【技术实现步骤摘要】
本专利技术涉及径流预报，尤其涉及一种面向径流预报的因子降维及误差校正方法及系统。
技术介绍
1、中长期径流预报方法常以历史径流或气象因子数据作为模型驱动因子，忽略了全球遥相关因子的交互性影响，无法深入解析径流循环物理机制，且对径流预报精度提升作用有限。但流域径流过程是多因子共同作用的结果，其中涉及到径流、气温、降水、大气环流等等诸多因素，若将其全部考虑到建模过程会造成数据冗余，模型复杂，对揭示径流形成客观规律和变化机理作用有限。当预报因子不断增加时，模型输入复杂度和过拟合风险急剧上升，因此特征变量降维是中长期径流预报模型构建的基础性工作，筛选出与径流过程关联程度较高的因子序列对提升模型预报精度意义重大。目前常见的预报因子筛选方法包括相关系数、灰色关联分析、互信息法等等，这些方法常通过分析两个变量之间的线性和非线性关系，忽略了特征变量在预测中的贡献程度，对于实际预报模型构建参考价值有限。
2、误差校正问题是水文预报中的补充性研究，可提升预报精度和可靠性，增强模型适用性和泛化能力。目前常见的误差校正方法有误差自回归、最小二乘法、串并联耦合和卡尔曼滤波等。以上误差校正方式是通过对预报残差序列进行预处理，再预测的方式达到降低误差，提高精度的目的。但是该方式对于预报残差序列的规律性分析不足，难以挖掘其规律，对于预报精度的提升有限。模态分解能处理非平稳非线性信号，识别误差序列中的时变特征，在预报残差预处理方面具有其他方式不可比拟的优势。这在一定程度上能够较好地发掘预报残差序列的潜在信息，弱化原始序列的冗余信息，从而提升预报精度。
3、为此，本专利技术提出了一种面向径流预报的特征变量降维及误差校正方法，通过引入流域历史径流、气象因子和环流指数等遥相关因子集，构建了基于智能学习算法的中长期径流预报模型，并针对径流预报残差提出了“分解-预测-重构”的误差校正框架，在降低模型输入维度和过拟合风险的同时，提高流域径流预报精度。
技术实现思路
1、本专利技术目的在于公开一种面向径流预报的因子降维及误差校正方法及系统，以显著提高径流预报精度。
2、为达上述目的，本专利技术公开的方法包括：
3、步骤s1、获取目标研究区域的预报因子数据集合；
4、步骤s2、采用皮尔逊相关系数计算数据集中的各预报因子与径流数据的相关系数，筛选出强相关因子集合；
5、步骤s3、采用极限梯度学习树评估强相关因子集中每个因子的预测重要性贡献，并按重要性从大到小进行排序；
6、步骤s4、构建径流预报模型，将步骤s3排序后的强相关因子集作为模型输入，计算在5～20输入维度下的纳什系数和均方根误差指标；以纳什系数越大且均方根误差越小为原则，确定最终的输入维度及径流预报值；
7、步骤s5、采用集合经验模态分解对预报残差进行分解，获取模态分量和剩余分量；
8、步骤s6、采用自回归模型对各个模态分量和剩余分量分别进行预测；
9、步骤s7、将预报残差的各个模态分量和剩余分量进叠加还原，并与原始预测值相加，最终得到经过误差校正后的样本预测值。
10、为达上述目的，本专利技术还公开一种面向径流预报的因子降维及误差校正系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
11、本专利技术具有以下有益效果：
12、可将流域历史径流数据，气象数据以及环流指数等遥相关因子考虑到径流预报构建中去，丰富了中长期径流预报模型的输入特征，有助于揭示径流形成客观规律和变化机理，深入解析径流循环机制。同时提出了面向径流预报的多维特征变量降维方法；将pearson相关系数和极限梯度学习树相结合，评估每个特征变量对预报的贡献度。在降低模型输入维度的同时，提高径流预报精度。最后针对预报残差提出了基于集合经验模态分解-自回归的误差耦合校正框架。通过对径流预报残差进行“模态分解-ar预测-模态集成”的方法，通过对径流预报残差信号进行分解，得到的模态分量反映了不同频率的信号趋势和特征，更易挖掘径流预报残差的内在规律。相比于现行常用的误差校正方式，能够显著提高径流预报精度。
13、藉此，本专利技术思路清晰，操作方便，实用性强。
14、下面将参照附图，对本专利技术作进一步详细的说明。
本文档来自技高网...【技术保护点】
1.一种面向径流预报的因子降维及误差校正方法，其特征在于，包括：
2.根据权利要求1所述的面向径流预报的因子降维及误差校正方法，其特征在于，所述强相关因子集中的各相关因子与径流数据的相关系数大于或等于0.6。
3.根据权利要求1所述的面向径流预报的因子降维及误差校正方法，其特征在于，采用极限梯度学习树评估强相关因子集中每个因子的预测重要性贡献包括：
4.根据权利要求1所述的面向径流预报的因子降维及误差校正方法，其特征在于，在获取模态分量和剩余分量的过程中，包括：
5.根据权利要求4所述的面向径流预报的因子降维及误差校正方法，其特征在于，自回归模型的计算公式包括：
6.根据权利要求1至5任一所述的面向径流预报的因子降维及误差校正方法，其特征在于，还包括：
7.一种面向径流预报的因子降维及误差校正系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6任一所述的方法。
【技术特征摘要】
1.一种面向径流预报的因子降维及误差校正方法，其特征在于，包括：
2.根据权利要求1所述的面向径流预报的因子降维及误差校正方法，其特征在于，所述强相关因子集中的各相关因子与径流数据的相关系数大于或等于0.6。
3.根据权利要求1所述的面向径流预报的因子降维及误差校正方法，其特征在于，采用极限梯度学习树评估强相关因子集中每个因子的预测重要性贡献包括：
4.根据权利要求1所述的面向径流预报的因子降维及误差校正方法，其特征在于，在...
【专利技术属性】
技术研发人员：郭俊，常新雨，王馨莹，刘懿，覃晖，邹强，卫翔谦，顾子也，任平安，吴江，李昊川，倪修，胡海，
申请(专利权)人：华中科技大学，
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。