[发明专利]一种融合分布估计算法与极限学习机的干旱智慧预测方法

说明书

本发明公布了一种融合分布估计算法与极限学习机的干旱智慧预测方法，提出了成功融合分布估计算法(EDA)和极限学习机(ELM)的方法，构建了EDA‑ELM混合模型；根据研究区的特点，选取并计算相应的干旱指数表征干旱，并作为EDA‑ELM模型输出；搜集与干旱成因有关的致旱因子构建大数据集，利用信息理论筛选出与干旱成因最为密切的关键致旱因子，作为模型输入；设置EDA‑ELM混合模型中的参数，调试模型结构，应用于干旱预测。该方法融合了信息学、统计学及水文气象学领域相关知识，具有预测精度高，泛化能力强，适用范围广等优点，为基于大数据的干旱预测提供了一条有效的路径。

技术领域

本发明属于互联网、大数据领域，具体涉及一种融合分布估计算法与极限学习机的干旱智慧预测方法。

背景技术

干旱是众多自然灾害中造成全球经济损失最严重的一类气象灾害。我国地域辽阔，干旱灾害尤为严峻，已成为制约我国社会经济可持续发展的重要因素。加强中长期干旱预测预警研究力度，提高干旱预见期与预测精度，不但能为我国抗旱减灾工作提供必要的技术支撑，而且对于保障我国粮食安全、供水安全、生态安全和社会经济可持续发展等方面具有重要的现实意义。

提高中长期干旱预测能力，既需要准确识别关键致旱因子，也需要构建高效的干旱预测模型。干旱物理成因复杂，涉及气象与水文等众多要素，从海量数据中对有效的因子进行准确识别，同时对冗余因子进行合理剔除，是提高模型预测效率的关键。

基于前馈神经网络理论的极限学习机模型在众多领域中性能优异，却鲜被应用于干旱预测中，且该模型改进空间巨大，但已有的改进仅局限于基于个体进化机制的智能算法对参数进行优化，而基于概率进化机制的智能算法却鲜被应用。分布估计算法作为典型的基于概率进化机制的智能算法，相较于基于个体进化机制的智能算法，具备更强的全局搜索能力和更快的收敛速度，能有效提高模型的运算效率与精度。但目前尚未有人将分布估计算法和极限学习机模型成功融合，是该模型改进研究中的空白。

发明内容

发明目的：本发明提供一种融合分布估计算法与极限学习机的干旱智慧预测方法，利用大数据和信息理论提高了作为模型输入的关键致旱因子筛选质量，保证中长期干旱的预测精度。

技术方案：本发明所述的一种融合分布估计算法与极限学习机的干旱智慧预测方法，包括以下步骤：

(1)提出成功融合分布估计算法(EDA)和极限学习机(ELM)的方法，构建EDA-ELM混合模型；

(2)根据研究区的特点，选取并计算相应的干旱指数表征干旱，并作为EDA-ELM模型输出；

(3)搜集与干旱成因有关的致旱因子构建大数据集，利用信息理论筛选出与干旱成因最为密切的关键致旱因子，作为模型输入；

(4)设置EDA-ELM混合模型中的参数，调试模型结构；

(5)同条件下对比传统ELM模型模拟结果，对模型精度进行评价。

进一步地，所述步骤(1)中融合EDA算法和ELM模型的方法包括以下步骤：

(11)确定ELM的输入与输出样本集；

(12)确定对ELM初始权值及阈值的编码方式，采用二进制编码；

(13)确定解空间的概率模型，采用高斯概率模型；

(14)确定随机采样产生下一代种群的方式，采用蒙特卡洛方法；

(15)计算每个个体的适应值，并排序选优，选择升序排列；

(16)按照既定规则更新产生下一代种群；

(17)直至满足终止条件为止，终止条件设置为预测值与期望值的误差矩阵的范数小于某一设定值。