一种基于深度学习模型的中长期径流趋势预测方法与流程

技术特征：
1.一种基于深度学习模型的中长期径流趋势预测方法，其特征在于，包括以下步骤：s1、构造表征月径流变化趋势的径流综合指数及其影响对象，获得前期的观测值，并以前期若干月的观测值作为初选因子；s2、基于偏互信息法对初选因子进行因子筛选；s3、首先通过粒子群算法确定深度信念网络模型的网络深度，然后采用花授粉算法动态优化深度信念网络模型中每个隐含层的神经元个数、rbm的学习速率以及bp算法微调的学习速率参数，最终构建pso
‑
fpa
‑
dbn模型；s4、基于构建的pso
‑
fpa
‑
dbn模型预测中长期径流变化趋势。2.根据权利要求1所述的一种基于深度学习模型的中长期径流趋势预测方法，其特征在于：所述步骤s1构造表征月径流变化趋势的径流综合指数及其影响对象，获得前期的观测值，并以前期若干月的观测值作为初选因子，具体为，构造反映流域水情丰枯变化的径流综合指数、表征流域整体降雨丰枯情势的流域月尺度面雨量指数、影响整个流域的遥相关气候指数，获得上述各指数的前期观测值，并以获得前期若干月的观测值作为月径流变化趋势的初选因子。3.根据权利要求1所述的一种基于深度学习模型的中长期径流趋势预测方法，其特征在于：所述步骤s2基于偏互信息法对初选因子进行因子筛选，即步骤s1中的初选因子，作为偏互信息法的备选输入因子，径流综合指数作为预测对象，计算偏互信息值，并根据偏互信息值大小进行排序，排序前列的因子即为预测模型的关键因子集，具体为，定义偏互信息值pmi，x'＝x
‑
e[x|z]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)y'＝y
‑
e[y|z]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式中，pmi为偏互信息值，f
x',y'
(x',y')为变量x'与变量y'的联合概率密度函数，f
x'
(x')为变量x'的边缘概率密度函数，f
y'
(y')为变量y'的边缘概率密度函数，e为期望值，x为备选输入因子，即初选因子，y为预测对象，即径流综合指数，z为已选入的预测因子集合，x'表示排除z影响的x残差，y'表示排除z影响的y残差；给定n个离散样本，偏互信息值则可采用如下离散形式定义，x
i
'＝x
i
‑
e[x
i
|z]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)y
i
'＝y
i
‑
e[y
i
|z]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)式中，n为离散样本个数，i为观测样本编号，f
x',y'
(x
i
',y
i
')为(x
i
',y
i
')处的联合概率密度估计函数，f
x'
(x
i
')为x
i
'处的边缘概率密度估计，f
y'
(y
i
')为y
i
'处的边缘概率密度估计函数，e为期望值，x
i
为第i个备选输入因子，即第i个初选因子，y
i
为第i个预测对象，即第i个径流综合指数，x
i
'表示排除z影响的x
i
残差，y
i
'表示排除z影响的y
i
残差；公式(4)中的边缘概率密度估计函数选用高斯函数作为核函数，具体为，
式中，j为观测样本编号，x
j
为第j个备选输入因子，y
j
为第j个预测对象，为变量x在x
i
处的密度函数估计值，d为变量x的维数，s为变量x的协方差矩阵，λ为窗口宽度，det(s)为s的行列式，t为转置符号；根据不同的备选输入因子，获得若干个偏互信息值，并由大到小将偏互信息值依次排序，排序靠前的偏互信息值对应的备选输入因子集合即为预测模型的关键因子集。4.根据权利要求1所述的一种基于深度学习模型的中长期径流趋势预测方法，其特征在于：所述步骤s3首先通过粒子群算法确定深度信念网络模型的网络深度，然后采用花授粉算法动态优化深度信念网络模型中每个隐含层的神经元个数、rbm的学习速率以及bp算法微调的学习速率等参数，最终构建pso
‑
fpa
‑
dbn模型，即采用步骤s2中的关键因子集作为模型输入，步骤s1中构建的径流综合指数作为模型输出的pso
‑
fpa
‑
dbn模型，具体包括以下步骤，s3.1、首先数据样本进行标准化处理，计算公式如下：式中：i为年份；j为月份，j＝1,2,
…
,12；x为标准化后的要素值；x为因子实测值；μ
j
为1到n年的第j个月的因子均值，σ
j
为n年中第j月的因子实测值的标准差，s3.2、构建pso
‑
fpa
‑
dbn模型，具体包括以下步骤，s3.2.1、将步骤s2中获得的关键因子集作为构建pso
‑
fpa
‑
dbn模型的输入因子；s3.2.2、粒子群算法确定深度信念网络模型的网络深度；s3.2.2.1、隐含层节点数的估计，公式如下：式中：l为隐含层节点数；m
l
为输入变量个数；n
l
为输出变量个数；α为整数，取值[0,10]；s3.2.2.2、重构误差计算及粒子群算法确定网络深度首先固定隐含层节点数和网络学习率，结合粒子群算法在dbn不同的网络深度进行寻优，并选用重构误差方法评估模型，以此确定dbn最佳网络深度，重构误差计算方法如下：式中，x
m
为第m个批量矩阵；s
m
为第m个批量矩阵重构后的值；re为重构总误差；s3.2.3、rbm预训练阶段，即从训练样本中提取特征，获得模型的初始化参数，具体包括以下步骤，s3.2.3.1、基于对比散度算法，对第一层rbm的输入样本(原始数据)进行训练；s3.2.3.2、将第一层rbm隐含层的输出结果作为第二个rbm的输入，继续通过对比散度
算法训练第二层rbm网络；s3.2.3.3、按照上述方法继续训练，直到训练完所有的rbm网络；s3.2.4、bp算法微调阶段，即采用bp算法对模型参数进行微调，进一步优化深度信念网络；s3.2.5、花授粉算法；花授粉算法由概率常数调节全局搜索和局部搜索之间的转换，且概率常数取值范围为0～1，具体算法如下：全局搜索的数学定义为：式中：表示花粉p在当前迭代次数为t时的位置；g
best
表示当前迭代下得到的最佳位置；γ表示步长控制参数；l(λ
ftp
)表示花授粉强度，且l(λ
ftp
)>0，局部搜索的数学定义为：式中：ε表示[0,1]上的独立均匀分布；和表示物种来源相同，花朵不同的花粉；s3.2.6、fpa算法优化dbn模型，即根据训练样本数据，采用fpa算法动态确定隐含层的神经元个数、rbm的学习速率以及bp算法微调的学习速率，将其构建一组最优参数组合作为花粉的一个位置，进行迭代更新，寻找全局最优解，假定隐含层的神经元个数为m，rbm个数l，rbm1的学习速率为ε1，rbm2的学习速率为ε2,rbml的学习速率为ε
l
，则一个(l 1)维矢量为y(m
h
,ε1,ε2,
…
,ε
l
)，其中m
h
＝1,2,...,m，ε1,ε2,
…
,ε
l
∈(0,1)，具体步骤如下，s3.2.6.1、参数初始化给定训练样本[x
i
,y
i
]，x
i
∈r
n
，r
n
表示具有n维特征向量的样本空间，i＝1,2,l,q，q为训练样本个数，设定种群大小为p，最大迭代次数为i；步骤s2中获得的关键因子集对应n维特征向量；s3.2.6.2、适应度函数选取选取均方根误差作为适应度函数；s3.2.6.3、迭代更新计算适应度值，更新个体；s3.2.6.4、pso
‑
fpa
‑
dbn模型最优参数生成判断是否达到终止条件，获得pso
‑
fpa
‑
dbn模型最优参数组合；否则，回到步骤s3.2.6.3。5.根据权利要求4所述的一种基于深度学习模型的中长期径流趋势预测方法，其特征在于：将步骤s2中的关键因子集作为模型输入，输入至pso
‑
fpa
‑
dbn模型，获得径流综合指数预测值，从而对中长期径流变化趋势进行预测。6.根据权利要求1所述的一种基于深度学习模型的中长期径流趋势预测方法，其特征在于：采用平均绝对百分比误差mape(mean absolute percentage error)、均方根误差rmse(root mean squared error)、确定性系数dc(deterministic coefficient)和合格率
qr(qualified rate)多个评价指标对pso
‑
fpa
‑
dbn模型的中长期径流变化趋势预测结果进行综合评定，行综合评定，行综合评定，式中：为第t
p
个时刻的流域径流综合指数观测值，为第t
p
个时刻的流域径流综合指数预测值，为流域径流综合指数观测均值，n
s
为样本总数，式中，qr为预测的合格率，m
q
为预报合格次数，n
p
为预报总次数。

技术总结
一种基于深度学习模型的中长期径流趋势预测方法，包括以下步骤：S1、构造表征月径流变化趋势的径流综合指数及其影响对象，获得前期的观测值；S2、基于偏互信息法对初选因子进行因子筛选；S3、通过粒子群算法确定深度信念网络模型的网络深度，采用花授粉算法动态优化深度信念网络模型中每个隐含层的神经元个数、RBM的学习速率以及BP算法微调的学习速率等参数，构建PSO


技术研发人员：岳兆新 周惠 彭建华
受保护的技术使用者：南京工业职业技术大学
技术研发日：2021.09.08
技术公布日：2021/11/30