[发明专利]基于神经网络与局部卡尔曼滤波混合模型的水位预测方法

说明书

技术领域

本发明属于长江干线航道水位预测领域，具体涉及一种基于神经网络与局部卡尔曼滤波 混合模型的水位预测方法。

背景技术

短期水位预报是海事管理的重要组成部分，与内河电子航道图(ECDIS)显示、信息发 布密切相关。同时，水位预测方法研究是水文水资源、交通运输工程的重要研究内容。作为 航道要素信息之一，提升水位预测精度，可为内河水运海事风险管控与公共服务水平提供技 术支撑。

目前，水位预测方法、模型种类繁多，比如：基于移动平均窗口(ARIMA)线性模型的 水位预测方法，人工神经网络模型(ANN)非线性方法等。线性方法是根据前若干天的水位 数据，预测后若干天的水位。线性方法在一定程度上弱化了水位与其他变量(如：潮汐、径 流、河道地形等特征)之间的非线性关系，常常具有简单便捷的特点，但其精度相对较低， 尤其在复杂时间序列预测问题中。工程中，大多数时间序列预测问题均可归为非线性问题， 其潜在变化规律难以由线性模型精确描述。

发明内容

本发明要解决的技术问题是：提供一种基于神经网络与局部卡尔曼滤波混合模型的水位 预测方法，能有效实现水位数据修复及短期预测，提高预测精度。

本发明为解决上述技术问题所采取的技术方案为：一种基于神经网络与局部卡尔曼滤波 混合模型的水位预测方法，其特征在于：它包括以下步骤：

S1、确定水位时序数据滞后期：

采集水位数据的原始时间序列数组，采用均方根检验方法确原始时间序列数组的稳定性； 如稳定条件不满足，则对原始数据进行差分处理，直至其通过稳定性检验；在获取稳定数据 集后，采用自相关系数和偏相关系数确定水位时间序列滞后期T；

S2、构建训练样本集：

由S1所得的水位时间序列滞后期T，对原始时间序列数组进行拆分，将原始时间序列数 组拆分为M个长度为T的训练样本集；

S3、基于S2得到的训练样本集，建立人工神经网络并训练，生成人工神经网络模型；并 采用基于S2步骤所得训练样本集的最后一段数据作为输入数据，获取模拟结果，即为后一天 水位预测结果；

S4、卡尔曼滤波修正所述的后一天水位预测结果：

通过原始时间序列数组，建立卡尔曼滤波转移方程；求取卡尔曼增益系数K_k及系统预测 误差P_k，对神经网络预测的后一天水位预测结果进行修正。

按上述方法，所述的S1具体为：

获取水位数据的原始时间序列数组{x₁,x₂,.....,x_n}，元素个数为n；

采用MATLAB R2015a软件的adf test函数对输入数据{x₁,x₂,.....,x_n}进行稳定性检验；

若稳定性检验结果不平稳，则对输入数据进行差分处理，差分公式如公式(1)，并将所 得结果{y₁,y₂,.....,y_n}替代原输入数组，继续进行稳定性检验；

y_i＝x_i+1-x_i(1)，

若稳定性检验结果平稳，采用MATLAB的autocorr以及parcorr函数，对稳定时间序列 进行ACF及PACF检测，检测所得结果中，位于置信区间阈值之上的连续最大值，即为数据 序列的滞后期T。

按上述方法，所述的S2具体为：

以原始时间序列数组中任意水位数据x_i开始，选择之后连续T个水文数据，构成M个 训练样本集{x_i,x_i+1,.....,x_i+T-1}，并对样本集进行归一化操作，归一化过程如公式(2)所示，

其中X_n是归一化后数据集，X_r是原始数据集，X_max、X_min是原始数据集中的极大值和极 小值。

按上述方法，所述的S3具体为：

3.1、使用newff函数建立人工神经网络，确定神经网络类型为反向传播神经网络；网络 层数为三层，包含输入层、隐含层与输出层；其中，输入层包含T个节点，隐含层包含2*T-1 个节点，输出层包含1个节点；训练集分为网络构建集和验证数据集两部分；