一种基于Prophet模型的黄河流域险情等级预测方法与流程

一种基于prophet模型的黄河流域险情等级预测方法
技术领域
1.本发明涉及险情预测技术领域，具体涉及一种基于prophet模型的黄河流域险情等级预测方法。


背景技术：

2.河流的自然灾害大部分是由于强降雨、台风、地震等自然灾害所造成的。每年汛期，河流的水位都高出警戒线，从而引发特大洪水，对人民的生命财产造成极大损失。根据每年的降雨量和险情，可以发现雨水情和险情主要有2个特点：临海区域降雨总体偏多、时空分布不均，往往汛期(6-9月)降雨频繁，且大部分降雨都集中在流域上游；洪水发生时间早，持续时间久。因此及早安排部署，能尽可能的减少流域险情带来的灾害。
3.目前险情针对河流流域险情的预测技术主要有卫星遥感技术、摄像头实时监测技术。但卫星通信技术使用成本高，且在气候恶劣的情况下，存在延迟大的问题，不利于及时抢险。摄像头实时监测技术需要时刻对其监测的图像进行分析预测，调用频率高，资源耗费大，且在暴雨气候下存在不稳定的情况，不利于灾情判断。
4.如何实现对河流流域险情的及时预测，是目前河流流域险情预测领域需要解决的问题。


技术实现要素：

5.为了解决上述问题，本发明提供了一种基于prophet模型的黄河流域险情等级预测方法的技术方案，包括以下步骤：
6.获取设定历史时间段内的黄河险情数据，得到险情等级时间序列；所述黄河险情数据包括险情发生日期和发生的险情等级；
7.根据所述险情等级时间序列对应的趋势项、周期项、节假日项和误差项构建prophet模型；
8.向所述prophet模型输入待预测未来时间段，输出与所述待预测未来时间段对应的黄河险情等级。
9.有益效果：本发明采用prophet时间序列预测模型，通过获取历史时间段内的险情等级和时间的关系，预测未来时间段内的险情等级；本发明实现了对险情等级的提前预测，能够实现及时预警，有利于提高抗险抢险的效率。
10.进一步地，所述险情等级为以下四种中的其中一种：无险情、一般险情、较大险情、重大险情。
11.进一步地，所述设定历史时间段为90天，所述待预测未来时间段为未来7天。
12.进一步地，prophet模型的训练过程包括：
13.数据集划分：将90天的黄河险情数据处理后以一定比例进行划分为训练集和测试集，将数据样本集的后7天作为测试集，数据样本的前83天作为训练集，进行模型训练，输出未来7天内险情的预测值、预测上限、预测下限；
14.模型评估：模型训练集的训练通过绝对平均误差mae进行评估。
15.进一步地，所述处理包括：将获取的黄河险情数据按照日期进行排序，删除异常数据，将险情等级和对应险情发生日期形成一个险情等级时间序列；险情等级时间序列的存储格式为：日期、险情等级。
16.进一步地，prophet模型的表达式如下：
17.y(t)＝g(t) s(t) h(t) ∈
t
18.其中，y(t)为险情等级时间序列，g(t)为趋势项，s(t)为周期项，h(t)为节假日项，∈
t
为误差项。
19.进一步地，设置趋势项函数为逻辑回归函数，设置节假日为黄河汛期时间。
附图说明
20.图1是本发明的基于prophet模型的黄河流域险情等级预测方法流程图。
具体实施方式
21.为使本发明实施例的目的、技术方案和优点更清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行介绍。
22.prophet是facebook开源的时间序列预测模型，可以通过时间序列预测用户需要的值。它具有直观的参数，可以帮助用户轻松调整模型。目前已应用于商业预测、系统阈值预测、硬盘测试等多个领域。
23.本发明的目的在将prophet应用于预测黄河流域险情等级，以实现对黄河流域险情的及时预测；本发明的主要构思是：通过prophet预测模型，以黄河流域历史时间-险情数据集为训练数据集，预测未来一段时间内险情等级，主要过程包括黄河险情数据采集和预处理、prophet模型构建、prophet模型训练、预测结果分析；其中，黄河险情数据采集和预处理包括黄河险情历史数据采集，利用排序对采集的数据进行预处理；prophet模型构建包括变点选择、利用变点构建趋势项g(t)函数、设置模型的周期项和节假日项，从而构建传入模型的时间序列；prophet模型训练，主要将处理后的数据和模型参数传入模型进行训练，预测未来一段时间内的黄河险情等级；预测结果分析包括对黄河预测的险情等级进行分段处理分析。
24.具体地，如图1所示，本实施例的基于prophet模型的黄河流域险情等级预测方法包括以下步骤：
25.(1)获取设定历史时间段内的黄河险情数据，得到险情等级时间序列；所述黄河险情数据包括险情发生日期和发生的险情等级；
26.设置黄河险情历史数据采集周期为30天，数据源来自黄河险情预警告警系统所监测的现有险情信息，包括险情发生日期和发生的险情等级。险情等级主要包括四类：无险情、一般险情、较大险情、重大险情。数据源的范围为数据库最新一个季度(即90天)内的险情信息以及未来要预测的7天时间序列信息。
27.将采集到的数据源按照日期进行排序，删除异常数据，将历史险情等级和对应险情发生日期形成一个季度内的险情等级时间序列。时间序列的存储格式为：日期、险情等级。
28.(2)根据所述险情等级时间序列对应的趋势项、周期项、节假日项和误差项构建prophet模型；
29.prophet模型构建主要为时间序列分解，建立模型标签和特征的关系。prophet模型时间序列分解不同于时间序列分析领域的分析方法，其主要分为四项：增长趋势项g(t)、周期项s(t)、节假日项h(t)、误差项∈
t
。
30.其中，prophet模型整体表达式如下：
31.y(t)＝g(t) s(t) h(t) ∈
t
32.prophet模型构建主要包括以下步骤：
33.步骤a：模型变点选择。现实的黄河险情预测的曲线走势并不是一成不变的，在一定的周期内，它是保持着线性增长或者线性下降的趋势。设置模型变点的百分比为0.3，对采集时间序列的前60天内设置变点，后30天不设置变点。变点的数目采用模型的默认值15。变点增长率满足拉普拉斯分布。模型变点用sj表示，当前时间戳用t表示，指示函数a(t)表达式如下：
[0034][0035]
步骤b：增长趋势项g(t)设置。增长趋势项g(t)是模型时间序列值非周期性变化的函数。根据模型增长趋势的分析，可选择的函数类型主要由两个，分别是逻辑回归函数、分段线性函数。黄河险情数据增长趋势为饱和增长，设置趋势项函数为逻辑回归函数。根据黄河险情的四类等级，设置承载能力c(t)为上限为4，下限为0的线性函数。
[0036]
根据模型变点，增长趋势项g(t)表达式如下：
[0037][0038]
其中，δ为变点处增长率的变化量，k为增长率，m为偏移参数。
[0039]
步骤c：周期项s(t)设置。黄河险情有着明显的周期性，在特定周期下，爆发重大险情的概率大。黄河源数据优选一季度的数据，以90天为一个周期。设置时间序列的周期p＝90，设置n＝3。
[0040]
本实施例中周期项s(t)＝x(t)β，其中β符合正态分布，正态分布中的系数越大，表示当前黄河险情受到较大的季节效应。
[0041]
步骤d：节假日项h(t)设置。节假日项通常是表示对特定的某一时间段对黄河险情预测起重大影响的时期。根据实际要求，将节假日设置为黄河汛期时间。针对汛期的每个半月设置影响因子ki，让其符合正态分布。影响因子越大，表示对黄河险情预测起的作用越大。
[0042]
本实施例中节假日项其中l为设置的汛期节假日总个数。
[0043]
本实施例中prophet模型训练包括：
[0044]
步骤ⅰ：数据集划分。将90天的黄河险情处理后的数据以一定比例进行划分为训练集和测试集，将数据样本集的后7天作为测试集，数据样本的前83天作为训练集，进行模型训练，输出未来7天内险情的预测值、预测上限、预测下限。
[0045]
步骤ⅱ：模型评估。模型训练集的训练通过绝对平均误差mae进行评估。
[0046]
本实施例均方差mae表示如下：
[0047][0048]
其中，为预测的险情等级值，yi为真实险情等级值。
[0049]
(3)向所述prophet模型输入待预测未来时间段，输出与所述待预测未来时间段对应的黄河险情等级；
[0050]
本实施例对7天内预测的黄河险情等级数值，设置分段函数，进行险情分类。
[0051]
本实施例采用prophet时间序列预测模型，通过历史90天内的险情等级和时间的关系，预测未来7天内的险情等级，帮助抗险抢险人员做好险情发生前的必要准备，有利于提高抗险抢险的效率。实际应用中，抢险人员主要调节阈值c(t)函数，就可以有效进行险情预测，模型具有预测时间短、速度快的优先，符合险情的突发性。本实施例中获取的是历史90天内的数据，预测的是未来7天的险情等级，作为其它实施方式，可以根据实际需求随上述天数进行修改。
[0052]
本实施例采用prophet时间序列预测模型，通过获取历史时间段内的险情等级和时间的关系，预测未来时间段内的险情等级；本实施例实现了对险情等级的提前预测，能够实现及时预警，有利于提高抗险抢险的效率。
[0053]
需要说明的是，尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。