一种水库日入量预测模型的构建方法技术

本发明专利技术公开了一种水库日入量预测模型的构建方法，该构建方法包括采用构造一种基础学习机，该学习机利用了平滑预处理方法，将处理后序列利用时间序列的分解方法得到相关分量，再对分量建立预测模型，将预测结果重构得到相关预测结果，根据上述步骤得到多个基础学习机进行集成，以集成后的模型对水库日入水量进行预测。本发明专利技术主要解决了目前水库日入库量预测算法对数据特征信息挖掘不足，预测准确度不高的问题。

【技术实现步骤摘要】
一种水库日入量预测模型的构建方法
本专利技术涉及水文预报技术，具体是一种基于对数变换，时间序列分解重构，神经网络和集成学习的水库日入水量预测方法,主要用于对水库的每日流入量进行预测以指导水库的管理操作，减少不必要的水资源的释放，可用于水库的干旱管理、洪水的控制、灌溉用水、水利发电、工业生活用水等方面。
技术介绍
水库是水资源管理的重要组成部分，有效的水库操作可以减少水的释放。水库的流入量预测对水库的管理操作是至关重要的，流量预测可用于水库的防汛、抗旱、发电、生活用水及改善生态环境等方面，确定合适的模型对未来水库流入量进行预测对于水资源规划是十分重要的。为了实现水库入库量精确的预测各种预测模型被提出，提出的模型主要分为两大类一种是基于物理的模型，一种是基于数据驱动的模型。基于物理的模型采用模拟水文过程的数学函数，并且通常涉及在尺度上具有高空间变异性的复杂非线性过程，基于物理模型的数据源可能非常复杂且有限，需要手工校准大量数据实时困难。数据驱动的模型有能力充分模拟水文系统的输入输出关系，而不需要深入了解系统的基本物理过程，数据驱动的方法可直接映射输入变量和输出变量之间的关系来预测流入，因此很多水文研究者就把注意力放在了数据驱动模型方面。近几年尝试是采用复杂的神经网络方法实现流域模型。这种方法的优势是一个具有足够隐藏层的神经网络能够近似任何连续函数达到任意程度的准确性。例如“基于多尺度特征提取的混合模型预测方法”，该方法采用集合经验模态分解对原始水库数据进行分解，然后合并成三项趋势，周期和随机项，再用基于深度置信网络和神经网络的深度神经网络模型分别对每一项进行预测，虽然该方法在水库日入库量预测方面存在一定的优势但是对于水库入水量这一现实问题而言，其序列可能同时具有多种数据特点，单一模型在面对这种特征复杂的序列数据时，往往不具有泛化性，尤其是人工智能算法对数据的特征较为敏感，单一模型很难具有较好的泛化能力。
技术实现思路
针对现有技术存在的问题，本专利技术一种水库日入量预测模型的构建方法，利用了多种模型对不同数据的敏感性不同的特征，克服了单一模型面对复杂特征的序列数据是敏感脆弱，泛化能力弱的问题，实现水库日流入量的准确预测。为解决上述技术问题，本专利技术采用的一个技术方案是：提供一种水库日入量预测模型的构建方法，所述构建方法包括如下步骤：步骤1：将每日入库量数据利用对数变换进行平滑处理：x＝{x1，x2，…，xu}，X＝lnx，其中，x是待预测水库历史日入库量数据序列，xu是待预测水库第u日入库量，X是对x平滑处理后的待输入序列；步骤2：构建多个基础学习机:Y＝{Y1，Y2，…，YN},其中，YN为第N个基础学习机的数据，N为待集成的基础学习机的数量；步骤3：分别利用N个基础学习机对平滑处理后待输入序列X进行学习，得到N个预测结果:y＝{y1(X)，y2(X)，…，YN(X)}，并将N个预测结果进行集成，得到最终预测结果。为解决上述技术问题，本专利技术采用的进一步技术方案是：采用式(1)对N个基础学习机的预测结果利用加权求和法进行集成；式(1)中R为最终预测结果，ωi为第i个基础学习机的权重，yi为第i个基础学习机的预测结果。进一步地说，步骤2中的所述基础学习机的构建方法包括如下步骤：步骤a：选取EMD，EEMD以及小波分解方法中的一种，对输入序列X进行时间序列分解，并得到S＝{s1，s2，…，su}，T＝{t1，t2，…，tu}，P＝{p1，p2，…，pu}项，其中S为随机项，T为趋势项，P为周期项；步骤b：选择LSTM模型与DNN模型其中一种网络结构构建三个子网络模型，分别对分解后S,T,P三项进行预测；步骤c：对S，T，P项的预测分量进行重构，得到重构后的预测结果。进一步地说，对步骤c中的预测分量进行重构的构建方法包括如下步骤：步骤A：构建训练集，所构建的训练集包含Q个样本，其中样本xq＝{xq1，xq2，…，xqu，...，xqU，xq(U+1)}；其中，q表示训练集中的第q个样本，q＝1，2，3，...，Q，Q为大于等于1的正整数，u＝1，2，3，......，U，U为大于等于1的正整数；xqu＝lnx(t),X＝{x(t)，t＝1，2，3，...，T}是待预测分量数据序列，x(t)是待预测分量第t个分量，U为待预测分量数据序列X的嵌入维数；步骤B：构建初始神经网络模型，所构建的初始神经网络模型的输入节点数为U，输出节点数为1；步骤C：用归一化后的训练集对初始神经网络模型进行训练，得到分量预测模型，样本xq中前U个数据是神经网络模型的输入数据，最后一个数据是输入数据对应的目标输出。进一步地说，所构建的初始神经网络模型的隐藏层数为1、2或3，隐层节点数为5、10、15、20或25。进一步地说，所述待预测分量数据序列X的嵌入维数为采取虚假最近邻点法求取的待预测分量数据序列X的嵌入维数。本专利技术的有益效果是：第一，由于原始的水库入库量波动性比较大，本专利技术在原始水库日入库流量序列预处理中采用了对数变换，对数变换可以减缓原始数据的波动性，使得神经网络更易与学习到数据变化特征，尤其是雨季的入库量变化特征，可以提高模型的预测准确率；第二，本专利技术使用基于时间序列分解重构模型构建方法，可以从多个尺度对时间序列的特征进行单独学习，从而提高预测准确度；第三，本专利技术使用了多种分解方法与神经网络模型组合训练基础学习机，并最终进行集成得到最终结果的方案，利用了多种模型对不同数据的敏感性不同的特征，克服了单一模型面对复杂特征的序列数据是敏感脆弱，泛化能力弱的问题，实现水库日流入量的准确预测。附图说明图1为本专利技术的水库日入量预测模型的构建方法的流程图；图2为本专利技术的基础学习机的构建方法的主要算法流程图。具体实施方式以下通过特定的具体实施例说明本专利技术的具体实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本专利技术的优点及功效。本专利技术也可以其它不同的方式予以实施，即，在不背离本专利技术所揭示的范畴下，能予不同的修饰与改变。实施例：本专利技术在对输入水库日流入量数据进行对数变换后，采用改进的虚假最近邻点法确定嵌入维数即神经网络的输入节点数，然后构造不同分解算法和不同神经网络模型结构组合的多个基础学习机，本实施例中，分别为利用EMB分解结合LSTM网络，利用EEMB分解结合LSTM网络，利用小波分解结合LSTM网络，利用利用EMB分解结合CNN网络，利用EEMB分解结合CNN网络，利用小波分解结合CNN网络通,共6个基础学习机，最后将6个基础学习机通过加权求和的方法集成起来，构成水库日入库量预测模型，利用该模型进行预测。下面结合附图1和2对本专利技术进一步详细描述。该实施例的水库日入量预测模型的构建方法包括如下步骤：步骤1：将每日入库量数据利用对数变换进行平滑处理：x＝{x1，x2，…，xu本文档来自技高网...

【技术保护点】
1.一种水库日入量预测模型的构建方法，其特征在于：所述构建方法包括如下步骤：/n步骤1：将每日入库量数据利用对数变换进行平滑处理：x＝{x

【技术特征摘要】
1.一种水库日入量预测模型的构建方法，其特征在于：所述构建方法包括如下步骤：
步骤1：将每日入库量数据利用对数变换进行平滑处理：x＝{x1，x2，…，xu}，X＝lnx，其中，x是待预测水库历史日入库量数据序列，xu是待预测水库第u日入库量，X是对x平滑处理后的待输入序列；
步骤2：构建多个基础学习机：Y＝{Y1，Y2，…，YN}，其中，YN为第N个基础学习机的数据，N为待集成的基础学习机的数量；
步骤3：分别利用N个基础学习机对平滑处理后待输入序列X进行学习，得到N个预测结果：y＝{y1(X)，y2(X)，…，yN(X)}，并将N个预测结果进行集成，得到最终预测结果。


2.如权利要求1所述的水库日入量预测模型的构建方法，其特征在于：
采用式(1)对N个基础学习机的预测结果利用加权求和法进行集成；



式(1)中R为最终预测结果，ωi为第i个基础学习机的权重，yi为第i个基础学习机的预测结果。


3.如权利要求1所述的水库日入量预测模型的构建方法，其特征在于：步骤2中的所述基础学习机的构建方法包括如下步骤：
步骤a：选取EMD，EEMD以及小波分解方法中的一种，对输入序列X进行时间序列分解，并得到S＝{s1，s2，…，su}，T＝{t1，t2，…，tu}，P＝{p1，p2，…，pu}项，其中S为随机项，T为趋势项，P为周期项；
步骤b：选择LSTM模型与DNN模型其中一种网络结构构建三个...

【专利技术属性】
技术研发人员：戚玉涛，杨玲玲，周詹翱，
申请(专利权)人：苏州丰华声赫智能科技有限公司，
类型：发明
国别省市：江苏;32