[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

说明书

本发明公开了一种融合深度学习和误差校正的径流概率性预测方法及系统，本发明提供的基于深度学习和高斯混合模型的径流概率性预测方法，能提供相比传统机器学习更高的径流预测精度。本发明提供的基于深度学习和高斯混合模型的径流概率性预测方法，能在深度学习基础上，提供概率性的预测结果。

技术领域

本发明属于径流预测技术领域，更具体地，涉及一种融合深度学习和误差校正的径流概率性预测方法及系统。

背景技术

可靠的河道流量预测对水资源管理、分配以及防灾减灾均具有重要意义，水文学者一直致力于研究高精度的日径流预测模型和方法。近几年来，深度学习技术在图像识别领域得到飞速的发展，其强大的数据挖掘能力解决了基于海量数据的分类、回归、和预测问题。日径流预测模型也开始从人工神经网络、支持向量机等传统机器学习发展到卷积神经网络、长短期记忆网络等深度学习方法，并获得了更好的预测结果。水文过程具有极大的不确定性，提供概率性的径流预测结果比单点预测更可信，尽管当前建立了越来越多的深度学习类径流预测模型，但是由于深度学习模型往往结构复杂，训练时间长，采用集合预报技术构建概率性径流预测困难较大。

由此可见，现有技术还不能完全解决基于深度学习技术的概率性径流预测问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了融合深度学习和误差校正的径流概率性预测方法及系统，由此解决现有深度学习技术概率性径流预测技术问题。

根据本发明的其中一方面，本发明解决其技术问题所采用的融合深度学习和误差校正的径流概率性预测方法，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；

(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；