[发明专利]一种基于相似性搜索的组合模型预测水位的方法

说明书

技术领域

本发明涉及一种基于相似性搜索的组合模型预测水位的方法，尤其涉及对水文水位数据的预处理、利用相似性搜索有效的降低训练集的维度以及基于LM算法改进的BP神经网络和支持向量机的组合预测方法，属于信息技术领域。

背景技术

随着时代的进步以及计算机的广泛应用，存储在计算机上的内容越来越多，如何从这些海量的历史数据中挖掘出有用的信息服务于对未来的预测，同时还不会被历史数据中的冗余、空缺和错误的信息干扰，成为人们比较关注的话题。尤其在水文领域，中国有大量的水文测站，每个测站都有海量的历史数据，合理的利用这些历史数据能够有助于水文的预测，从而为防洪调度等提供有力的技术支持。

目前存在很多预测水位的方法，但是他们都有一些缺陷。使用最广的是一些针对特定流域所建立的水文方面的预测模型，比如新安江模型等，这些模型都有一定的适用范围，并且只能被一些专业人员所掌握，因此适应性不强。其他就是一些主要针对水位数据本身进行预测的方法，例如神经网络、支持向量机等。但这些模型的建立都依赖于训练集的选取，由于神经网络的黑盒特性，想提高预测精度，更改神经网络本身比较困难，针对这种缺陷，本发明对训练集进行优化，去除其中的冗余错误信息；而支持向量机不适用于大数据集，本发明在不损失有用信息的基础上降低训练集的维度。利用相似性搜索对训练集进行优化，还可以降低预测所需的时间，从而增强预测的实时性。

发明内容

发明目的：针对现有技术中存在的问题与不足，为提高预测的精度、实时性以及适应性，本发明提供一种基于相似性搜索的组合模型预测水位的方法。

技术方案：一种基于相似性搜索的组合模型预测水位的方法，包括：

a)数据预处理部分：主要包括处理空缺和错误数据。填补空缺数据时按照空缺数据的种类分为四种，分别进行不同的填补操作；修正错误数据时，首先通过3σ准则判断出错误数据，然后根据错误数据的特征按照填补空缺数据的方法进行修正。

b)确定待匹配序列部分：利用相关系数从待预测日前几日的水位中挑选出与待预测日相关的连续几日水位作为待匹配序列。

c)相似性搜索部分：将待预测日前的往年历史水位时间序列作为待搜索序列，利用动态弯曲距离从待搜索序列中查找与待匹配序列距离大于阈值的一系列序列，将这些序列及其后一日水位从训练集中剔除，剩下的序列将作为降维后的训练集输入到组合预测模型中。

d)组合预测模型部分：组合预测模型有两个基本模型，分别是基于LM算法改进的BP神经网络模型以及支持向量机模型。分别将训练集输入到这两个模型中进行训练，确定好模型后，将待匹配序列的水位分别输入这两个基本模型，得到两个模型的预测值；然后根据贝叶斯定理，根据这两个基本模型上一时刻的预测表现分别赋予它们权重，最后的预测值则是两个基本模型的预测值分别乘以它们各自的权重后相加的结果。

有益效果：与现有技术相比，本发明所提供的一种基于相似性搜索的组合模型预测水位的方法针对水文数据有较好的预处理方法，利用相似性搜索有效的降低了训练集的维度并且没有丢失有利于预测的信息，本发明将基于LM算法改进的BP神经网络与支持向量机模型相组合，让它们相互弥补，从而达到更好的预测效果，并且降低了预测时间。

附图说明

图1为本发明实施例的方法流程图；

图2为本发明实施例的相似性搜索模块流程图；

图3为本发明实施例的基于LM算法改进的BP神经网络训练流程图；

图4为本发明实施例的支持向量机训练流程图；

图5为本发明实施例的组合预测模型流程图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1为方法流程，包括以下部分：