1.一種融合稀疏神經(jīng)網(wǎng)絡(luò)和量子核函數(shù)的徑流預(yù)測(cè)方法，其特征在于，包括以下步驟；
2.根據(jù)權(quán)利要求1所述的一種融合稀疏神經(jīng)網(wǎng)絡(luò)和量子核函數(shù)的徑流預(yù)測(cè)方法，其特征在于，步驟s1中流域出口水文站控制的上游流域雨量站、水文站的預(yù)報(bào)影響因子數(shù)據(jù)主要包括降雨、蒸發(fā)、日最高氣溫、日最低氣溫、日平均氣溫和上游水文站流量。
3.根據(jù)權(quán)利要求1所述的一種融合稀疏神經(jīng)網(wǎng)絡(luò)和量子核函數(shù)的徑流預(yù)測(cè)方法，其特征在于，步驟s2中，基于稀疏神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)稀疏訓(xùn)練策略是在訓(xùn)練過程中優(yōu)化網(wǎng)絡(luò)的稀疏連接性而無需使用密集的網(wǎng)絡(luò)矩陣，動(dòng)態(tài)稀疏訓(xùn)練策略首先初始化一個(gè)完整的神經(jīng)網(wǎng)絡(luò)，隨后對(duì)其進(jìn)行隨機(jī)的稀疏化，即創(chuàng)建一個(gè)隨機(jī)的拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu)，并在訓(xùn)練過程中，通過去除低重要性的神經(jīng)元連接來保持網(wǎng)絡(luò)的稀疏性，同時(shí)優(yōu)化網(wǎng)絡(luò)的權(quán)重。
4.根據(jù)權(quán)利要求3所述的一種融合稀疏神經(jīng)網(wǎng)絡(luò)和量子核函數(shù)的徑流預(yù)測(cè)方法，其特征在于，步驟s2中，采用神經(jīng)元?dú)w因方法進(jìn)行特征選擇時(shí)，需要基于輸出神經(jīng)元的歸因來計(jì)算輸入神經(jīng)元的重要性，其中，第一層的每個(gè)輸入神經(jīng)元即對(duì)應(yīng)每個(gè)輸入神經(jīng)元的重要性分?jǐn)?shù)如式1所示：
5.根據(jù)權(quán)利要求1所述的一種融合稀疏神經(jīng)網(wǎng)絡(luò)和量子核函數(shù)的徑流預(yù)測(cè)方法，其特征在于，步驟s3中構(gòu)建融合量子核函數(shù)的量子增強(qiáng)徑流預(yù)測(cè)模型時(shí)，采用的模型是高斯過程回歸預(yù)測(cè)模型，其通過對(duì)數(shù)據(jù)進(jìn)行回歸分析，來建立服從高斯過程先驗(yàn)信息的非參數(shù)模型，假設(shè)一個(gè)含有n對(duì)相互獨(dú)立觀測(cè)數(shù)據(jù)的學(xué)習(xí)樣本，是由n個(gè)輸入向量組成的輸入集，是由n個(gè)相對(duì)應(yīng)的一維輸出組成的輸出集，則高斯過程均值和方差表示為式2和式3：
6.根據(jù)權(quán)利要求5所述的一種融合稀疏神經(jīng)網(wǎng)絡(luò)和量子核函數(shù)的徑流預(yù)測(cè)方法，其特征在于，步驟s3中基于高斯過程回歸預(yù)測(cè)模型構(gòu)建徑流預(yù)測(cè)模型時(shí)，使用瞬時(shí)量子多項(xiàng)式時(shí)間特征圖將原始經(jīng)典時(shí)間序列數(shù)據(jù)轉(zhuǎn)換為量子態(tài)特征信息，表示原始時(shí)間序列中第i個(gè)特征的時(shí)間序列數(shù)據(jù)集，表示基于稀疏神經(jīng)網(wǎng)絡(luò)最終確定的特征數(shù)量，表示原始時(shí)間序列中第個(gè)特征的時(shí)間序列數(shù)據(jù)集，該過程表示為式4：
7.根據(jù)權(quán)利要求6所述的一種融合稀疏神經(jīng)網(wǎng)絡(luò)和量子核函數(shù)的徑流預(yù)測(cè)方法，其特征在于，步驟s3中將原始經(jīng)典時(shí)間序列數(shù)據(jù)x映射為量子態(tài)特征信息后，通過計(jì)算任意兩個(gè)量子態(tài)特征信息和的保真度來量化對(duì)應(yīng)序列x和之間的相似度，保真度計(jì)算公式表示為式5；
8.根據(jù)權(quán)利要求7所述的一種融合稀疏神經(jīng)網(wǎng)絡(luò)和量子核函數(shù)的徑流預(yù)測(cè)方法，其特征在于，步驟s3中進(jìn)行高斯過程回歸預(yù)測(cè)模型超參數(shù)的優(yōu)化調(diào)整時(shí)，優(yōu)化算法采用貝葉斯優(yōu)化方法，設(shè)定需要進(jìn)行優(yōu)化的參數(shù)為，包括高斯過程gp的平均常數(shù)m、噪聲方差和帶寬，參數(shù)來自于指定的參數(shù)空間，用于進(jìn)行優(yōu)化函數(shù)，優(yōu)化目標(biāo)為尋找最佳的參數(shù)，使得當(dāng)參數(shù)取值為時(shí)，最大，此時(shí)優(yōu)化后的最佳參數(shù)表示為式6；
9.根據(jù)權(quán)利要求8所述的一種融合稀疏神經(jīng)網(wǎng)絡(luò)和量子核函數(shù)的徑流預(yù)測(cè)方法，其特征在于，步驟s4中在測(cè)試集上采用融合稀疏神經(jīng)網(wǎng)絡(luò)和量子核函數(shù)的徑流預(yù)測(cè)模型進(jìn)行徑流預(yù)測(cè)后，模型的徑流確定性點(diǎn)預(yù)測(cè)結(jié)果評(píng)價(jià)指標(biāo)選擇平均絕對(duì)百分比誤差mape計(jì)算，mape表示為式7；