[发明专利]融合深度学习和误差校正的径流概率性预测方法及系统

权利要求书

1.一种融合深度学习和误差校正的径流概率性预测方法，其特征在于，包含如下步骤：

(1)提取待预测河段水文站点的历史日径流量数据y_i，计算当前日降雨序列与前期日降雨序列的相关系数，依据阈值截断法从前1至p天日径流量中提取相关性大于相关系数阈值的日径流量作为预测因子集X_i＝(X₁,X₂,…,X_n)，n为因子个数，i表示天数，p为正整数且大于或者等于3；

(2)以预测因子集作为输入，当前日径流量作为输出，生成样本数据(y_i，X_i)，以q天的样本数据(y_i，X_i)构成训练集，qp；

(3)依据训练集训练深度人工神经网络模型DNN，建立DNN日径流预测模型训练时以均方根误差为寻优目标；其中，表示y_i的预测值，f_DNN表示模型函数；

步骤(3)中，所述深度人工神经网络模型DNN中，递归隐含层为1个，隐藏单元为50个；

(4)提取训练过程的DNN日径流预测模型所产生的预测结果，将预测序列与观测值序列相减，获得预报误差序列

(5)提取预报误差e_t和预报误差e_t-1与e_t-2，构建误差样本，误差样本以e_t为输出，以e_t-1与e_t-2为输入，训练得到高斯混合模型GPR(e_t-1，e_t-2)；其中，e_t＝GPR(e_t-1，e_t-2)，t∈i；

(6)假设当前为第l天，然后预测第l+1天的径流概率性，过程为：将X_l+1输入到步骤(3)所建立的DNN日径流预测模型中，得到预测数据然后获取e_l与e_l-1，输入到步骤(5)高斯混合模型GPR(e_t-1，e_t-2)中，得到e_l+1的概率分布e_l+1∈N(u_l+1,σ_l+1²)，然后计算高斯分布N(u_l+1,σ_l+1²)的指定概率的置信区间，然后将该置信区间与相加，生成最后的径流概率性预测；其中u表示均值，σ表示标准差，所述指定概率小于1；

步骤(6)中，所述计算高斯分布N(u_l+1,σ_l+1²)的指定概率的置信区间，然后将该置信区间与相加，生成最后的径流概率性预测，具体是指：计算高斯分布N(u_l+1,σ_l+1²)的95％置信区间[u_l+1-1.96σ_l+1,u_l+1+1.96σ_l+1]，结合与[u_l+1-1.96σ_l+1,u_l+1+1.96σ_l+1]，得到校正后的径流预报概率分布

2.根据权利要求1所述的融合深度学习和误差校正的径流概率性预测方法，其特征在于，所述待预测河段水文站点是指宜昌水文站，X_i为滞后1、2及3天的日径流量，此时n＝3。

3.根据权利要求1所述的融合深度学习和误差校正的径流概率性预测方法，其特征在于，p＝15。