[发明专利]一种应用于河流水位预测数据的特征选择分解方法

说明书

本发明公开了一种应用于河流水位预测数据的特征选择分解方法，为了得到最适合作为模型输入的特征，本发明引入LASSO回归对原始输入集进行特征选择，并整合MODWT对选择得到的特征进行成分分解，并采用多元线性回归作为基础模型测试LASSO‑MODWT的性能。测试表明，基于LASSO‑MODWT的特征选择分解方法有利于提高河流水位预测模型的性能和模型解释能力。

技术领域

本发明属于水位预测技术领域，具体涉及一种应用于河流水位预测数据的特征选择分解方法的设计。

背景技术

水位预测对于防洪减灾、水资源利用和分配管理有着极为重要的作用。一个稳健的水位预测模型可以为相关决策者提供未来水位的变化情况，及时掌握潜在的水文灾害，从而更早的进行相关预警部署。在水位预测领域，由于影响水位因素的多维性和复杂性，模型系统的潜在输入量之间往往呈现非线性动态关系和多种相关性。另外输入量的个数一般较大，尤其是引入各变量的滞后量后会急剧的增加特征的维数和计算复杂度，但是这些变量中实际上包含大量重复信息和噪声成分。为了降低模型的运算复杂度，提高模型的灵活性和解释力，需要从原始的高维数据集中选择包含最小冗余度的有效特征，从而构建一个具备伸缩性的更简洁、更反映真实水位变化规律的模型。

LASSO是由1996年Robert Tibshirani首次提出，全称Least absolute shrinkageand selection operator。该方法是一种压缩估计，它通过构造一个罚函数得到一个较为精炼的模型，使得它压缩一些系数，同时设定一些系数为零。因此保留了子集收缩的优点，是一种处理具有复共线性数据的有偏估计。LASSO的基本思想是在回归系数的绝对值之和小于等于一个常数的约束条件下，使残差平方和RSS最小化，从而能够产生某些严格为0的回归系数，得到压缩特征后具有解释能力的模型。

离散小波变换(DWT)在许多集成小波的模型中得到了广泛的应用，可以得到数据的详细频谱信息，诸如周期性、局部变化特性、随机性和突变性。但是由于其具有抽取效应，该效应会在模型构建阶段引入潜在的信息缺失从而会在预测时产生偏差。另外DWT的小波变换系数结果与小波变换的起始位置有关，从而带来了一定的偶然性。

基于DWT的上述缺陷，相关人员进一步提出了最大重叠离散小波变换(MODWT，maximum overlap discrete wavelet transform)作为特征分解的方法。MODWT是一种线性过滤操作，可以较好的解决抽取效应，通过MODWT，可以得到与观测值同维数的多维小波系数。另外，小波变换的结果与变换的起点位置无关，可以用于不同样本大小数据的变换。总的来说，MODWT可以用提取输入信号的不同频段成分，从而获得更为丰富的信息，揭示数据潜在的变化规律。

发明内容

本发明的目的是为了降低现有水位预测模型的运算复杂度，同时提高现有水位预测模型的灵活性和解释力，提出了一种应用于河流水位预测数据的特征选择分解方法。

本发明的技术方案为：一种应用于河流水位预测数据的特征选择分解方法，包括以下步骤：

S1、采集影响目标预测站点水位的水文要素(目标站点的当前水位信息、上游流域水位信息和沿途降雨量等)。

S2、根据各水文要素，基于信息理论构建特征集。

S3、基于相关性分析对特征集中的各特征引入滞后量，构建原始输入集。

S4、对原始输入集进行标准化处理。

S5、基于LASSO对标准化处理后的输入集进行特征选择。

S6、基于MODWT对特征选择后的输入集进行特征分解，得到经LASSO-MODWT优化后的输入集。