基于水文变量年际和月变化特性的径流预报方法和系统

技术领域

本发明属于水文学中的水文预报领域，更具体地，涉及一种基于水文变量年际和月变化特性的径流预报方法和系统。

背景技术

中长期径流预报常用方法是利用数理统计或者人工神经网络等模型从过去已发生的气象水文信息中挖掘规律，预测径流未来的变化。在实际应用中，采用相关系数法从预报月前几个月的径流、降雨、气温等相关因子中挑选预报因子，采用多元回归、人工神经网络、模糊推理等方法作为驱动模型挖掘径流与预报因子的线性和非线性关系。对于以上数据驱动类模型，挖掘的有用信息越多，模型输入到输出的映射越接近实际，预报精度越高。然而，在现有预报技术中，一类方法从历史数据资料中提取预报月前期降雨径流等数据进行预报，而另一类方法从历史数据资料中提取预报月同期径流数据进行预报。这些方法均只考虑了单一的样本序列，使得预报精度大多不高。

由此可见，现有技术存在有效信息利用度不高且预报精度低的技术问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于水文变量年际和月变化特性的径流预报方法和系统，由此解决现有技术存在有效信息利用度不高且预报精度低的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于水文变量年际和月变化特性的径流预报方法，包括：

(1)获取预报断面的历史径流数据，从历史径流数据中提取预报月年际径流和预报月前的月际降雨及预报月前的月际径流；

(2)将预报月年际径流输入加权移动平均模型，得到加权移动预报月径流将预报月前的月际降雨及预报月前的月际径流输入GRNN神经网络模型，得到神经网络预报月径流

(3)对加权移动预报月径流和神经网络预报月径流采用最小二乘法进行加权耦合，得到最终的组合预报月径流。

进一步的，步骤(2)的具体实现方式为：

将预报月年际径流输入加权移动平均模型，得到加权移动预报月径流将预报月前的月际降雨及预报月前的月际径流和预报月径流实测值作为训练样本，利用训练样本训练GRNN神经网络模型，直至GRNN神经网络模型的光滑因子寻找到最优解，得到训练好的GRNN神经网络模型，将预报月前的月际降雨及预报月前的月际径流输入GRNN神经网络模型，得到神经网络预报月径流

进一步的，步骤(3)的具体实现方式为：

对加权移动预报月径流和神经网络预报月径流采用进行加权耦合，得到最终的组合预报月径流F_t，ω_a为加权移动平均模型的权重，ω_g为GRNN神经网络模型的权重，反应的是预报误差方差期望值，Q_t为i＝t时刻的径流实测值，F_i为第i时刻的组合预报月径流，Q_i为第i时刻的径流实测值，n表示总时刻，预报误差方差期望值最小时，应用最小二乘法，得到ω_g，ω_a的值。

按照本发明的另一方面，提供了一种基于水文变量年际和月变化特性的径流预报系统，包括：

第一模块，用于获取预报断面的历史径流数据，从历史径流数据中提取预报月年际径流和预报月前的月际降雨及预报月前的月际径流；

第二模块，用于将预报月年际径流输入加权移动平均模型，得到加权移动预报月径流将预报月前的月际降雨及预报月前的月际径流输入GRNN神经网络模型，得到神经网络预报月径流

第三模块，用于对加权移动预报月径流和神经网络预报月径流采用最小二乘法进行加权耦合，得到最终的组合预报月径流。

进一步的，第二模块的具体实现方式为：

将预报月年际径流输入加权移动平均模型，得到加权移动预报月径流将预报月前的月际降雨及预报月前的月际径流和预报月径流实测值作为训练样本，利用训练样本训练GRNN神经网络模型，直至GRNN神经网络模型的光滑因子寻找到最优解，得到训练好的GRNN神经网络模型，将预报月前的月际降雨及预报月前的月际径流输入GRNN神经网络模型，得到神经网络预报月径流

进一步的，第三模块的具体实现方式为：

对加权移动预报月径流和神经网络预报月径流采用进行加权耦合，得到最终的组合预报月径流F_t，ω_a为加权移动平均模型的权重，ω_g为GRNN神经网络模型的权重，反应的是预报误差方差期望值，Q_t为i＝t时刻的径流实测值，F_i为第i时刻的组合预报月径流，Q_i为第i时刻的径流实测值，n表示总时刻，预报误差方差期望值最小时，应用最小二乘法，得到ω_g，ω_a的值。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明采用最小二乘法将加权移动平均模型的预测值和GRNN神经网络模型的预测值相结合，加权移动平均模型利用加权移动平均时间序列预测方法揭示了历年来观测值周期趋势长期变化，选取GRNN神经网络模型模拟了径流年内短期变化的非线性映射关系，得到的最终的组合预报月径流考虑了降雨和径流数据资料的利用率，同时提高了径流预报精度。

(2)优选的，本发明确定训练样本后，GRNN神经网络模型结构也随之确定，GRNN神经网络模型内部神经元的激励函数无需另外设定，GRNN神经网络模型只需对光滑因子σ这一参数进行寻优，因此GRNN神经网络模型训练速度快，且无需事先设置网络初始权重，减少了人为干扰。

附图说明

图1是本发明实施例提供的基于水文变量年际和月变化特性的径流预报方法的流程图；

图2是本发明实施例提供的GRNN神经网络模型的结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，一种基于水文变量年际和月变化特性的径流预报方法，包括：

(1)获取预报断面的历史径流数据，从历史径流数据中提取预报月年际径流和预报月前的月际降雨及预报月前的月际径流；

(2)将预报月年际径流输入加权移动平均模型，得到加权移动预报月径流将预报月前的月际降雨及预报月前的月际径流输入GRNN神经网络模型，得到神经网络预报月径流

(3)对加权移动预报月径流和神经网络预报月径流采用最小二乘法进行加权耦合，得到最终的组合预报月径流。

进一步的，步骤(2)的具体实现方式为：

将预报月年际径流输入加权移动平均模型，得到预报月径流加权移动平均模型的原理是挖掘径流几十年来周期与趋势变化信息预报未来时段月径流。采用的加权移动平均模型对径流近期的周期与趋势反映较敏感，能侧重反应变化环境下水文系统近期状态。

GRNN神经网络模型能学习和记忆大量输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程，因此它特别适合于函数逼近、时间序列预测等复杂问题。将预报月前12个月的月际降雨及预报月前12个月的月际径流和预报月径流实测值作为训练样本，利用训练样本训练GRNN神经网络模型，直至GRNN神经网络模型的光滑因子寻找到最优解，得到训练好的GRNN神经网络模型，将预报月前的月际降雨及预报月前的月际径流输入GRNN神经网络模型，得到预报月径流

x为预报月前的月际降雨及预报月前的月际径流，y为预报月径流实测值，当x的观测值为X时，x＝X，y对X的条件期望为：f(X，y)为概率密度函数。设训练样本数据集为{X_i，y_i}，i＝1，2，…n，样本总个数为n，向量X_i的维度为m，概率密度函数f(X，y)的非参数估计如下：

其中，σ表示光滑因子参数，当x的观测值为X时，y对X的条件期望估计值为所有训练样本观测值y_i的加权平均，y_i的权重因子为由此，可构建GRNN神经网络模型的拓扑结构，如图2所示，包括输入层、模式层、求和层和输出层。输入层的神经元个数等于输入向量的维数，由观测值x₁、x₂、...、x_m组成，传递函数是简单的线性函数，直接将输入变量传递到隐含层中。模式层的神经元个数等于训练样本的个数n，每个神经元都对应一个不同的训练样本，传递函数Φ₁、Φ₂、...、Φ_n采用高斯函数。求和层神经元个数为2，使用两类神经元加和，第一种神经元计算模式层神经元的加权和，权重为各训练样本的期望输出值y₁、y₂、...、y_n，称为分子神经元，第二种神经元对模式层的神经元输出进行算术求和，模式层神经元与该神经元连接权重为1，称为分母神经元。输出层将求和层的分子神经元与分母神经元的输出相除，即得到了y的估算值。

当训练样本确定后，GRNN神经网络模型结构也随之确定，网络内部神经元的激励函数无需另外设定，GRNN神经网络只需对光滑因子σ这一参数进行寻优，因此GRNN神经网络模型比BP神经网络模型训练速度快，且无需事先设置网络初始权重，减少了人为干扰。对于参数σ，本发明采取交叉验证的方式进行寻优，确保GRNN神经网络有较好的泛化能力。

进一步的，步骤(3)的具体实现方式为：

将利用径流几十年来长期变化的加权移动平均模型的预报值和利用径流年内短期变化情况的GRNN人工神经网络预报值进行加权耦合，得到并联组合模型的预测结果。

并联耦合模型预测结果为：为加权移动平均模型预报值，为GRNN神经网络模型预报结果，则ω_g和ω_a分别为GRNN神经网络模型和加权移动平均模型各自权重。反应的是并联耦合模型预报误差方差期望值，Q_t为i＝t时刻的径流实测值，F_i为第i时刻的组合预报月径流，Q_i为第i时刻的径流实测值，为了达到最佳的预报效果，上述方程要求方差期望值最小。应用最小二乘法，引入拉格朗日乘子求解方程组和即可求解ω_g，ω_a的值。

本发明利用平均相对误差、确定性系数等常用精度评定指标，对耦合模型的结果进行精度评定。

实施例1

步骤1：选择金沙江流域控制站屏山作为预报断面，收集历年来屏山站径流和金沙江流域降雨信息，对数据进行一致性，可靠性和代表性审查。划分率定期数据为1959～1999年，检验期数据为2000～2008年。

步骤2：以预报月年际径流作为输入，利用加权移动平均模型WMA预测预报月径流。

步骤3：选取GRNN神经网络模型以预报月前期12个月径流和降雨数据作为输入，利用径流年内变化信息获得预报月径流。模型参数采用交叉验证法率定。

步骤4：对WMA和GRNN神经网络模型预测结果采用最小二乘法进行加权耦合，得到组合模型的预测结果。

取均方根误差、确定性系数等常用精度评定指标，对耦合模型的结果进行精度评定。

其精度评定结果如表1所示。WMA、GRNN和WMA-GRNN分别为加权移动平均模型、GRNN神经网络模型和并联耦合模型。RMSE、MAE、R分别表示均方根误差、平均绝对误差和确定性系数平均指标，其中，RMSE和MAE值越小，表明预报精度更高；R值越大，表明预报精度越高。由表可知，屏山站WMA-GRNN预报模型无论是训练期还是检验期预报误差指标均最优，RMSE和MAE指标改进效果尤为明显，确定性系数R虽然只提高了1个百分点，然而对于具有极大非线性及随机性的中长期径流预报，预报精度改进程度具有一定突破性。实例表明利用径流年际和月变化双重信息的WMA-GRNN模型相较单一的WMA模型和GRNN模型能有效提高月径流预报精度。证明了本研究工作提出技术的优势性。

表1屏山训练期和检验期预报结果统计

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。