基于神经网络的洪水预报方法与系统与流程

本发明涉及一种基于神经网络的洪水预报方法与系统。
背景技术：
：现代洪水预报技术是建立在现有的气象预报和水文预报理论的技术基础之上的，主要有三个方面的内容：首先是研究能满足洪水预报特殊要求的定量降水预报技术；其次是建立起定量降水预报和洪水预报有机结合的方式；第三是实时洪水预报方法，包括流域产汇流和河道洪水预报。目前，实时洪水预报技术主要采用物理过程和数学方法分析建模计算，并根据最新监测的雨量、水位或者流量资料对模型的结构、参数或模型输出进行实时校正，不断提高过程洪水的预报精度。目前，国家水文数据库已经建成，各类水位、雨量测站细化建设到村屯，结合迅猛发展的互联网技术，为水文信息查询和数据分析提供了良好的平台。但目前我国水文部门主要依托洪水预报系统进行预报，而且大多采用其中传统的水文算法进行洪水预报，由于系统数据库结构、算法相对固定，即使将全部影响洪水过程的因素收入分析计算中去，也很难平衡其中错综复杂的关系以及应对变化无常的雨情、水情、工情，部分预报容易出现精度不够高、预见期不够长、预报作业时效不够迅速，难以满足防汛决策所需。本申请的发明人所公开发表的一份文献中，(文献1，广西大学硕士论文：《基于神经网络的贺江流域贺州站洪水预报研究与应用》，作者苏盛，2017年12月)，提出了一种洪水预报方法，应用于贺江流域贺州站洪水预报，在解决现有技术的上述技术问题方面取得了一定的突破，但其预报精度仍只能达到丙级，尚有改善的需要。技术实现要素：本发明的目的是提供一种基于神经网络的洪水预报方法与系统，提升预报精度。为此，本发明提出的基于神经网络的洪水预报方法包括如下步骤：s1、在以研究对象为主题的数据仓库的基础上，加入通过泰森多边形法计算得出的区域平均雨量；s2、对数据仓库进行调整扩充；s3、采用数据仓库中按照洪水预报合成流量法进行变换后的多个洪水场次连续多个前期时段的水雨情和水利工程调度数据进行神经网络分析建模，实时递推得出预见期研究对象的洪峰流量和水位中的至少一者。在一些实施例中，还包括如下技术特征：步骤s1中，按照泰森多边形法，在全流域或某一区域内构成一个泰森多边形网，在网内，每个泰森多边形都对应一个雨量观测点，该雨量观测点的降雨量就代表对应泰森多边形内的降雨量；从而，通过网内所有雨量观测点的降雨量计算出区域平均降雨量。4、构成一个泰森多边形网的方法是：首先在地形图上勾绘出研究所需的流域某雨量站集雨区域，同时标注雨量站位置；然后导出区域图；最后根据泰森多边形的原理和特点，对区域图进行泰深多边形的构建，得到研究所需的集雨区域的泰森多边形网。4、如权利要求3所述的基于神经网络的洪水预报方法与系统，其特征在于，区域平均降雨量可按下式求得:其中，n为设泰森多边形个数，xi为每个雨量观测点的降雨量,a为每个对应的泰森多边形与区域面积的比即雨量权重系数。步骤s2中，对数据仓库进行调整扩充包括：增加区域平均雨量为影响待预报雨量站水位的主要因素；将上游水库排洪流量调整为出库流量，出库流量＝排洪流量+发电流量+灌溉流量。步骤s3中，根据合成流量法，对各因子按照传播时间进行流量合成，即对事件样本数据对应传播时间进行列位移变换，并对变换后的数据单元中的雨量数据计算出相应的区域平均雨量，计算结果作为新因子参与神经网络分析，使得准备进行神经网络分析的数据单元体现出对待预报雨量站水位的实际影响，并对准备进行神经网络分析的数据单元数据增加根据合成流量法相应变换的连续多前期时段的数据。步骤s3中，每次能进行神经网络分析建模的洪水过程场次数量不受限制。。在n时对待预测站做出n+1时的预报水位，n+1时的待预测站雨量站数据通过气象预报得出，进而完成预见期为1小时的预报；记上游站点的传播时间最小值为m，则未来m小时的经过调整扩充后的数据单元，即影响预报对象的因素的根据合成流量法相应变换的连续多前期时段的数据，都能做到完整且合理有效，进而可以逐步合理递推到n+m时的待预测站水位、流量，即拟定预见期为m小时；其中m和n为正整数。采用按照洪水预报合成流量法进行变换后的多个洪水场次连续多个前期时段的水雨情和水利工程调度数据作为数据分析单元对预报对象的洪峰流量和水位中的至少一者进行神经网络分析建模，对通过神经网络分析得到的模型直接使用未参与洪水预报方案编制的超警戒洪水事件样本数据进行初步的精度检验，若检验结果准确，再对方案进行完整规范的精度评定和检验，反复建模、检验、纠错，根据精度检验结果可适当调整预见期，最后得出一套相对满意的洪水预报方案。本发明还提出一种基于神经网络的洪水预报系统，其采用上述方法进行洪水预报。本发明还提出一种计算机介质，其存储有计算机程序，所述计算机程序可被执行以实现上述洪水预报方法。本发明的上述基于神经网络的洪水预报方法与系统，是一种基于神经网络的连续多前期数据递推的实时洪水预报方法，是在已建有的以研究对象为主题的数据仓库的基础上，加入通过泰森多边形法计算得出的区域平均雨量，按照洪水预报合成流量法对原有的数据仓库进行调整扩充，创新采用数据仓库中连续多个前期时段的水雨情和水利工程调度数据作为数据分析单元进行神经网络分析建模，实时递推得出预见期研究对象的洪峰流量或/和水位，提升了预报精度。在一些实施例中，还包括如下有益效果：加入通过泰森多边形法计算得出的区域平均雨量，对洪水预报与评估提供了重要依据，本发明人证实，实时、准确的区域平均降雨量计算结果，对洪水预报的准确性起着至关重要的作用。通常雨量站所观测到的降雨量，只能代表该雨量站周围较小范围的降雨情况，因此，单独雨量站的降雨数据不能完全作为洪水预报与评估的依据，需要采用全流域或某一区域的所有雨量站的降雨数据来计算区域平均降雨量。对现有技术的数据仓库进行调整扩充，调整扩充后的数据仓库中用于神经网络分析的数据更为精细且相对增加，为神经网络分析提供了更有力的数据支撑。创新采用按照洪水预报合成流量法思想进行变换后的多个洪水场次连续多个前期时段的水雨情和水利工程调度数据作为数据分析单元进行神经网络分析建模,较为全面地代表了洪水发展过程，使得神经网络分析能充分地挖掘洪水过程隐含的规律；避免了文献1使用序号代表洪水发展过程进行分析出现不合理拟合的可能性；每次能进行分析的洪水过程场次数量不受限制。在本申请的一个实施例中，成功使预报的检验精度从丙级提升到乙级水平。附图说明图1为本发明实施例流程示意图。图2为本发明实施例所应用的贺江流域水系地貌示意图。图2a、2b、2c为集雨区域泰森多边形的构建过程示意图。图3是贺州站水位变化的因果图(鱼骨图)。图4是含有一个隐含层的多层前馈神经网络示意图。图5a为本发明实施例合成流量示意图。图5b为对应的神经网络关系图。图6是本发明实施例2016.5.20事件样本精度评定折线图。图7是本发明实施例2016.6.13事件样本精度评定折线图。图8是本实施例的预报方案检验结果示意图。图9是对比文献1的预报方案结果示意图。具体实施方式本发明以下实施例是结合数据挖掘、神经网络和洪水预报等各个学科而提出的。数据挖掘是一个多学科的交叉领域。一方面，想要以特殊的方法发现蕴藏在大型数据集中的有用知识，数据挖掘必须从统计学、神经网络、信息检索、高性能计算等其他学科领域汲取营养。另一方面，其他学科领域也需要从不同角度关注数据的分析和理解；数据挖掘也为这些学科领域的发展提供了新的机遇和挑战(张雄灵，杨贯中.数据挖掘在河道洪水准确预测中的应用研究[j].计算机仿真，2013(30))。从信息处理的角度，人们更希望计算机帮助分析数据和理解数据，帮助他们基于丰富的数据做出决策。于是，数据挖掘(从大量数据中以非凡的方法发现有用的知识)就成为一种自然的需求。神经网络是一种模拟生物神经系统活动特征的网络，由计算单元(神经元)进行广泛而并行的信息处理的数学模型。作为一种常用的分析算法已经融入多种数据挖掘工具中，依靠系统的复杂程度和计算机高速运算能力，通过调整内部大量节点之间相互连接的关系，有很高的容错能力和学习能力，在给定足够多的隐藏单元和足够的训练样本的前提下，神经网络能充分逼近复杂的函数或非线性关系从而达到处理信息的目的。在理论上，神经网络可以很容易地解决具有上百个参数的问题，为解决高度复杂问题提供了一种相对较为简单有效的方法。洪水预报的传统模型很多，它们反映了水文学的一些规律，但是由于人类对流域水文气象规律认识有限，自然界规律复杂多变，人类的活动也不断对流域下垫面产生影响，各种模型的建立还不能摆脱对真实水文现象模拟概化的种种假定，因此再好的模型也难以全面地反映客观规律。本实施例提出的基于神经网络的连续多前期数据递推的实时洪水预报方法是在已建有的以研究对象为主题的数据仓库的基础上，加入通过泰森多边形法计算得出的区域平均雨量，按照洪水预报合成流量法对原有的数据仓库进行调整扩充，创新采用数据仓库中连续多个前期时段的水雨情和水利工程调度数据进行神经网络分析建模，实时递推得出预见期研究对象的洪峰流量(水位)。其流程图如图1所示。下面以贺江流域贺州站水位预报为例，对本发明进行进一步详细的说明。近年来，贺江流域因生产建设已经发生了变化，而水文部门对贺江流域贺州站近三年的洪水预报结果都不够精确，发明人已将此项发明试用于贺州站，具体详细的实施方式详见下文。贺江流域水系(龟石水库大坝到贺州城区段)如图2(此图为地貌图)，已在2017年基于神经网络对贺江城区段拦河坝拆除后(2016年4月拆除)明显影响贺州站水位的事件样本数据进行研究，得出一套预报精度为丙级的洪水预报方案，详见发明人发表的文献1(广西大学硕士论文：《基于神经网络的贺江流域贺州站洪水预报研究与应用》，作者苏盛，2017年12月)。本实施例是在该论文的基础上，做出技术改进，提高预报精度，在充分考虑洪水发展客观规律的基础上，突破了文献1中神经网络每次仅能对一场洪水过程进行分析的限制，不断完善，并增加了对预报时效性的评定，提出并完成了本实施例的技术方案及应用。具体包括如下内容：1、基于arcgis的泰森多边形的构建目前计算区域平均降雨量的方法很多，常用的有算术平均法、数值法、等值线法、泰森多边形法等。在这些方法中，泰森多边形法最适合流域或区域内雨量站或降雨量分布不均匀的情况，能极大提高平均雨量计算的精度。而贺州站上游集雨区域为山地、小盆地、丘陵相结合，地形复杂，使用泰森多边形法计算该区域平均雨量最为适合。泰森多边形是荷兰气象学家a.h.thiessen提出的，它是一种通过离散雨量点的雨量计算区域平均雨量的方法。即将相邻的离散雨量点连成三角形，在作出三角形各边的垂线，于是每个离散点周围被垂线围成一个多边形(即泰森多边形)，用这个泰森多边形中的唯一雨量观测的降雨量来代表这个多边形范围内的降雨量。按照此做法，在全流域或某一区域内就构成了一个泰森多边形网，在网内，每个泰森多边形都对应一个雨量观测点，该雨量观测点的降雨量就代表对应泰森多边形内的降雨量。于是，通过网内所有雨量观测点的降雨量就可以算出区域平均降雨量。设泰森多边形个数为n，每个雨量观测点的降雨量为xi,每个对应的泰森多边形与区域面积的比即雨量权重系数为ai，则区域平均降雨量可按下式求得:本实施例首先在地形图上勾绘出研究所需的贺江流域贺州站集雨区域(图2a)，同时标注雨量站位置；然后导出区域图(图2b)；最后根据泰森多边形的原理和特点，以arcgis10.5为平台，对区域图进行泰深多边形的构建，得到研究所需的贺江流域贺州站集雨区域(龟石水库大坝至贺州站段)的泰森多边形网，如图2c。同时，针对图2c中9个雨量站计算出9个雨量权重系数ai(每个对应的泰森多边形与区域面积的比)，如表1。下文提到的雨量站点将使用表1中对应的序号表示。表1泰森多边形法计算的区域雨量权重系数表2、调整扩充原有的数据仓库原有的数据仓库建立主要包括维度建模和数据准备，根据影响贺州站水位的主要因素(见图3)采用星型模式(此模式是现有技术，具体可见：韩家炜.数据挖掘：概念与技术(原书第3版)[m].北京：机械工业出版社，2012.)根据文献1中的维度建模方法进行维度建模，按照简单易行的原则以microsoftexcel为平台建立数据仓库，统一数据结构，通过对数据的获取、清洗、校核、整合完成数据仓库的建立。相对于文献1，本申请对数据仓库进行了调整扩充。以下对原有数据仓库情况及此次调整扩充进行说明：1、受2015年贺江城区段江堤公园建设和2016年3月底城区灵峰大桥上游拦河坝(八步坝)拆除的影响，而贺州站位于拦河坝上游600米左右，贺江城区段下垫面(河床等因素)已发生明显变化，因此本申请数据仓库仅收录原有数据仓库中2016年以来影响贺州站水位的水雨情和水利工程调度数据。2、增加区域平均雨量为影响贺州站水位的主要因素，如图3。3、将龟石水库排洪流量调整为出库流量，出库流量＝排洪流量+发电流量+灌溉流量，对数据细节做进一步优化，提高分析的可靠性和准确性。4、2018年以来，截至10月初，贺州站未发生过洪水，最高峰值仅为101.7m，距警戒水位103.5m相差1.8m，距常水位100.8相差0.9米，研究意义不大，因此未将2018年相关数据加入数据仓库。5、将原有数据仓库中所有水位数据的单位米调整为厘米，以缩小与雨量数据单位毫米之间的量级关系，试图提高精度。3、基于神经网络的洪水预报方案的建立3.1概述本实施例研究建立的贺江流域贺州站洪水预报方案根据贺江流域贺州站上游的基本情况、水利工程设施建设情况，参照水文部门进行洪水预报的数据来源，收集贺州站洪水预报所需的雨量、水位、龟石水库出库流量等有关资料，其中雨量、水位来源为市水文局，为文献1中已完成的工作，龟石水库出库流量来源为龟石水库，为本申请完成的工作，因时间关系，未能及时收集贺州站洪峰流量数据，因此本实施例仅对洪峰水位进行预报。但本领域技术人员易知，只要有足够的数据，本申请所提出的方法是同样适用于洪峰流量预报的。本实施例拟定设计了多个洪水预报方案，通过神经网络分析多次改进，选取其中最为准确的一个作为贺江流域贺州站洪水预报方案。在确保洪水预报精度和可信度的前提下，对贺江流域贺州站洪水预报方案按照洪水预报精度评定有关要求进行评定和检验。3.2多层前馈神经网络多层前馈神经网络迭代地学习用于样本数据预测的一组权重，是神经网络的一个分类，包括一个输入层、一个或多个隐藏层和一个输出层，如图4，一般来说，隐藏层的神经元数量和输入的因子成正比。多层前馈神经网络以下简称神经网络。神经网络的两个重要处理过程和功能是学习和执行。神经网络经过多次对某种信息模式的学习，会把多次学习信息记录在各个节点的链接权重上，因而会对该种信息模式特别敏感，当再次执行一个已经被其学习过的类似信息时，就能做出较为准确的推理结论或预测值。神经网络的工作原理：自变量(因子)由输入层到隐藏层再到输出层不断传递，隐藏层神经元相当于所采用的统计分析模型，不断对接收到的相应信号调整处理方式，最后使得输出层输出的因变量成为较为正确的推理结论或预测值。在神经网络分析中为防止数据过度拟合应对样本数据进行合理的拆分，按照一定的比例形成训练集和验证集，常见的比例为7:3或者5：5。3.3设计洪水预报方案3.3.1设计说明从数据仓库中观察发现，2016年以来贺州站共计3场超警戒洪水，这3个洪水事件中，上游龟石水库出库流量均达到了450立方米每秒且排洪时间长、贺江流域贺州站上游至龟石大坝段均有强降雨影响，样本数据最为丰富，极具分析价值和代表性，是其他事件所无法相比的。采用上述3个事件样本编制和检验预报方案能最大程度上提高方案的可靠性，因此以下的洪水预报方案将主要围绕上述3个事件进行，事件对比如表2。表2事件对比表结合实际情况，本实施例采用2016年超警戒洪水事件(表2中前两个事件，即2016.5.20和2016.6.13)样本数据进行编制预报方案和评定，采用未参与洪水预报方案编制的2017年超警戒洪水事件(表2中第三个事件，即2017.7.2)样本对设计方案进行精度检验。3.3.2预报方法方案设计：在文献1已建有的以研究对象为主题的数据仓库的基础上，加入通过泰森多边形法计算得出的区域平均雨量，按照洪水预报合成流量法的思想并结合创新点对原有的数据仓库进行调整扩充，创新采用数据仓库中连续多个前期时段的水雨情和水利工程调度数据作为数据分析单元进行神经网络分析建模，实时递推得出预见期研究对象的洪峰流量(水位)。实施过程：1.调整扩充数据仓库中的行数据(即确定准备进行神经网络分析的数据单元)。根据合成流量法的思想，龟石水库出库流量、各雨量站点降雨量、钟山站流量(水位)到贺州站有一定传播时间(如表3)，按照传播时间对各因子同时刻到达贺州站的流量叠加起来进行流量合成，即在数据仓库中对单元行数据按照传播时间进行列位移变换，并对变换后的行雨量数据计算出相应的区域平均雨量(计算结果作为新因子参与神经网络分析)，使得每行数据体现出对贺州站水位的实际影响。如图5a。本实施例创新采用合成流量后的前6小时影响贺州站水位主要因素的全部逐时数据对下一小时贺州站水位进行预报，即数据单元由文献1研究的15个调整到79个(考虑自变量序号本身并不能完全体现出对贺州站水位的影响于是删掉了，而采用连续多个前期时段的水雨情和水利工程调度数据作为数据分析单元进行神经网络分析建模，较为全面地代表了洪水发展过程，使得神经网络分析能充分地挖掘洪水过程隐含的规律；避免了文献1使用序号代表洪水发展过程进行分析出现不合理拟合的可能性；每次能进行分析的洪水过程场次不受限制)，(13个因子时段数据)(见图5合成流量示意图)*6+1个预报对象时段数据＝79。表3传播时间表站点传播时间(小时)龟石水库出库流量8钟山站流量(水位)6水井雨量站1白沙雨量站8贺州雨量站0钟山雨量站6铁屎坪雨量站8鱼塘雨量站7水口州雨量站4望高雨量站7大坝头雨量站62.调整扩充数据仓库中的列数(即确定准备进行神经网络分析的数据单元个数)。采用连续多个前期时段的水雨情和水利工程调度数据作为数据分析单元进行神经网络分析建模，使得每次能进行分析的洪水过程场次不受限制，于是将按照上述数据单元整合到同一个表中，共计381列，即381个时段数据。同时，采用上述方法对2017年超警戒洪水事件样本数据进行调整扩充，为精度检验做准备。3.拟定预见期在数据单元完整且合理有效的条件下，神经网络模型即可做出较为准确的预测。从图5可以看出，在n时对贺州站做出n+1时的预报水位，n+1时的贺州雨量站数据是未知的，但可以通过气象预报得出，进而完成预见期为1小时的预报。通过观察表3可以看出，11个站点中，8个站点的传播时间均在6小时以上，其余3个站点均为雨量数据，而雨量均可通过气象预报得出，由此看来，未来6小时的数据单元都能做到完整且合理有效，进而可以逐步合理递推到n+6时的贺州站水位，即拟定预见期为6小时。4.神经网络分析基于数据挖掘工具jmp10平台，从数据仓库中选取经过上述步骤调整扩充后的2016年全部超警戒洪水场次(共2场次)样本数据加载到jmp中进行神经网络建模分析，输出的因变量(响应)：n+1时贺州站水位，输入自变量(因子)：n时贺州站水位、(n+1-传播时间)时钟山站水位、(n+1-传播时间)龟石出库流量、(n+1-传播时间)各雨量站点数据、相应区域平均雨量等，神经网络的训练集与验证集的比例采用2:1，隐藏节点数即隐藏层的神经元数量设置采用15。建模。对通过神经网络分析得到的模型直接使用未参与洪水预报方案编制的2017年超警戒洪水事件样本数据进行初步的精度检验，若检验结果准确，最后再对方案进行完整规范的精度评定和检验，反复建模、检验、纠错，逐步得出一套相对满意的洪水预报方案。5.确定预报方案经检验，为保证预报精度，将预见期由6小时降低为5小时。最终预报方案如图5b。预报公式：式中，h为下小时贺州站的预报水位，按照设计的预报方案可递推出未来5小时的贺州站水位；i表示神经网络的隐藏层神经元，共15个；k表示神经元的权重系数，r为恒定数值，通过神经网络利用挖掘工具jmp得出；h表示神经元的拟合值，为双曲正切tanh函数值，由78个因子通过神经网络利用挖掘工具jmp计算得出，公式如下,式中，t为进行tanh函数计算前的判定比，l为限制系数，p为神经元对应的每个因子的权重系数，均通过神经网络利用挖掘工具jmp得出；z为因子，m为因子序号。对应关系见下表表3a。表3a3.4精度评定根据《水文情报预报规范》(gb/t22482-2008)标准，采用确定性系数对本实施例的预报方案进行精度评定和检验，并对洪峰预报时效进行评定。3.4.1预报方案的精度评定和检验确定性系数(dc)表示洪水预报过程与实测过程之间的吻合程度，按dc>0.9、0.9≥dc≥0.7、0.7＞dc≥0.5对洪水预报方案精度分为甲、乙、丙三个等级。本实施例采用确定性系数对方案的洪水预报过程进行精度评定和检验，确定性系数计算公式如下：式中：dc——确定性系数(取2位小数)；yc(i)——预报值；y0(i)——实测值；——实测值的均值；n——资料序列长度。根据《水文情报预报规范》要求，选取参与编制洪水预报的全部资料进行评定，选取未参与编制洪水预报的全部资料进行检验，每5小时为一个预报过程，计算出预报结果，评定结果如图6、图7，图中，x轴为时序，y轴为水位，单位为cm，图6中dc＝0.98，图7中dc＝0.98，曲线中较圆滑的为实测水位。本实施例的预报方案检验结果如图8(选取未参与编制洪水预报的全部资料进行评定)，其中dc＝0.82，曲线中较圆滑的为实测水位；对比文献1的预报方案如图9，其中dc＝0.77，曲线中较圆滑的为实测水位。本实施例比文献1高了0.05，且预报的洪峰水位、洪峰出现的时间更为准确。综上，按照确定性系数公式计算得出本实施例中参与编制洪水预报的两场洪水过程dc值均为0.98，评定精度达到甲级水平；未参与编制洪水预报的洪水过程dc值为0.82，检验精度为乙级水平。3.4.2洪峰预报时效的评定洪峰预报时效用时效性系数表示，按下式计算：cet＝epf/tpf式中：cet——时效性系数(取2位小数)；epf——有效预见期[指发布预报时间至本站洪峰(或预报对象)出现的时距，取1位小数]，单位为小时(h)；tpf——理论预见期[指主要降雨停止或预报依据要素出现，至本站洪峰(或预报对象)出现的时距，取1位小数]，单位为小时(h)。单河段(流域)洪峰预报时效等级按表4确定，当cet>1.00为超前预报，它是在洪峰预报依据要素未出现时发布的洪峰预报，预报时效达不到丙级者为时效不合格。水位流量过程预报的时效也可用预见期最长的预报值比照洪峰预报时效等级规定确定。表4单河段(流域)洪峰预报时效等级表时效等级甲(迅速)乙(及时)丙(合格)时效性系数cet≥0.950.95>cet≥0.850.85>cet≥0.70同时，各时效等级的cet的计算，以作业耗时值dh(包含水情信息接收处理时间，dh＝tpf-epf)的下列值为上限，即甲级≤0.6h，乙级≤0.8h，丙级≤1.0h。对照上述规定，本预报方案的预报作业主要内容是将n时的预报依据要素(各水位、雨量、龟石水库出库流量数据)代入预报公式进而递推得出n+5时的贺州站水位，可通过excel、编写小程序、数据挖掘工具进行计算，输入预报公式所需数据即可得出预报值；作业主要耗时包括水情信息接收处理和三个雨量站点的预报数据分析处理，整个作业过程耗时dh可以控制在0.2h(即12分钟)以下，如能编写小程序嵌入山洪灾害监测预警平台并提前做好三个雨量站点的预报数据分析处理工作，作业主要耗时仅为水情信息接收处理耗时。综上，本预报方案的tpf为5h，作业耗时dh为0.2h，计算得出cet＝0.96，时效等级为甲级。3.4.3总体分析一、本实施例预报方案的精度检验值较文献1有所提高，洪峰水位和峰现时间更为准确，特别是对首个洪峰的连续预报，洪峰水位、峰现时间都很精准，如表5。表5本实施例预报方案对洪峰过程的连续实时预报二、本实施例采用采用按照洪水预报合成流量法思想进行变换后的连续多个前期时段的水雨情和水利工程调度数据作为数据分析单元进行神经网络分析建模，较为全面地代表了洪水发展过程，使得神经网络分析能充分地挖掘洪水过程隐含的规律；避免了文献1使用序号代表洪水发展过程进行分析出现不合理拟合的可能性；每次能进行分析的洪水过程场次不受限制。三、本实施例对预报方案进行了预报时效的评定，甲级的预报时效充分说明本预报方案的高效性。四、本洪水预报方案预见期为5小时，预报精度为待定乙级(仅采用2017年的洪水资料进行精度检验，按规定应不少于2年，但截至2018年10月初贺州站仍未发生过洪水，且最高峰值过程不具代表性)，预报时效性为甲级，可实时预报并用于参考性预报。本实施例研究基于文献1研究不够成熟，仅用单个时段的水雨情和水利工程调度数据作为数据分析单元进行神经网络分析建模，较为片面地使用序号代表洪水发展过程进行神经网络分析建模，且每次仅能一个场次的洪水过程数据进行分析，创新地采用前6小时影响贺州站水位主要因素的全部逐时数据对下一小时的贺州站水位进行预报，进而递推得出未来5个小时的贺州站水位(前6小时数据是输入，5小时后的预报水位是输出，是每个小时录一次数据)，突破了文献1神经网络每次仅能对一场洪水过程进行分析的限制，采用已有的全部洪水场次洪峰过程资料编制预报方案，预报精度有所提高，洪峰水位和峰现时间的预报更为精准。本实施例是以水位预报为例来进行说明的，但该方法也可以用于流量预报。本实施例的洪水预报，为预报对象量体裁衣，以业务为驱动，以数据仓库为基础，可以从影响预报对象洪峰(水位)的大量水情、雨情、工情数据中发掘出其洪水过程隐含的深层规律，同时加入通过泰森多边形法计算得出的区域平均雨量并按照洪水预报合成流量法对原有的数据仓库进行调整扩充，创新采用按照洪水预报合成流量法思想进行变换后的多个洪水场次连续多个前期时段的水雨情和水利工程调度数据作为数据分析单元进行神经网络分析建模，得出精度较高的洪水预报模型；采用递推算法，结合预报对象实际情况一定程度上延长了洪水预见期；根据得出的洪水预报模型提取出预报公式，输入预报公式所需数据即可得出实时预报值，极大地提高了预报作业时效。本实施例的方法预报精度较高，预见期较长，预报作业时效高且为实时预报，应用实施难度相对不高且周期较短，能为防汛决策、应急抢险调度提供更有力支撑。此外，此方法还可以运用到水库水电站调度中，如此，将产生一定的经济效益本实施例的方法可应用到水文资料(对预报对象起主要影响作用的水位站、雨量站、水利工程调度数据)较为全面的站点、水库水电站预报中去，可编写成软件模块嵌入到山洪灾害监测预警平台中，为防汛决策、应急抢险调度提供更有力支撑。当前第1页12