一种候选模型自适应调整的城市洪涝多模型组合预测方法

本发明涉及城市洪涝积水深度预测，具体涉及一种候选模型自适应调整的城市洪涝多模型组合预测方法。

背景技术：

1、受全球气候变暖和快速城镇化的影响，洪涝灾害已成为全球面临的最重要和最常见的自然灾害之一。研究表明1970到2009年期间，全球报告了7870起水文气象灾害，造成了186万人死亡和数十万亿元的财产损失。ipcc的研究报告显示，未来极端气候的频度和强度还将进一步增加。频发和危害逐渐增加的洪涝灾害给城市的防洪排涝带来极大挑战，已成为制约城市持续健康发展的突出瓶颈。因此，亟需探索准确、快速的城市洪涝预测方法适应城市防洪排涝需求，尽可能降低洪涝灾害产生的影响。

2、近年来，随着大数据和人工智能技术的迅速发展，学者们探索了多种机器学习方法预测城市洪涝，吴等人利用结构化和非结构化城市洪涝数据建立了城市洪涝数据仓库，在此基础上采用梯度提升决策树(gbdt)算法构建的积水深度预测模型，验证结果表明gbdt模型具有11.52％的相对误差，可以较好的预测城市洪涝的积水深度。motta等人利用常见的6种机器学习方法(逻辑回归、支持向量机、高斯朴素贝叶斯、随机森林、k-近邻、多层感知机)构建了积水预测模型，结果表明非线性模型更能准确检测洪水，其中性能最高的是随机森林。从上述文献可以发现，尽管gbdt、随机森林等多种机器学习方法在城市洪涝的某些应用中表现较好，但究竟哪种模型是最优的尚未形成统一的共识，主要原因是机器学习方法在面向不同预测任务时可能存在较大差异，因此找到一个适合任何情形的模型通常是不现实的，正如周等人所说，单个模型往往存在较大的不确定性，模型在当前情形取得了较好的结果，但在另外一个事件的预测中可能效果很差，这种不确定性给模型的推广和应用带来极大挑战。

3、随着统计学和计量经济学的发展，模型平均被广泛认为是降低模型不确定性的有效手段。常见的模型平均方法包含频率模型平均和贝叶斯模型平均。频率模型平均旨在选择最佳权重以实现某种形式的最优性，已经开发了多种频率模型平均策略，包括mallows准则、刀切法模型平均以及时变模型平均。贝叶斯模型平均是最常见也是应用最广的多模型组合方法。然而，这些采用模型平均方法的研究在选取候选模型时大多聚焦于候选模型的精度，忽视了候选模型的计算成本对集成预测模型性能的重要影响；对于城市洪涝预测而言，精度和时效性往往是同等重要的，因此，综合考虑模型精度和时效性的候选模型选取方法可能更合理，但从上述研究可以得出发现关于如何合理选取候选模型尚无统一范式。此外，这些集成预测模型几乎都忽视了候选模型数量以及候选模型组合的影响，众所周知，不同候选模型的预测性能存在显著差异，因此不同候选模型组合方案可能导致集成预测模型性能存在较大差异。总而言之，尽管广泛认为集成预测模型能够提升模型的预测性能，但集成预测模型构建中如何合理选取候选模型以及如何获取最优候选模型组合方案仍然存在一定的研究空白。

技术实现思路

1、本发明要解决的技术问题是克服现有技术的不足而提供一种候选模型自适应调整的城市洪涝多模型组合预测方法，首先利用wic准则提出综合考虑模型精度和时效性的候选模型选取方法，在此基础上利用时变准则构建组合多种机器学习模型的城市洪涝集成预测模型，并采用前向选择方法实现集成预测模型的候选模型组合方案自适应选取。

2、为解决上述技术问题，本发明所采取的技术方案是：

3、一种候选模型自适应调整的城市洪涝多模型组合预测方法，包括以下步骤：

4、s1.采用综合考虑模型精度和时效性的加权信息准则，从现有机器学习模型中选取出适用于城市洪涝积水过程集成预测模型的候选模型；

5、s2.以选取出的候选模型的预测结果为基础，采用时变模型平均准则构建组合所有候选模型的具有时变权重的城市洪涝积水过程集成预测模型；

6、s3.采用前向选择方法，对比分析不同候选模型组合方案下的集成预测模型性能，获取兼顾模型精度和模型时效性的候选模型最佳组合方案，构建基于最优候选模型组合方案的集成预测模型，对城市洪涝积水过程进行预测。

7、进一步的，所述步骤s1中，现有机器学习模型包括lr、lasso、gnb、rr、knn、svr、mlp、bp、dt、rf、gbdt和xgboost。

8、进一步的，所述步骤s1中，所述模型精度用k折交叉验证的rmse和mape共同决定，模型时效性取决于模型在预测任务中的计算时长t。

9、进一步的，所述步骤s1中，在采用加权信息准则选取候选模型前引入模型精度熔断机制和模型时效性熔断机制，首先从现有机器学习模型中选取出满足误差限和最大计算时长的初选模型，然后从初选模型中选取候选模型。

10、进一步的，所述步骤s1中，首先对各个模型的mape、rmse和计算时长t进行最大最小归一化处理，然后计算各个模型的wic值。

11、进一步的，所述步骤s2中，所述时变模型平均准则利用bic和基于最小化误差准则的反复迭代确定候选模型在不同时间节点的权重。

12、进一步的，所述步骤s2中，城市洪涝积水过程集成预测模型的构建包括以下步骤：

13、s2-1.利用bic准则计算所有候选模型的初始权重向量；

14、s2-2.计算集成预测模型在积水过程的起始时刻t1的预测误差，并根据该预测误差的正负调整候选模型权重，然后计算调整权重后集成预测模型的预测误差，重复本步骤，直至模型预测误差达到预设精度后停止迭代，得到t1时刻最优的集成预测模型权重向量；

15、s2-3.对积水过程的各个时刻，重复步骤s2-2计算积水过程不同时刻的最优权重向量。

16、进一步的，将不断更新的新样本补充至集成预测模型训练集中，重复步骤s2-2到步骤s2-3的过程得到随样本更新的集成预测模型权重。

17、进一步的，所述步骤s3中，采用向前选择法进行最优候选模型方案的获取包括以下步骤：

18、s3-1.初始候选模型：将步骤s1选取出的k个候选模型中性能最优的候选模型作为前向选择的初始候选模型；

19、s3-2.将上一步确定的候选模型分别与剩余k-1个候选模型组合，得到k-1种组合方案，并针对每种组合方案构建集成预测模型；计算每种组合方案下集成预测模型预测结果的wic值，并选取wic最小的候选模型组合方案作为向前选择输出结果；

20、s3-3.重复步骤s3-2，直到通过前向选择得到k个候选模型组合方案；计算所有候选模型组合方案下的wic值，并选取wic最小的模型组合方案作为集成预测模型最终的基准模型。

21、采用上述技术方案所产生的有益效果在于：

22、(1)采用基于加权信息准则的候选模型选取策略，综合考虑模型精度和时效性评估候选模型性能，从12种常见的机器学习模型选取城市洪涝积水过程集成预测模型的候选模型；

23、(2)以候选模型的预测结果为基础，利用时变准则构建了候选模型权重动态变化的城市洪涝积水过程集成预测模型，与传统机器学习方法相比，所构建的集成预测模型有效集成了单个模型的预测优势，可以提供更高精度和更稳定的积水预测，模型预测误差比单个模型降低了46.9％-64.6％；

24、(3)采用前向选择方法比较了不同候选模型组合方案的精度和时效性，提出了适用于城市洪涝积水预测和预警的兼顾模型精度和时效性最优的候选模型组合方案(方案d)，该方案具有6.71％的mape和41s的运行时间，不仅提高了单个模型的预测精度，同时确保模型时效性可以让防洪管理人员有充分的时间做出应对。

25、(4)在比较不同候选模型方案时采用的前向选择方法将计算时间降低了91.2％，有效降低了模型构建的工作量。