技术领域本发明涉及一种洪水预报方法，具体涉及一种基于数据驱动的小流域洪水实时预报方法。
背景技术：
小流域山高坡陡，溪流密集，水位陡涨陡落，来势凶猛，往往短时间成灾，同时可能引起滑坡、崩坡、崩塌和泥石流等次生灾害，造成河流沿岸人民生命财产的巨大损失。因此，针对小流域洪水的预报技术具有重要价值。目前大多数洪水预报模型都属于确定型水文模型范畴，并可进一步分为概念型模型、物理型模型和经验型模型三类。概念型模型又称为“灰箱”模型，是将流域产汇流过程划分为多个计算单元，计算单元内许多水文过程进行集总式描述。物理型模型又称“白箱”模型，是将水移动的控制方程直接离散化，加上水移动的边界条件和初始条件，利用数值分析方法进行求解，因此物理型模型能考虑水循环的动力学机制和相邻单元之间的复杂性。经验型模型又称为“黑箱”模型，经验型模型所使用的数学方程是基于对输入输出数据系列的经验性回归分析，立在线性系统的假设上，而不涉及对水文物理过程的分析。小流域洪水常由短历时大强度暴雨造成，洪水暴发季节性强、流域区域特征明显。由于上述特点，概念型模型和物理型模型参数难于直接由小流域物理性质推算出来，无法精确获得小流域洪水边界条件和初始条件，导致计算复杂度高、洪水预报精度低。传统经验型模型难于处理小流域洪中降雨和径流的非线性关系，导致模型计算时间长、计算结果不稳定。机器学习是一门多领域交叉学科，涉及概率论、统计学、算法复杂度等多门学科。通过研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，或重新组织已有的知识结构使之不断改善自身的性能。机器学习能够给予大量历史数据研究非线性复杂系统的演化规律，从而对实现对非线性系统参状态的预报。本发明应用机器学习理论，建立输入数据（降雨量）到输出数据（河道流量）关系的数据驱动模型，实现小流域洪水实时预报的目的。本发明能充分利用降雨、河道流量数据，发掘数据中的信息，模拟小流域洪水的复杂非线性映射关系，用于小流域洪水实时预报分析。
技术实现要素：
针对现有技术中存在的上述问题，本发明目的在于提供一种基于数据驱动的小流域洪水实时预报方法，利用降雨、河道流量数据，建立数据驱动模型，实现小流域洪水实时预报。技术方案：本发明所述的一种基于数据驱动的小流域洪水实时预报方法，具体步骤如下。（1）数据整理和时间序列计算，在小流域中采集获得连续的m日n个雨量站降雨量数据（R1~Rn）和一个下游河道流量数据（Q），建立降雨量延迟1日、2日、3日、5日、10日的延迟时间序列（R11~R1n、R21~R2n、R31~R3n、R51~R5n、R101~R10n），建立河道流量延迟0日、1日、3日的延迟时间序列（Q0、Q1、Q3），建立降雨量向前推算1日、2日、3日、5日、10日时段降雨量均值时间序列（SR11~SR1n、SR21~SR2n、SR31~SR3n、SR51~SR5n、SR101~SR10n），建立河道流量向前推算1日、3日时段流量均值时间序列（SQ1、SQ3）。（2）计算时间序列数据的灰色关联性，选择降雨量延迟时间序列、降雨量均值时间序列、河道流量均值时间序列以及Q1、Q3、SQ1、SQ3，共计10n+4个时间序列，表示为L1~L10n+4，计算L1~L10n+4与Q0之间的灰色关联度，首先对L1~L10n+4和Q0在各自序列内进行[0,1]之间的归一化，对于其中一个序列D={d1,d2,…,dk