一种基于变模态卷积自编码关联向量机的径流量预测方法与流程

本发明涉及水文预报领域，特别涉及一种基于变模态卷积自编码关联向量机的径流量预测方法。

背景技术：

径流量预测在水资源规划管理和水库的运行与管理中都起着重要的作用。特别是对灾害性水文现象(洪水、干旱等)做出预报，对防洪、抗旱、水资源调配做出合理有效决策方案有重要意义。

目前有许多方法用于径流量预测，例如水文机制模型、统计概率模型、智能模型等。随着计算机技术和硬件条件发展，水文智能预测模型受到广泛关注和研究。智能模型是一种以建立输入输出数据之间的最优数学关系为目标的黑箱方法，结构灵活，自适应学习能力强，能很好反映径流序列的非线性、时序性、随机性等耦合特性。

技术实现要素：

本发明的目的在于：提出一种基于变模态卷积自编码关联向量机的预测方法，该方法能有效预测流域小时径流量。

本发明为解决上述问题提供以下技术方案：

一种基于变模态卷积自编码关联向量机的径流量预测方法，其特征在于，该方法包括以下步骤：

数据采集：收集历史水情信息，形成原始序列，并进行标准化处理；

变模态卷积自编码关联向量机建模：在对收集到的小时径流信息变模态分解的基础上，进行卷积自编码关联向量机建模训练；

预测未来时刻径流量：利用训练好的变模态卷积自编码关联向量机预测未来时刻径流量变化；

预测结果输出。

进一步的，所述数据采集步骤还包括：对所述历史水情信息中记录的径流时间序列进行标准化处理。

进一步的，所述历史水情信息为瞬时流量，在数据建模过程中作为小时平均值。

进一步的，变模态卷积自编码关联向量机建模包括以下步骤：

1)对收集到的所述历史水情信息进行变模态分解，获得原始序列的模态信息；

2)将各模态信息输入卷积自编码器中，进行特征学习；

3)将步骤2)中特征学习结果输入到关联向量机中，作特征回归拟合；

4)将步骤3)中各模态特性回归拟合结果进行模态线性融合，得到最终结果。

进一步的，所述步骤2)中卷积自编码器的特征学习为无监督学习，输入为径流量模态信息，输出为学习结果。

进一步的，所述步骤3)中回归拟合为有监督学习，输入为卷积自编码器的输出，输出为径流量。

进一步的，所述预测未来时刻径流量具体步骤为：按照训练输入-输出模式，将新的水情信息输入变模态卷积自编码关联向量机中，模型输出即为未来时刻径流量。

本发明与现有技术相比较，有以下优点：

1)利用变模态分解，提高了径流量时间序列的特性表征度；

2)利用卷积自编码器，提高了径流量变化特征的学习度；

3)使用变模态自动编码关联向量机的新方法进行径流量预测。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1为本发明一种基于变模态卷积自编码关联向量机的径流量预测方法的系统流程图；

图2为本发明一种基于变模态卷积自编码关联向量机的径流量预测方法的模型流程图。

具体实施方式

下面结合附图1-2对本发明的方法步骤作详细说明。

(1)数据采集：在水文信息网上收集历史水情信息(小时径流数据)，形成原始序列，具体为

1)对历史水情信息中记录的径流时间序列进行标准化处理；

2)水文信息网上收集的历史水情信息为瞬时流量，在数据建模过程中作为小时平均值。

(2)变模态卷积自编码关联向量机建模：将步骤(1)收集到的历史水情信息变模态分解的基础上，进行卷积自编码关联向量机建模训练；

1)对收集到的小时径流所述历史水情信息进行变模态分解，获得原始序列的模态信息；

2)将各模态信息输入卷积自编码器中，进行特征学习；

3)将步骤2)中特征学习结果输入到关联向量机中，作特征回归拟合；

4)将步骤3)中各模态特性拟合结果进行模态线性融合，得到最终结果。

在本实施例中，步骤2)中卷积自编码器的学习为无监督学习，输入为径流量模态信息，输出为学习结果。

在本实施例中，步骤3)中回归拟合为有监督学习，输入为卷积自编码器的输出，输出为径流量。

具体过程如下：

①将径流量原始序列x非递归分解为准正交带限、具有特定频率稀疏性的k个子序列u(称为模态)

式中，uk和wk代表第k个(k∈[1,k])分解模态及其对应的中心频率，δ(t)表示在t时间狄拉克分布。

②每个模态上建立卷积自编码器，进行模态特征学习。具体为

a.利用自编码器，将各模态信息前(t-1)时刻uk进行自编码输出，得到第一层的输出，即

h¹k＝fe(uk)＝sigm(w¹uk+b¹)，r¹＝fd(h¹k)＝sigm(w^1τh¹+b^1τ)

式中，h¹k代表输入uk的编码信息，r¹k代表编码特征h¹k的解码信息。w¹和b¹分别代表网络层之间的权值和偏量。

b.将第一层的输出r¹k作为第二层的输入，重复a步骤，得到第二层的输出r²k；

c.重复以上步骤，将上层的输出作为下层的输入进行训练，直到最后一层n，得到第n层的输出为rⁿk，使得rⁿk≈uk，则深度训练学习完成。

③将卷积自编码器最后一层的输出rⁿk作为关联向量机的输入，t时刻uk作为期望输出，采用有监督学习的方式进行回归训练，得到t时刻预测值

④利用模态分解逆运算(加法原理)，将每个模态预测值进行模态融合，得到最终径流量预测值，即t时刻径流量预测值

(3)预测未来时刻径流量：输入新的径流信息进行模型预测性能测试，具体为

利用训练好的变模态卷积自编码关联向量机预测未来时刻径流变化。按照训练输入-输出模式，将新的水情信息输入变模态卷积自编码关联向量机中，模型输出即为未来时刻径流量。

(4)预测结果输出。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。