[发明专利]一种考虑时滞效应的河流水位预测方法

摘要

本发明公开了一种考虑时滞效应的河流水位预测方法，包括如下步骤，1：基于分布滞后模型确定上下游水位的滞后值；2：基于VMD模型分解水位数据；3：重构VMD分解分量得到分量组合；4：基于BP神经网络进行重构分量组合的训练及预测。分布滞后模型是基于时间序列的回归模型，可反映变量之间的滞后效应，为确定上下游水位的滞后值提供了一种有效的方法。变分模态分解方法是一种处理非线性、非平稳信号的分析方法，可依据信号的特点进行线性化和平稳化的处理。BP神经网络是一种对非线性函数进行权值训练的多层映射网络，具有较好的非线性拟合。该方法将三个模型结合起来，充分发挥各自的特点和优势，实现基于上游水位对下游水位的预测和预报，并取得较好的预测精度。

主权项

1.一种考虑时滞效应的河流水位预测方法，其特征在于，它包括如下步骤：步骤1：基于分布滞后模型确定上下游水位的滞后值；对上下游水文站的水位时间序列数据构建分布滞后模型，通过设置不同的滞后值，得到下游水位对应的分布滞后模型，并计算模型的赤池信息量准则、施瓦茨准则、汉南‑奎因信息准则指标值，综合考虑三个指标值最小时的滞后值即为分布滞后模型的最佳滞后值n，该方法的目的是预测下游水文站的水位，因此输入数据是上游水位序列{x₀(t),x₁(t)...x_n(t)}，输出数据是下游水文站的水位y(t)，其中x_n(t)表示上游水文站前n+1天的第t个水位数据；y(t)表示对应下游水文站当天的第t个水位数据；步骤2：基于VMD模型分解水位数据；利用VMD模型对输入数据{x₀(t),x₁(t)...x_n(t)}和输出数据y(t)分别进行平稳化处理，分解为表示输入数据和输出数据特征的多个分量{x_0k(t),x_1k(t)...x_nk(t)},k＝{1,2,…,K}和y_k(t),k＝{1,2,…,K}，K代表最大分解个数，x_nk(t)表示上游水文站前n+1天的第t个水位数据的第k个分量；y_k(t)表示下游水文站第t个水位数据的第k个分量；步骤3：重构VMD分解分量得到分量组合；将输入数据和输出数据经过VMD分解得到的分解分量{x_0k(t),x_1k(t)...x_nk(t)},k＝{1,2,…,K}和y_k(t),k＝{1,2,…,K}按其对应的分解量进行重构，即输入数据和输出数据VMD分解的分量分别按第一分量、第二分量一直到第k分量的形式进行组合，形成如下公式所示的数据组合，F_k表示第k个分量组合，x_nk表示第n+1个输入变量的第k个分量，y_k表示输出变量的第k个分量；步骤4：基于BP神经网络进行重构分量组合的训练及预测；将重构分量组合{F₁,F₂,...F_k,k＝{1,2,…,K}分别进行BP神经网络训练，得到训练好的神经网络，之后将需要预测的下游水位数据对应的上游水位的输入数据输入到训练好的神经网络进行预测，得到每个分量组合的预测值D_k，之后将每个分量组合的预测值叠加得到最终的下游水位的预测值D，D_k表示第k个分量组合的预测值，D表示最终预测值；D＝D₁+D₂+…+D_k。