[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

摘要

本发明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，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；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长度为水位时间序列滞后期的训练样本集；建立人工神经网络并训练，生成人工神经网络模型获取后一天水位预测结果；卡尔曼滤波修正所述的后一天水位预测结果。本发明能有效实现水位数据修复及短期预测，提高预测精度。

主权项

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Kk及系统预测误差Pk，对神经网络预测的后一天水位预测结果进行修正。