本發(fā)明屬于水文預(yù)測(cè)，具體涉及一種融合特征分解與糾錯(cuò)策略的并行架構(gòu)徑流預(yù)測(cè)方法。

背景技術(shù)：

1、在缺水地區(qū)，水資源短缺和時(shí)空分布不均一直是制約地區(qū)可持續(xù)發(fā)展的主要問(wèn)題之一，準(zhǔn)確可靠的徑流預(yù)測(cè)預(yù)報(bào)技術(shù)是促進(jìn)水資源高效利用與區(qū)域可持續(xù)發(fā)展的有效手段。其中，中長(zhǎng)期徑流預(yù)報(bào)可為水資源配置、水力發(fā)電運(yùn)行管理等提供重要的科學(xué)依據(jù)，對(duì)解決社會(huì)和經(jīng)濟(jì)發(fā)展帶來(lái)的水問(wèn)題至關(guān)重要。然而，徑流作為復(fù)雜水文動(dòng)力演化系統(tǒng)的要素，與人類(lèi)活動(dòng)、植被類(lèi)型、土壤類(lèi)型、蒸發(fā)強(qiáng)度和降水等多種因素表現(xiàn)出較強(qiáng)的相關(guān)性。徑流序列具有較高的非線性、不穩(wěn)定性和復(fù)雜性。

2、近年來(lái)，隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展和機(jī)器學(xué)習(xí)理論的不斷完善，以機(jī)器學(xué)習(xí)模型為代表的數(shù)據(jù)驅(qū)動(dòng)方法在徑流預(yù)測(cè)中得到了很好的應(yīng)用。機(jī)器學(xué)習(xí)模型具有強(qiáng)大的非線性關(guān)系捕獲能力，能夠有效地預(yù)測(cè)徑流的變化趨勢(shì)。然而，在當(dāng)前實(shí)際應(yīng)用中，機(jī)器模型性能面臨著一些挑戰(zhàn)，如輸入數(shù)據(jù)的特征預(yù)處理和超參數(shù)選擇對(duì)模型性能的影響，單一模型難以完全識(shí)別數(shù)據(jù)序列的內(nèi)部變化，預(yù)測(cè)結(jié)果誤差具有不確定性。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明旨在提出一種基于特征模態(tài)分解和糾錯(cuò)策略的并行架構(gòu)混合模型的徑流預(yù)測(cè)方法，克服現(xiàn)有技術(shù)中因單一特征輸入和機(jī)器學(xué)習(xí)模型初步預(yù)測(cè)誤差的不確定性對(duì)徑流預(yù)測(cè)準(zhǔn)確度的影響，提高徑流預(yù)測(cè)模型的精度。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供一種融合特征分解與糾錯(cuò)策略的并行架構(gòu)徑流預(yù)測(cè)方法，所述方法包括以下步驟：

3、s100：收集目標(biāo)區(qū)域的徑流時(shí)間序列，采用經(jīng)ssa（麻雀搜索）算法優(yōu)化后的vmd（變分模態(tài)分解）對(duì)徑流時(shí)間序列進(jìn)行分解；

4、s200：在分解后的子序列中篩選與徑流變化最相關(guān)的子序列作為徑流預(yù)測(cè)因子；

5、s201：利用自相關(guān)函數(shù)和偏相關(guān)函數(shù)分析分解后的子序列，確定時(shí)間相關(guān)特征；

6、s202：采用層次化預(yù)測(cè)因子選擇算法篩選與徑流變化最相關(guān)的子序列作為徑流預(yù)測(cè)因子；

7、s300：將徑流預(yù)測(cè)因子輸入到并行cnn-gru（convolutional?neural?network-gated?recurrent?unit）模型中提取時(shí)空特征，并使用ssa算法對(duì)并行cnn-gru模型的參數(shù)進(jìn)行優(yōu)化；

8、s400：將徑流預(yù)測(cè)因子輸入優(yōu)化后的并行cnn-gru模型進(jìn)行初步預(yù)測(cè)，并基于優(yōu)化后的并行cnn-gru模型預(yù)測(cè)誤差值；

9、s500：將預(yù)測(cè)誤差值疊加到初步預(yù)測(cè)值上校正預(yù)測(cè)偏差，得到最終的徑流預(yù)測(cè)值。

10、進(jìn)一步的，?s100所述采用經(jīng)ssa算法優(yōu)化后的vmd對(duì)徑流時(shí)間序列進(jìn)行分解具體包括：

11、s101：將徑流時(shí)間序列利用vmd進(jìn)行分解，得到若干個(gè)子序列，并構(gòu)建約束變分問(wèn)題；

12、s102：引入二次懲罰因子和拉格朗日乘法算子將約束變分問(wèn)題轉(zhuǎn)換為無(wú)約束問(wèn)題；

13、s103：根據(jù)極值解計(jì)算對(duì)應(yīng)模態(tài)分量以及中心頻率；

14、s104：以平均包絡(luò)熵最小為目標(biāo)函數(shù)，利用ssa算法對(duì)vmd參數(shù)進(jìn)行迭代尋優(yōu)；

15、s105：迭代結(jié)束后輸出最優(yōu)分解子序列。

16、進(jìn)一步的，s101所述構(gòu)建約束變分問(wèn)題依據(jù)以下公式：

17、

18、式中：k為需要分解的模態(tài)個(gè)數(shù)；?與?為不同模態(tài)分量函數(shù)與中心頻率；為狄拉克函數(shù)；為卷積運(yùn)算；?為的希爾伯特變換結(jié)果；為原始時(shí)間序列；表示復(fù)數(shù)的虛部；表示對(duì)求偏導(dǎo)。

19、進(jìn)一步的，s102所述引入二次懲罰因子和拉格朗日乘法算子將約束變分問(wèn)題轉(zhuǎn)換為無(wú)約束問(wèn)題的公式如下：

20、

21、式中：l表示拉格朗日函數(shù)。

22、進(jìn)一步的，s103所述根據(jù)極值解得到對(duì)應(yīng)模態(tài)分量以及中心頻率依據(jù)以下公式：

23、

24、

25、式中：、、和分別為、、和的傅里葉變化；表示信號(hào)的第? k?個(gè)模態(tài)分量在經(jīng)過(guò)? n+1?次迭代后的時(shí)間函數(shù)；為當(dāng)前剩余量的維納濾波；表示其他模態(tài)（）；為當(dāng)前模態(tài)函數(shù)功率譜的重心。

26、進(jìn)一步的，s104所述平均包絡(luò)熵的計(jì)算公式如下：

27、

28、式中，和為最佳參數(shù)組合， k為模態(tài)分解個(gè)數(shù)，為每個(gè)固有模態(tài)函數(shù)的包絡(luò)熵，計(jì)算公式如下：

29、

30、

31、式中，n為采樣數(shù)，為的標(biāo)準(zhǔn)化形式，為源信號(hào)經(jīng)hibert變換后的包絡(luò)信號(hào)。

32、進(jìn)一步的，s200所述在分解后的子序列中篩選與徑流變化最相關(guān)的子序列作為徑流預(yù)測(cè)因子具體包括：

33、s201：利用自相關(guān)函數(shù)和偏相關(guān)函數(shù)分析分解后的子序列，確定時(shí)間相關(guān)特征；

34、s202：采用層次化預(yù)測(cè)因子選擇算法篩選與徑流變化最相關(guān)的子序列作為徑流預(yù)測(cè)因子。

35、進(jìn)一步的，s202所述采用層次化預(yù)測(cè)因子選擇算法篩選與徑流變化最相關(guān)的子序列作為徑流預(yù)測(cè)因子具體包括：

36、（1）構(gòu)造層次評(píng)價(jià)模型；

37、（2）構(gòu)造判斷矩陣；

38、（3）根據(jù)判斷矩陣的特征值和特征向量確定各子序列的權(quán)重；

39、（4）將各子序列按權(quán)重從大到小排序，將排序靠前的子序列作為徑流預(yù)測(cè)因子。

40、進(jìn)一步的，s300所述將徑流預(yù)測(cè)因子輸入到并行cnn-gru模型中提取時(shí)空特征，并使用ssa算法對(duì)并行cnn-gru模型的參數(shù)進(jìn)行優(yōu)化具體包括：

41、s301：將作為預(yù)測(cè)因子的子系列分別輸入到cnn與gru模型當(dāng)中，通過(guò)cnn提取不同子序列之間的局部特征，gru提取各子序列的時(shí)序特征；

42、s302：以均方根誤差為損失函數(shù)對(duì)并行cnn-gru模型進(jìn)行訓(xùn)練，采用ssa算法進(jìn)行模型參數(shù)優(yōu)化。

43、進(jìn)一步的，s400所述將徑流預(yù)測(cè)因子輸入優(yōu)化后的并行cnn-gru模型進(jìn)行初步預(yù)測(cè)，并基于優(yōu)化后的并行cnn-gru模型預(yù)測(cè)誤差值具體包括：

44、s401：將作為預(yù)測(cè)因子的子系列輸入優(yōu)化后的并行cnn-gru模型，輸出初步預(yù)測(cè)值；

45、s402：計(jì)算初步預(yù)測(cè)值與實(shí)際觀測(cè)值之間的誤差，并按時(shí)間順序排列形成誤差序列；

46、s403：將誤差序列輸入優(yōu)化后的并行cnn-gru模型中，得到預(yù)測(cè)誤差值。

47、與現(xiàn)有技術(shù)相比，本發(fā)明能夠取得下列有益效果：

48、（1）針對(duì)月尺度徑流序列的多邊性和不穩(wěn)定性，本發(fā)明通過(guò)結(jié)合并行cnn-gru架構(gòu)、ssa優(yōu)化算法和糾錯(cuò)機(jī)制，顯著提高了區(qū)域徑流預(yù)測(cè)的精度。并行策略通過(guò)不同基底模型提取原始徑流序列的不同特征，這樣可以擴(kuò)大化提取徑流序列的復(fù)雜特征，并將不同特征以不同方式分別進(jìn)行預(yù)測(cè)聚合，最終獲得更準(zhǔn)確的預(yù)測(cè)結(jié)果，與兩個(gè)單一模型相比，并行cnn-gru（pcg）模型的預(yù)測(cè)性能更好。與其他優(yōu)化算法相比，ssa增強(qiáng)了本地的優(yōu)化計(jì)算能力，避免陷入到局部?jī)?yōu)化結(jié)果當(dāng)中，可以提供更高質(zhì)量的解決方案。另外ssa算法可以縮短模型的預(yù)測(cè)時(shí)間，擴(kuò)大其性能優(yōu)勢(shì)，使其更具競(jìng)爭(zhēng)力。具有參數(shù)優(yōu)化功能的vmd可以有效的對(duì)水文數(shù)據(jù)進(jìn)行預(yù)處理，降低原始徑流序列的復(fù)雜度，可以有效的增強(qiáng)模型的泛化能力，降低后續(xù)主體預(yù)測(cè)模型的壓力。

49、（2）本發(fā)明采用糾錯(cuò)策略，有效降低了徑流極值點(diǎn)的預(yù)測(cè)誤差，并且增加了模型對(duì)峰值預(yù)測(cè)性能，為區(qū)域水資源合理調(diào)配提供了重要的科學(xué)依據(jù)，有助于促進(jìn)區(qū)域的可持續(xù)發(fā)展。

50、（3）本發(fā)明所提出的分解、優(yōu)化算法、并行模式和糾錯(cuò)策略的多方法混合模型提高了月徑流預(yù)報(bào)的準(zhǔn)確性，并對(duì)于極值點(diǎn)數(shù)據(jù)的預(yù)測(cè)上效果顯著增強(qiáng)，是一種有效且有用的策略。這為水文徑流序列的中長(zhǎng)期預(yù)測(cè)和精度提升提供了新的視角。