建立历史时期径流数据与水文气象预报因子间的映射关系,对未来的径流进行预报。
3、然而,现有的机器学习模型通常运用单一的径流预报模型笼统地对水文过程不同阶段的径流进行预报,预报结果往往达不到精度要求。此外,目前的机器学习大多属于“黑箱”模型,即可以根据输入给出准确的预测,却无法给出模型预测的解释,这一缺陷降低了机器学习的可信度与应用范围。
技术实现思路
1、为解决上述问题,本专利技术公开了一种基于机器学习模型的径流预报方法及模型解释方法。
2、本专利技术公开了一种基于机器学习模型的径流预报方法,包括以下步骤:
3、将径流变化期划分为融雪影响期和降水主导期,并分别确定融雪影响期的多个融雪径流预报因子和降水主导期的多个降水径流预报因子;
4、获取融雪影响期数据集和降水主导期数据集,利用所述融雪影响期数据集和所述降水主导期数据集分别训练融雪影响期机器学习模型和降水
5、将所述多个融雪径流预报因子和所述多个降水径流预报因子分别输入至融雪影响期机器学习模型和降水主导期机器学习模型,得到融雪影响期的径流预报结果和降水主导期的径流预报结果。
6、优选地,将径流变化期划分为融雪影响期和降水主导期,具体为:
7、获取时间序列上多个预设时间段的历史平均积雪覆盖率和对应时间段的历史平均融雪水当量弹性系数;
8、根据所述历史平均积雪覆盖率和所述历史平均融雪水当量弹性系数划分融雪影响期和降水主导期。
9、优选地,根据所述历史平均积雪覆盖率和所述历史平均融雪水当量弹性系数划分融雪影响期和降水主导期,具体为:
10、若当前预设时间段的历史平均积雪覆盖率小于紧连的历史预设时间段的历史平均积雪覆盖率,且当前预设时间段的历史平均降水量弹性系数大于阈值时,将当前预设时间段划分为融雪影响期;
11、否则,将当前预设时间段划分为降水主导期。
12、优选地,所述融雪影响期数据集包括多个预报因子的历史序列及其对应的最佳滞时径流序列;
13、所述降水主导期数据集包括多个降水径流预报因子的历史序列及其对应的最佳滞时径流序列。
14、优选地,所述融雪影响期机器学习模型和所述降水主导期机器学习模型训练过程中均采用滚动预报方式。
15、优选地,利用所述融雪影响期数据集和所述降水主导期数据集分别训练融雪影响期机器学习模型和降水主导期机器学习模型,具体为:
16、对融雪影响期机器学习模型/降水主导期机器学习模型进行参数优化,对应得到融雪超参数组合/降水超参数组合;
17、利用所述融雪影响期数据集/所述降水主导期数据集,对应结合所述融雪超参数组合/所述降水超参数组合,训练所述融雪影响期机器学习模型/所述降水主导期机器学习模型。
18、优选地,分别确定融雪影响期的多个融雪径流预报因子和降水主导期的多个降水径流预报因子,具体为:
19、利用点间互信息法分别确定融雪影响期的多个融雪径流预报因子和降水主导期的多个降水径流预报因子。
20、所述参数优化,具体为:利用sceua算法进行参数优化。
21、本专利技术还公开了一种机器学习模型解释方法,包括以下步骤:
22、获取基于机器学习模型的径流预报方法中每个融雪径流预报因子对融雪影响期的径流预报数据的第一shap值、第一shap交互效应值以及每个降水径流预报因子对降水主导期的径流预报数据的第二shap效应值、第二shap交互效应值;
23、根据多个所述第一shap值/第一shap交互效应值对融雪影响期机器学习模型进行解释;
24、根据多个所述第二shap值/第二shap交互效应值对降水主导期机器学习模型进行解释。
25、优选地,在获取每个融雪径流预报因子对融雪影响期的径流预报数据的第一shap值、第一shap交互效应值以及每个降水径流预报因子对降水主导期的径流预报数据的第二shap效应值、第二shap交互效应值之后,还包括:
26、根据每一个所述第一shap值和对应的第一shap交互效应值确定第一shap主效应值;
27、根据每一个所述第二shap值和对应的第二shap交互效应值确定第二shap主效应值。
28、根据多个所述第一shap主效应值对融雪影响期机器学习模型进行解释;
29、根据多个所述第二shap主效应值对降水主导期机器学习模型进行解释。
30、相较于现有技术,本专利技术具有如下有益效果:
31、(1)本专利技术将径流变化期分为融雪影响期和降水主导期,确定融雪影响期和降水主导期的不同预报因子,进而根据确定的预报因子对径流序列进行预报。故本专利技术的径流预报方法考虑了降水和融雪的产流时间,能较好地模拟水文变化过程中的中长期径流过程,并且建立不同水文变化时期的径流预报模型,对未来时段的径流进行预报,从而使得本专利技术的预报结果精度更高;
32、(2)本专利技术采用滚动预报模型,将本预测周期的预报结果作为下一预测周期输入,提高了模型对变化环境的自适应能力,提升了模型对中长期径流的预报精度;
33、(3)本专利技术基于shap机器学习解释方法通过计算预报因子对模型预测结果的shap值、shap交互效应值以及shap主效应值对机器学习模型决策机制进行解释,一定程度上解释了机器学习模型内部输入和输出之间关联不明确的问题,达到了增强机器学习模型可解释性的技术效果,进一步使得本专利技术的径流预报方法精度提高、结果可靠性增强。
本文档来自技高网...【技术保护点】
1.一种基于机器学习模型的径流预报方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于机器学习模型的径流预报方法,其特征在于,将径流变化期划分为融雪影响期和降水主导期,具体为:
3.根据权利要求2所述的基于机器学习模型的径流预报方法,其特征在于,根据所述历史平均积雪覆盖率和所述历史平均融雪水当量弹性系数划分融雪影响期和降水主导期,具体为:
4.根据权利要求1所述的基于机器学习模型的径流预报方法,其特征在于,所述融雪影响期数据集包括多个最佳滞时下融雪径流预报因子的历史序列及其对应的径流序列;
5.根据权利要求1所述的基于机器学习模型的径流预报方法,其特征在于,所述融雪影响期机器学习模型和所述降水主导期机器学习模型预报过程中均采用滚动预报方式。
6.根据权利要求1所述的基于机器学习模型的径流预报方法,其特征在于,利用所述融雪影响期数据集和所述降水主导期数据集分别训练融雪影响期机器学习模型和降水主导期机器学习模型,具体为:
7.根据权利要求1所述的基于机器学习模型的径流预报方法,其特征在于,分别确定融雪影
8.根据权利要求6所述的基于机器学习模型的径流预报方法,其特征在于,所述参数优化,具体为:
9.一种机器学习模型解释方法,其特征在于,包括以下步骤:
10.根据权利要求9所述的机器学习模型解释方法,其特征在于,在获取权利要求1-8任一项所述的基于机器学习模型的径流预报方法中每个融雪径流预报因子对融雪影响期的径流预报结果的第一SHAP值、第一SHAP交互效应值以及每个降水径流预报因子对降水主导期的径流预报结果的第二SHAP效应值、第二SHAP交互效应值之后,还包括:
...【技术特征摘要】
1.一种基于机器学习模型的径流预报方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于机器学习模型的径流预报方法,其特征在于,将径流变化期划分为融雪影响期和降水主导期,具体为:
3.根据权利要求2所述的基于机器学习模型的径流预报方法,其特征在于,根据所述历史平均积雪覆盖率和所述历史平均融雪水当量弹性系数划分融雪影响期和降水主导期,具体为:
4.根据权利要求1所述的基于机器学习模型的径流预报方法,其特征在于,所述融雪影响期数据集包括多个最佳滞时下融雪径流预报因子的历史序列及其对应的径流序列;
5.根据权利要求1所述的基于机器学习模型的径流预报方法,其特征在于,所述融雪影响期机器学习模型和所述降水主导期机器学习模型预报过程中均采用滚动预报方式。
6.根据权利要求1所述的基于机器学习模型的径流预报方法,其特征在于...
【专利技术属性】
技术研发人员:杨程,方伟,黄强,刘登峰,明波,杨元园,尚嘉楠,
申请(专利权)人:西安理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。