【技术实现步骤摘要】
本专利技术属于水文时间序列预测领域，具体涉及一种基于可解释的贝叶斯门控循环单元的径流预测方法及系统。
技术介绍
1、现有的深度学习模型在水文径流预测中普遍缺乏可解释性和不确定性量化能力，导致在实际应用中难以获得可靠的预测结果，尤其是在面对复杂且多变的水文系统时。传统基于物理过程的水文模型虽然具有严格的物理解释，但其依赖于高质量的物理数据，并且在处理非线性和高复杂性的水文过程时存在诸多局限性。数据驱动的方法，如支持向量机(svm)和多层感知机(mlp)，尽管在水文预测中取得了一定的成果，但仍然存在对复杂非线性关系刻画不足的问题。
2、为了提高水文径流预测的准确性和模型的可解释性，提出了一种结合贝叶斯推断和可解释性人工智能方法的深度学习模型，以应对水文数据中的不确定性问题并提供对预测结果的合理解释。
技术实现思路
1、针对现有技术的不足，本专利技术提出了一种基于可解释的贝叶斯门控循环单元的径流预测方法及系统，旨在提高预测精度、量化预测中的不确定性，并为水文气象因子对预测的影响提供明确解释，从而增强模型的可解释性和实用性。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于可解释的贝叶斯门控循环单元的径流预测方法，包括以下步骤：
4、获取水文站站点的历史日径流数据和水文气象数据，对历史日流量数据和水文气象数据进行预处理和归一化，获得径流序列y(t)和水文气象序列x1(t),x2(t),...,xn(t)；
5、确定模型
6、采用贝叶斯推断算法对gru模型进行优化，构建eb-gru径流预测模型；使用训练集对建立好的eb-gru径流预测模型进行训练；
7、使用训练好的eb-gru径流预测模型对测试集进行多步预测，获得水文站站点的径流量数据；
8、采用shap方法解释eb-gru径流预测模型，分析水文气象指数对模型径流预测结果的贡献。
9、优选的，采用贝叶斯推断算法对gru模型进行优化，构建eb-gru径流预测模型包括：
10、gru的单元模块包括两个“门”结构和一个候选状态更新模块，通过这些模块共同控制隐藏状态的更新过程：
11、重置门用于控制重置隐藏状态的程度，使模型能够有效捕获新的信息：
12、rt＝σ(wrxt+urht-1+br)
13、式中，xt是时间t时的输入；wr和ur为重置门的权重矩阵；br为重置门的偏置；σ为sigmoid激活函数；ht-1为上一计算时段的隐藏层信息；
14、更新门用于控制当前隐藏状态在多大程度上保留先前隐藏状态的信息：
15、zt＝σ(wzxt+uzht-1+bz)
16、式中，wz和uz为更新门的重矩阵，bz为重置门的偏置；
17、通过重置门修正之前隐藏状态，使用tanh双曲正切激活函数生成当前时间步的候选隐藏状态并通过更新门结合上一时刻的隐藏状态和候选状态，得到新的隐藏状态ct，平衡新信息的更新与历史信息的保留：
18、
19、式中，和为是与当前输入xt和前一时间步隐藏状态ht-1相关联的权重矩阵，为候选状态的偏置项，为hadamard积；
20、基于门控循环单元gru引入贝叶斯推理，通过蒙特卡罗mcdropout方法对预测中的不确定性进行量化。
21、优选的，使用预测区间覆盖概率picp和平均预测区间宽度mpiw评估预测区间的质量，计算公式为：
22、
23、式中，[li,ui]为预测区间，ui为预测区间的上界，li为预测区间的下界，di是在预测区间[li,ui]内的观测值个数，k为观测数量。
24、优选的，采用shap方法解释eb-gru径流预测模型，分析水文气象指数对模型径流预测结果的贡献包括：
25、
26、式中，(f,v)为v状态下的模型输出结果，m为所有特征的集合，s′为特征子集，|s′|是s′中非零项的数目，fv(s′)为模型在特征子集s′上输出，fv(s′\i)为模型在使用特征子集时做出的预测。
27、本专利技术还提供了一种基于可解释的贝叶斯门控循环单元的径流预测系统，包括：获取模块、数据划分模块、模型训练模块、预测模块和贡献评估模块；
28、所述获取模块用于获取水文站站点的历史日径流数据和水文气象数据，对历史日流量数据和水文气象数据进行预处理和归一化，获得径流序列y(t)和水文气象序列x1(t),x2(t),...,xn(t)；
29、所述数据划分模块用于确定模型时间步长q和滞后期p，构建模型输入数据矩阵；将输入矩阵划分为训练集和测试集；
30、所述模型训练模块用于采用贝叶斯推断算法对gru模型进行优化，构建eb-gru径流预测模型；使用训练集对建立好的eb-gru径流预测模型进行训练；
31、所述预测模块用于使用训练好的eb-gru径流预测模型对测试集进行多步预测，获得水文站站点的径流量数据；
32、所述贡献评估模块用于采用shap方法解释eb-gru径流预测模型，分析水文气象指数对模型径流预测结果的贡献。
33、优选的，采用贝叶斯推断算法对gru模型进行优化，构建eb-gru径流预测模型包括：
34、gru的单元模块包括两个“门”结构和一个候选状态更新模块，通过这些模块共同控制隐藏状态的更新过程：
35、重置门用于控制重置隐藏状态的程度，使模型能够有效捕获新的信息：
36、rt＝σ(wrxt+urht-1+br)
37、式中，xt是时间t时的输入；wr和ur为重置门的权重矩阵；br为重置门的偏置；σ为sigmoid激活函数；ht-1为上一计算时段的隐藏层信息；
38、更新门用于控制当前隐藏状态在多大程度上保留先前隐藏状态的信息：
39、zt＝σ(wzxt+uzht-1+bz)
40、式中，wz和uz为更新门的重矩阵，bz为重置门的偏置；
41、通过重置门修正之前隐藏状态，使用tanh双曲正切激活函数生成当前时间步的候选隐藏状态并通过更新门结合上一时刻的隐藏状态和候选状态，得到新的隐藏状态ct，平衡新信息的更新与历史信息的保留：
42、
43、式中，和为是与当前输入xt和前一时间步隐藏状态ht-1相关联的权重矩阵，为候选状态的偏置项，为hadamard积；
44、基于门控循环单元gru引入贝叶斯推理，通过蒙特卡罗mcdropout方法对预测中的不确定性进行量化。
45、优选的，使用预测区间覆盖概率picp和平均预测区间宽度mpiw评估预测区间的质量，计算公式为：
46、
47、式中，[li,ui]为预测区间，ui为预测区间的上界，li为预本文档来自技高网...
【技术保护点】
1.一种基于可解释的贝叶斯门控循环单元的径流预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于可解释的贝叶斯门控循环单元的径流预测方法，其特征在于，采用贝叶斯推断算法对GRU模型进行优化，构建EB-GRU径流预测模型包括：
3.根据权利要求1所述的基于可解释的贝叶斯门控循环单元的径流预测方法，其特征在于，使用预测区间覆盖概率PICP和平均预测区间宽度MPIW评估预测区间的质量，计算公式为：
4.根据权利要求1所述的基于可解释的贝叶斯门控循环单元的径流预测方法，其特征在于，采用SHAP方法解释EB-GRU径流预测模型，分析水文气象指数对模型径流预测结果的贡献包括：
5.一种基于可解释的贝叶斯门控循环单元的径流预测系统，其特征在于，包括：获取模块、数据划分模块、模型训练模块、预测模块和贡献评估模块；
6.根据权利要求5所述的基于可解释的贝叶斯门控循环单元的径流预测系统，其特征在于，采用贝叶斯推断算法对GRU模型进行优化，构建EB-GRU预测模型包括：
7.根据权利要求5所述的基于可解释的贝叶斯门控
8.根据权利要求5所述的基于可解释的贝叶斯门控循环单元的径流预测系统，其特征在于，采用SHAP方法解释EB-GRU径流预测模型，分析水文气象指数对模型径流预测结果的贡献包括：
...【技术特征摘要】
1.一种基于可解释的贝叶斯门控循环单元的径流预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于可解释的贝叶斯门控循环单元的径流预测方法，其特征在于，采用贝叶斯推断算法对gru模型进行优化，构建eb-gru径流预测模型包括：
3.根据权利要求1所述的基于可解释的贝叶斯门控循环单元的径流预测方法，其特征在于，使用预测区间覆盖概率picp和平均预测区间宽度mpiw评估预测区间的质量，计算公式为：
4.根据权利要求1所述的基于可解释的贝叶斯门控循环单元的径流预测方法，其特征在于，采用shap方法解释eb-gru径流预测模型，分析水文气象指数对模型径流预测结果的贡献包括：
5.一种基于可解释...
【专利技术属性】
技术研发人员：陶俐芝，杨东，南粤铭，崔志超，
申请(专利权)人：江西师范大学，
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。