[发明专利]一种基于相似度匹配和极限学习机的河流洪水预测方法

说明书

本发明涉及一种基于相似度匹配和极限学习机的河流洪水预测方法，首先基于极限学习机模型，获得各个历史洪水样本分别所对应的最优流量预测模型；然后，基于相似度匹配值由大至小顺序，选取预设前K个历史洪水样本，作为各个参考洪水样本；最后，基于实时水流量特征和实时降雨量特征进行流量值预测，并根据所获流量预测值，进行洪水判断。如此，所设计基于相似度匹配和极限学习机的河流洪水预测方法，能够克服现有技术的不足，有效提高河流洪水的实际预报精率。

技术领域

本发明涉及一种基于相似度匹配和极限学习机的河流洪水预测方法，属于河流监测技术领域。

背景技术

洪水预报直接服务于国民经济建设，是防灾减灾的一项重要的非工程措施。由于我国中小河流众多、地形复杂、气候类型多样、植被种类繁多，且降雨预报精度普遍不高，导致洪水预报不够精确。每年因短期强降雨导致的洪水、泥石流等自然灾害对人类造成了巨大的生命和财产损失，因此提高洪水预报精度至关重要。

基于数据驱动的洪水预报模型是一种不考虑水文过程的物理机制，是以建立输入、输出数据之间最优数学关系为目标的黑箱子方法。数据驱动模型以回归模型最为常用，近几十年来，随着科学技术的进步，许多新颖的预测方法得以快速发展，如人工神经网络、支持向量机、极限学习机和模糊数学方法等。文献[朱星明，卢长娜，王如云，白婧怡.基于人工神经网络的洪水水位预报模型[J].水利学报，2005，36(7)：806-811]在选择合理的输入层单元数据条件下，利用人工神经网络取得了良好的预报效果。然而人工神经网络在训练过程中需要设置大量的参数，参数的调试也非常复杂，容易陷入局部最优解。文献[汪丽娜，李粤安，陈晓宏.基于支持向量机的降雨-径流预测研究[J].水文，2009，29(1)：13-16]利用支持向量构建了降雨-径流预测模型，相比人工神经网络获得了较高的预测精度，但是由于历史洪水数据蕴含多种不同数据分布特点的样本，单个模型不能同时很好的刻画所有数据的特点。

发明内容

本发明所要解决的技术问题是提供一种基于相似度匹配和极限学习机的河流洪水预测方法，能够克服现有技术的不足，有效提高河流洪水的实际预报效率。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于相似度匹配和极限学习机的河流洪水预测方法，包括如下步骤：

步骤A.分别针对预设N个历史洪水样本，基于水流量特征和降雨量特征进行流量值预测，从预设M个极限学习机模型中，选择历史洪水样本所对应的最优极限学习机模型，作为该历史洪水样本所对应的最优流量预测模型，进而获得各个历史洪水样本分别所对应的最优流量预测模型；

步骤B.基于N个历史洪水样本分别相对实时水流量特征和实时降雨量特征的相似度匹配，基于相似度匹配值由大至小顺序，选取预设前K个历史洪水样本，作为各个参考洪水样本，其中，K＜N；

步骤C.根据各个参考洪水样本分别相对实时水流量特征和实时降雨量特征的相似度匹配值，以及各个参考洪水样本分别所对应的最优流量预测模型，采用加权平均法，基于实时水流量特征和实时降雨量特征进行流量值预测，并根据所获流量预测值，进行洪水判断。

作为本发明的一种优选技术方案，所述步骤A具体如下：

分别针对N个历史洪水样本，根据历史洪水样本各指定历史时间点的水流量特征和降雨量特征，采用预设M个极限学习机模型分别针对该历史洪水样本指定历史预测时间点的流量值进行预测，获得该历史洪水样本对应该指定历史预测时间点的M个预测流量值，并分别与该历史洪水样本所对应该指定历史预测时间点的真实流量值进行比较，选择最小绝对误差所对应的极限学习机模型，作为该历史洪水样本所对应的最优流量预测模型；进而获得各个历史洪水样本分别所对应的最优流量预测模型。

作为本发明的一种优选技术方案，所述步骤B具体包括如下步骤：