[发明专利]河流流量的预测方法

说明书

本发明涉及一种河流流量的预测方法，包括如下步骤，1：数据预处理；2：VMD模型分解；3：VMD分解结果的分量重构；4：VMD‑BP模型的集成及河流流量预测。变分模态分解是处理非平稳信号的有效方法，结合BP神经网络在处理非线性函数拟合的优势，提出和建立了基于VMD‑BP模型的河流流量预测方法。该方法将原始数据分解为多个反映数据特征的本征模态函数，进行数据的平稳化处理，进而解决水位流量数据的非线性和波动性问题，提高了预测精度。

技术领域

本发明涉及水资源管理技术领域，具体涉及一种河流流量的预测方法。

背景技术

河流流量是水文监测和水资源管理的重要指标，对于水利工程建设、流量计算、航运规划等方面具有重要的指导意义和应用价值。在水利工程效益成本分析中，水文、工程和经济学的结合已成为普遍现象。与水资源系统各组成部分的规划和运作有关的许多活动都需要对未来事件进行预测。合理的流量预测有助于洪水预报及管理、水库蓄水管理、农田灌溉等，将带来积极的经济效益和社会效益。同时，流量的测量技术相对复杂，测量设备比较昂贵，难以实现长期监测，而水位的测量相对简单，因此，通常利用水位流量的拟合曲线，结合水位流量历史资料进行河流流量预测。

河流流量预测主要有三类方法：基于物理过程的模型、基于数理统计的回归模型和基于仿真模拟的智能方法。物理模型法是通过分析河流流动的过程，构建实际模型进行流量模拟预测，但河流流动过程复杂，难以构建合适的物理模型。回归模型法基于河流水文数据构建回归方程进行预测，但回归模型难以处理复杂的水位流量关系。

近年来，由于人工智能方法不必考虑复杂的流动过程，广泛应用于水文预报，包括模型树、支持向量机、基因表达式编程、人工神经网络等。模型树通过将数据分类为多组数据进行线性拟合进行预测，但水位流量并非简单的线性关系，预测精度不高。支持向量机通过内积函数所定义的非线性变换，将输入空间变换到一个高维空间，在高维空间中寻找输出变量和输入变量之间的非线性关系，适合多支支流流入的流域研究，但当训练样本过多会导致运算效率降低。基因表达式编程的公式是透明的，可以表达为一个简单的数学函数，但后期收敛慢，且容易陷入局部最优。

神经网络有很强的非线性拟合能力，并且能够在不解析内部结构的情况下提取出输入和输出之间的关系，适用于不同的水文环境，因此，逐渐应用到河流流量预测。神经网络在河流流量预测的重点主要是输入变量的确定以及模型的优化，如Sivapragasam在密西西比河的研究将降雨量、蒸发量、温度、流量等因素作为输入变量；Yaseen等人将前期流量作为输入变量在马来西亚Johor河流域进行前馈反向传播神经网络和径向基函数神经网络的对比研究；Shiri混合小波变换和模糊系统对神经网络进行优化，在土耳其Filyos河进行了模型的验证；Kalteh结合小波分解优化神经网络，但小波分解存在需要选取小波基、确定分解尺度的问题。

发明内容

本发明的目的在于提供一种河流流量的预测方法，该方法运用变分模态分解将水位、流量数据分解为反映数据特征的本征模态函数，降低数据的波动性，之后再重构分量进行BP(back propagation)神经网络训练预测，叠加得到最终的预测值，实现河流流量的预测。将两种模型结合起来，可以充分发挥各自的特点和优势，为河流流量预测提供更加精确的方法。

为解决上述技术问题，本发明公开的一种河流流量的预测方法，其特征在于，它包括如下步骤：

步骤1：数据预处理，将待预测河流区域的历史水位数据和历史流量数据进行多种随机组合，作为输入条件进行BP神经网络进行BP神经网络训练及预测，确定预测相对误差最小的一组输入数据{u₁(t),u₂(t)...u_n(t)}和输出数据o(t)，其中u_n表示第n个输入变量，t表示第t个数据；