融合深度学习和误差校正的径流概率性预测方法及系统技术方案

本发明专利技术公开了一种融合深度学习和误差校正的径流概率性预测方法及系统，本发明专利技术提供的基于深度学习和高斯混合模型的径流概率性预测方法，能提供相比传统机器学习更高的径流预测精度。本发明专利技术提供的基于深度学习和高斯混合模型的径流概率性预测方法，能在深度学习基础上，提供概率性的预测结果。

Runoff probability prediction method and system based on depth learning and error correction

【技术实现步骤摘要】
融合深度学习和误差校正的径流概率性预测方法及系统
本专利技术属于径流预测
，更具体地，涉及一种融合深度学习和误差校正的径流概率性预测方法及系统。
技术介绍
可靠的河道流量预测对水资源管理、分配以及防灾减灾均具有重要意义，水文学者一直致力于研究高精度的日径流预测模型和方法。近几年来，深度学习技术在图像识别领域得到飞速的发展，其强大的数据挖掘能力解决了基于海量数据的分类、回归、和预测问题。日径流预测模型也开始从人工神经网络、支持向量机等传统机器学习发展到卷积神经网络、长短期记忆网络等深度学习方法，并获得了更好的预测结果。水文过程具有极大的不确定性，提供概率性的径流预测结果比单点预测更可信，尽管当前建立了越来越多的深度学习类径流预测模型，但是由于深度学习模型往往结构复杂，训练时间长，采用集合预报技术构建概率性径流预测困难较大。由此可见，现有技术还不能完全解决基于深度学习技术的概率性径流预测问题。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了融合深度学习和误差校正的径流概率性预测方法及系统，由此解决现有深度学习技术概率性径流预测技术问题。根据本专利技术的其中一方面，本专利技术解决其技术问题所采用的融合深度学习和误差校正的径流概率性预测方法，包含如下步骤：(1)提取待预测河段水文站点的历史日径流量数据yi，计算当前日降序列与前期日降雨序列的相关系数，依据阈值截断法从前1至p天日径流量中提取相关性大于相关系数阈值的日径流量作为预测因子集Xi＝(x1,x2,…,xn)，n为因子个数，i表示天数，p为正整数且大于或者等于3；(2)以预测因子集作为输入，当前日径流量作为输出，生成样本数据(yi，Xi)，以q天的样本数据(yi，Xi)构成训练集，q>p；(3)依据训练集训练深度人工神经网络模型DNN，建立DNN日径流预测模型训练时以均方根误差为寻优目标；其中，表示yi的预测值，fDNN表示模型函数；(4)提取训练过程的DNN模型日径流模型所产生的预测结果，将预测序列与观测值序列相减，获得预报误差序列(5)提取预报误差et和预报误差et-1与et-2，构建误差样本，误差样本以et为输出，以et-1与et-2为输入，训练得到高斯混合模型et＝GPR(et-1，et-2)；其中，t∈i；(6)假设当前为第l天，然后预测第l+1天的径流概率性，过程为：将Xl+1输入到步骤(3)所建立的DNN日径流预测模型中，得到预测数据然后获取el与el-1，输入到步骤(5)高斯混合模型et＝GPR(et-1，et-2)中，得到el+1的el+1∈N(ul+1,σl+12)，然后计算高斯分布N(ul+1,σl+12)的指定概率的置信区间，然后将该置信区间与相加，生成最后的径流概率性预测；其中u表示均值，σ表示标准差，所述指定概率小于1。进一步地，在本专利技术的融合深度学习和误差校正的径流概率性预测方法中，所述待预测河段水文站点是指宜昌水文站，Xi为滞后1、2及3天的日径流量，此时n＝3。进一步地，在本专利技术的融合深度学习和误差校正的径流概率性预测方法中，步骤(6)中，所述计算高斯分布N(ul+1,σl+12)的指定概率的置信区间，然后将该置信区间与相加，生成最后的径流概率性预测，具体是指：计算高斯分布N(ul+1,σl+12)的95％置信区间[ul+1-1.96σl+1,ul+1+1.96σl+1]，结合与[ul+1-1.96σl+1,ul+1+1.96σl+1]，得到校正后的径流预报概率分布进一步地，在本专利技术的融合深度学习和误差校正的径流概率性预测方法中，p＝15。进一步地，在本专利技术的融合深度学习和误差校正的径流概率性预测方法中，步骤(3)中，所述深度人工神经网络模型DNN中，递归隐含层为1个，隐藏单元为50个。根据本专利技术的另一方面，本专利技术为解决其技术问题，所提供的融合深度学习和误差校正的径流概率性预测系统包含如下模块：预测因子集确定模块，用于提取待预测河段水文站点的历史日径流量数据yi，计算当前日降序列与前期日降雨序列的相关系数，依据阈值截断法从前1至p天日径流量中提取相关性大于相关系数阈值的日径流量作为预测因子集Xi＝(x1,x2,…,xn)，n为因子个数，i表示天数，p为正整数且大于或者等于3；训练集构成模块，用于以预测因子集作为输入，当前日径流量作为输出，生成样本数据(yi，Xi)，以q天的样本数据(yi，Xi)构成训练集，q>p；DNN训练模块，用于依据训练集训练深度人工神经网络模型DNN，建立DNN日径流预测模型训练时以均方根误差为寻优目标；其中，表示yi的预测值，fDNN表示模型函数；序列形成模块，用于提取训练过程的DNN模型日径流模型所产生的预测结果，将预测序列与观测值序列相减，获得预报误差序列高斯训练模块，用于提取预报误差et和预报误差et-1与et-2，构建误差样本，误差样本以et为输出，以et-1与et-2为输入，训练得到高斯混合模型et＝GPR(et-1，et-2)；其中，t∈i；数据预测模块，用于假设当前为第l天，然后预测第l+1天的径流概率性，过程为：将Xl+1输入到步骤(3)所建立的DNN日径流预测模型中，得到预测数据然后获取el与el-1，输入到步骤(5)高斯混合模型et＝GPR(et-1，et-2)中，得到el+1的el+1∈N(ul+1,σl+12)，然后计算高斯分布N(ul+1,σl+12)的指定概率的置信区间，然后将该置信区间与相加，生成最后的径流概率性预测；其中u表示均值，σ表示标准差，所述指定概率小于1。进一步地，在本专利技术的融合深度学习和误差校正的径流概率性预测系统中，所述待预测河段水文站点是指宜昌水文站，Xi为滞后1、2及3天的日径流量，此时n＝3。进一步地，在本专利技术的融合深度学习和误差校正的径流概率性预测系统中，数据预测模块中，所述计算高斯分布N(ul+1,σl+12)的指定概率的置信区间，然后将该置信区间与相加，生成最后的径流概率性预测，具体是指：计算高斯分布N(ul+1,σl+12)的95％置信区间[ul+1-1.96σl+1,ul+1+1.96σl+1]，结合与[ul+1-1.96σl+1,ul+1+1.96σl+1]，得到校正后的径流预报概率分布进一步地，在本专利技术的融合深度学习和误差校正的径流概率性预测系统中，p＝15。进一步地，在本专利技术的融合深度学习和误差校正的径流概率性预测系统中，DNN训练模块中，所述深度人工神经网络模型DNN中，递归隐含层为1个，隐藏单元为50个。实施本专利技术的融合深度学习和误差校正的径流概率性预测方法及系统，具有以下有益效果：(1)本专利技术提供的基于深度学习和高斯混合模型的径流概率性预测方法，能提供相比传统机器学习更高的径流预测精度。(2)本专利技术提供的基于深度学习和高斯混合模型的径流概率性预测方法，能在深度学习基础上，提供概率性的预测结果。附图说明下面将结合附图及实本文档来自技高网...

【技术保护点】
1.一种融合深度学习和误差校正的径流概率性预测方法，其特征在于，包含如下步骤：/n(1)提取待预测河段水文站点的历史日径流量数据yi，计算当前日降序列与前期日降雨序列的相关系数，依据阈值截断法从前1至p天日径流量中提取相关性大于相关系数阈值的日径流量作为预测因子集Xi＝(x1,x2,…,xn)，n为因子个数，i表示天数，p为正整数且大于或者等于3；/n(2)以预测因子集作为输入，当前日径流量作为输出，生成样本数据(yi，Xi)，以q天的样本数据(yi，Xi)构成训练集，q>p；/n(3)依据训练集训练深度人工神经网络模型DNN，建立DNN日径流预测模型

【技术特征摘要】
1.一种融合深度学习和误差校正的径流概率性预测方法，其特征在于，包含如下步骤：
(1)提取待预测河段水文站点的历史日径流量数据yi，计算当前日降序列与前期日降雨序列的相关系数，依据阈值截断法从前1至p天日径流量中提取相关性大于相关系数阈值的日径流量作为预测因子集Xi＝(x1,x2,…,xn)，n为因子个数，i表示天数，p为正整数且大于或者等于3；
(2)以预测因子集作为输入，当前日径流量作为输出，生成样本数据(yi，Xi)，以q天的样本数据(yi，Xi)构成训练集，q>p；
(3)依据训练集训练深度人工神经网络模型DNN，建立DNN日径流预测模型训练时以均方根误差为寻优目标；其中，表示yi的预测值，fDNN表示模型函数；
(4)提取训练过程的DNN模型日径流模型所产生的预测结果，将预测序列与观测值序列相减，获得预报误差序列
(5)提取预报误差et和预报误差et-1与et-2，构建误差样本，误差样本以et为输出，以et-1与et-2为输入，训练得到高斯混合模型et＝GPR(et-1，et-2)；其中，t∈i；
(6)假设当前为第l天，然后预测第l+1天的径流概率性，过程为：将Xl+1输入到步骤(3)所建立的DNN日径流预测模型中，得到预测数据然后获取el与el-1，输入到步骤(5)高斯混合模型et＝GPR(et-1，et-2)中，得到el+1的el+1∈N(ul+1,σl+12)，然后计算高斯分布N(ul+1,σl+12)的指定概率的置信区间，然后将该置信区间与相加，生成最后的径流概率性预测；其中u表示均值，σ表示标准差，所述指定概率小于1。


2.根据权利要求1所述的融合深度学习和误差校正的径流概率性预测方法，其特征在于，所述待预测河段水文站点是指宜昌水文站，Xi为滞后1、2及3天的日径流量，此时n＝3。


3.根据权利要求1所述的融合深度学习和误差校正的径流概率性预测方法，其特征在于，步骤(6)中，所述计算高斯分布N(ul+1,σl+12)的指定概率的置信区间，然后将该置信区间与相加，生成最后的径流概率性预测，具体是指：计算高斯分布N(ul+1,σl+12)的95％置信区间[ul+1-1.96σl+1,ul+1+1.96σl+1]，结合与[ul+1-1.96σl+1,ul+1+1.96σl+1]，得到校正后的径流预报概率分布


4.根据权利要求1所述的融合深度学习和误差校正的径流概率性预测方法，其特征在于，p＝15。


5.根据权利要求1所述的融合深度学习和误差校正的径流概率性预测方法，其特征在于，步骤(3)中，所述深度人工神经网络模型DNN中，递归隐含层为1个，隐藏单元为50个。


6.一种融合深度学习和误差校正的径...

【专利技术属性】
技术研发人员：朱双，张海荣，罗显刚，徐战亚，王超，吴江，丁晓玲，林霏开，肖祖香，李建庆，孟书令，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42