[发明专利]基于前期气象因子与数据挖掘技术的中长期径流预报方法

说明书

技术领域

本发明涉及水文预报技术领域，具体涉及一种与前期气象因子耦合的基于数据挖掘技术的中长期径流预报方法。

背景技术

中长期径流预报是水利水电工程设计、施工和运行管理的重要依据，是实现水资源科学调配、提高水资源利用效率的基础性关键技术，对水资源的调度管理和优化配置具有重要的支撑意义。由于长期的水文要素受到气候、下垫面、人类活动等诸多因素的综合影响和制约，其变化情况错综复杂，且具有较大的时间、空间上的不确定性、不稳定性，故对于一个具体的径流序列，往往从其周期性、趋势性、随机性、区域性、跳跃性等多方面角度出发分析，通过不断尝试、不断验证等步骤，找到适合的预报因子和预报模型。

目前，在中长期方面的预报理论与方法上的研究突破较少，且往往缺少物理成因的综合考虑。整体而言，中长期径流预报研究仍处于起步阶段，相对于短期径流预报(实时洪水预报)而言，发展较缓慢，且落后于生产实际的要求。

目前，中长期径流预报一般分为预报因子识别、预报模型构建和预报模型应用三个方面。由于其特殊性与困难性，预报方法多以统计方法为主，如时间序列模型、回归分析模型、模糊分析模型、灰色系统模型等。现有的这些方法主要存在着两大问题；(1)预报因子的识别缺乏物理背景，且甄选方法与结果的不确定性较大。(2)预报模型较为单一，预报结果的不稳定性较高。

近年来，随着新数学方法的涌现与计算机技术的不断提高，大数据挖掘技术得到了快速发展，并对生产生活产生了深远影响。水文是一个数据驱动型的行业，随着水文数据规模的指数型扩增，其潜在的应用价值不断凸显。如何从水文大数据中挖掘出重要价值，是发展中长期径流预报理论与方法、解决中长期径流预报技术瓶颈的关键与重要课题。

发明内容

本发明的目的在于克服现有技术中的不足，提供了一种基于前期气象因子与数据挖掘技术的中长期径流预报方法，有效地解决了预报因子与预报模型的不确定性及不稳定性的问题。

为解决上述技术问题，本发明提供了一种基于前期气象因子与数据挖掘技术的中长期径流预报方法，其特征是，包括以下步骤：

步骤S1，确定影响中长期径流的各类前期初选预报因子，计算所有类别初选预报因子序列与历史预报对象序列的皮尔逊相关系数，再根据逐步回归方法，提取出相关性高、方差贡献大的因子作为最终预报因子；

步骤S2，构建多种基于数据挖掘技术的预报模型，将历史最终预报因子序列与预报对象序列作为不同预报模型的输入与输出，训练各预报模型；

步骤S3，依据以上多种预报模型分别进行径流预报，利用最优组合赋权理论，综合集成多模型预报结果。

进一步的，前期初选预报因子包括74项环流指数、北太平洋海温场和500hPa高度场三类数据。

进一步的，初选预报因子序列包括不同种类、不同时间提前量、不同经纬度的因子数值。

进一步的，步骤S1中，提取最终预报因子的具体过程为：先计算所有类别初选预报因子序列与历史预报对象序列的皮尔逊相关系数，从各类气象因素的所有因子中挑选出与预报对象相关性较高的因子，再根据逐步回归方法，在挑选出的因子中计算影响预报对象序列最大的因子，作为最终预报因子。

进一步的，预报模型包括人工神经网络、支持向量机和随机森林三种。

进一步的，步骤S3中，获取最终预报结果的过程为：根据各预报模型在各月的模拟及实测系列，通过博弈论最优赋权方法确定各预报模型在集成模型中每月的权重系数；基于各个预报模型在各月的权重，对各模型的模拟值进行加权集成，获得多模型集成的预报值。

与现有技术相比，本发明所达到的有益效果是：

(1)在因子识别阶段，根据影响中长期径流情势的前期气象特征出发，根据预报因子与预报对象之间的物理联系，选择多尺度、多层次的气象要素作为初选预报因子。再根据统计原理，计算、筛选出相关性高、彼此独立性强的气象要素作为最终预报因子。

(2)在模型构建阶段，利用目前发展迅速的大数据挖掘技术中的人工神经网络、支持向量机和随机森林三种智能算法模型，通过大量计算、不断分析海量历史气象-水文数据的潜在关系，构建适合旬-月及以上时间尺度的中长期径流预报模型。

(3)在结果综合阶段，运用最优组合赋权理论，通过分析不同模型在不同模拟期内的模拟性能从而动态赋权，获得最佳综合预报结果。