[发明专利]基于聚类分析和实时校正的洪水预报方法

权利要求书

1.基于聚类分析和实时校正的洪水预报方法，其特征在于：步骤如下：

第一步：采集实际河流的历史降雨量数据、历史流量数据以及对应的时间数据，并建立数据模型；

第二步：对数据模型中的原始数据利用主成分分析进行降维处理，得到有效数据，将有效数据前2/3的数据作为训练样本，后1/3的数据作为测试样本；

第三步：利用K-means聚类方法对得到的训练样本进行聚类分析，将训练样本划分为k个不同类别等级；

第四步：利用聚类后得到的k个类别的训练样本训练不同的SVM模型，利用交叉验证方法搜寻这k个类别的训练样本所对应的支持向量机模型中的惩罚因子c和核函数参数g，使每个支持向量机模型都达到最优，然后输入测试样本并对该测试样本进行判断其所属的类别，并用对应的SVM模型对测试样本进行预报，得到模型预测值q；

第五步：计算测试样本中预报值与真实值的误差序列，利用该误差序列前2/3的数据训练BP神经网络误差校正模型，后1/3的数据测试误差矫正值，在t时刻，得到预报误差值e_t，最终预报结果为模型预测值q加上预报误差值e_t。

2.根据权利要求1所述的基于聚类分析和实时校正的洪水预报方法，其特征在于：第二步中主成分分析方法步骤如下：

步骤2.1：将数据模型中多场次洪水数据作为样本，选择p个变量作为特征值，构成n个样本矩阵，

其中x_ij为第i个样本的第j个特征值；

步骤2.2：将样本矩阵进行标准化处理，得到标准化矩阵Y＝{y_ij)_n×p；

步骤2.3：计算标准化矩阵Y的协方差矩阵R，

步骤2.4：求协方差矩阵R的p个非负的特征值，并从大到小进行排列λ₁＞λ₂＞…＞λ_p，对应特征向量也进行排序，其中对应λ_i的特征向量为C_i＝(c_1i，c_2i，…，c_pi)^T；

步骤2.5：确定主成分，并计算主成分下的样本矩阵Z，按特征值的累计贡献率大于95％为准则选取前m个主成分，得到样本矩阵为Z＝(z_ij)_n×m，其中y_ik为步骤2.2中第i个样本的第k个特征值x_ik经过标准化处理的值。

3.根据权利要求2所述的基于聚类分析和实时校正的洪水预报方法，其特征在于：第三步中从有效数据提取N个水文时间序列样本为{(x_i，y_i)，i＝1，2，…，N}，其中x_i，x_i∈R^p，是第i个样本的输入向量，p为特征值个数，y_i∈R为对应输出值，第三步中给出的聚类分析步骤具体如下：

步骤3.1：从N个水文时间序列样本中随机地选择自然数k个样本，每个样本初始地代表了一个簇的平均值或中心；

步骤3.2：分别计算剩余的样本到k个簇中心的相异度，将这些样本分别划归到相异度最低的簇；其中样本之间的相异度通过欧氏距离计算，已知两个p维向量的样本a(x₁₁，x₁₂，…，x_1p)与b(x₂₁，x₂₂，…，x_2p)之间的欧氏距离公式为

步骤3.3：根据聚类结果，重新计算k个簇各自的中心，计算方法是取簇中所有样本各自维度的算术平均数；

步骤3.4：不断重复步3.2和步骤3.3，直到准则函数收敛，之后将样本聚为k类，得到k个聚类质心，其中准则函数采用平方误差，其定义如下：

其中A为所有样本，m_i为第i个簇的平均值，k为样本聚类的类个数；

步骤3.5：根据k个聚类质心，得到水文时间序列样本聚类后形成的k个训练样本集。

4.根据权利要求3所述的基于聚类分析和实时校正的洪水预报方法，其特征在于：第四步中训练模型并预报步骤如下：

步骤4.1：根据步骤3.5得到的k类训练样本训练对应的SVM模型，再根据交叉验证方式搜寻支持向量机模型中的惩罚因子c和核函数参数g使SVM模型最优的值；

步骤4.2：根据判断测试样本所属的类别，把对应类别的测试样本测试SVM预报模型，在t时刻，然后得到最终预报流量值q_t。