【技术实现步骤摘要】
本专利技术属于水文预测，具体涉及一种基于高维变量筛选的迹回归模型族用于河流水位的预测方法。
技术介绍
1、水文数据是由时间序列数据构成的水位、流量等指标的一系列观测值,准确及时的水位预测能够为水利工程的建设提供有效的设计指导和控制,为水利灌溉、自然灾害预防及时提供预警。现有的基于数据驱动的水位预测方法主要集中在传统的时间序列预测方法和基于神经网络的机器学习预测方法两个方面。较早的自回归模型(ar)、自回归移动平均模型(arma)和自回归综合移动平均模型(arima)具有结构简单的特点,被广泛应用于时间序列数据分析和预测，对地下水位主要影响因子的人口、耕地面积、大牲畜存栏、上游来水量4个指标进行预测。针对水位测量数据的大样本和高维的特点，基于机器学习、深度学习和神经网络的许多水位预测模型以及优化算法、水位预测方法在运用中不断更新改进。其中，基于进化算法(evolutionary algorithm,ea),将混沌理论与支持向量机(supportvector machine,svm)相结合,形成ec-svm模型,优于标准混沌、svm和ari...
【技术保护点】
1.一种基于高维变量筛选的迹回归模型族用于河流水位的预测方法，其特征在于：基于高维变量筛选和动态更新提出的一种河流水位数据预测方法，通过引入PPIS变量筛选、自助法和在线学习算法技术，对河流水位数据进行预测。
2.根据权利要求1所述的河流水位预测方法，包含以下内容：
3.根据权利要求2所述多个迹回归模型，在构成的模型族中加入了被预测河流水文站历史水位数据、同流域或同区域的其他河流水文站历史水位数据、同流域或同区域多个雨量站的历史降雨量数据等相关因素自变量。
4.根据权利要求2所述建立由多个迹回归模型构成的模型族，采用PPIS变量筛选...
【技术特征摘要】
1.一种基于高维变量筛选的迹回归模型族用于河流水位的预测方法，其特征在于：基于高维变量筛选和动态更新提出的一种河流水位数据预测方法，通过引入ppis变量筛选、自助法和在线学习算法技术，对河流水位数据进行预测。
2.根据权利要求1所述的河流水位预测方法，包含以下内容：
3.根据权利要求2所述多个迹回归模型，在构成的模型族中加入了被预测河流水文站历史水位数据、同流域或同区域的其他河流水文站历史水位数据、同流域或同区域多个雨量站的历史降雨量数据等相关因素自变量。
4.根据权利要求2所述建立由多个迹回归模型构成的模型族，采用ppis变量筛选方法可以有效降低自变量间的高相关性，从而提高预测模型的准确性和稳定性。
5.根据权利要求2或4所述建立由多个迹回归模型构成的模型族，在所述的建模中，引入自助法构建水位预测的置信区间，得到水位预测的中位数估计，通过对原始数据集中进行多次独立采样，生成多个自助样本集，进而构建大量独立预测模型，进而给出预测权重设定取值方法，得到水位的加权平均预测值。
6.根据权利要求2所述迹回归模型，为一类广义的回归模型，其涵盖了线性回归模型、矩阵或向量压缩感知、矩阵补全和多任务回归。
7.根据权利要求6所述广义回归模型，定义因变量是从第i时刻起未来第k个整点时刻的水位，自变量是由水位与降水量构成的一个d1×d2的矩阵，其中，每列数据是单个水文站或雨量站在第i-d1+1时刻到第i时刻的连续历史观测值，d2是参与建模的水文站和雨量站总数，在给定k值时，对于...
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。