[发明专利]一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法

权利要求书

1.一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法，其特征在于：包括如下步骤，

S1、选取多项气候指数历史数据以及待预报流域的历史径流量，从多项气候指数历史数据中选取与待预报流域的径流量相关性最强的前20项气候指数作为预报因子，并将对预报因子处理后获取的关键影响因子与待预报流域的历史径流量对应结合，构建模型数据集，并将模型数据集按比例分为训练集和测试集；

S2、对粒子群优化算法中陷入局部最优的粒子实施拉伸操作获取改进的粒子群优化算法；基于改进的粒子群优化算法获取SVR的最优参数组合，以建立基于改进的粒子群优化算法的SVR预报模型；利用训练集训练基于改进的粒子群优化算法的SVR预报模型；

S3、将测试集输入训练好的基于改进的粒子群优化算法的SVR预报模型中输出测试结果；并利用测试结果对比测试集中的真实径流量数据，评价基于改进的粒子群优化算法的SVR预报模型的预报效果。

2.根据权利要求1所述的基于改进的粒子群优化算法与支持向量机的中长期径流预报方法，其特征在于：步骤S1具体包括如下内容，

S11、选取多项气候指数的历史数据以及待预报流域的历史径流量，采用相关性分析法确定径流量与气候指数之间的相关性系数；并选取相关性最强的前20项气候指数作为初选预报因子；相关性系数的计算公式为，

其中，x_i为该气候指数第i个样本数据的值；y_i为第i个样本数据的径流值；i＝1,2,3,…k，k为样本的总数量；为该气候指数的均值；为多年径流值的均值；ρ为径流量和该气候指数之间的相关性系数；

S12、使用主成分分子法对初选预报因子进行降维，提取其中影响径流过程的关键影响因子；

S13、利用最大最小标准化方法对关键影响因子进行归一化处理，并将归一化处理后的关键影响因子与待预报流域的历史径流量数据对应结合，构成模型数据集；所述归一化处理的公式为，

其中，x为关键影响因子；x_norm为归一化后的关键影响因子，x_max、x_min分别为关键影响因子中的最大值和最小值；

S14、选定待预报流域K年的径流量数据的集合作为样本数据，样本数据与归一化处理后的关键影响因子组成模型数据集；将样本数据中前M年的历史径流量数据与对应时间的归一化处理后的关键影响因子的集合作为训练集；将样本数据中后N年的历史径流量数据与对应时间的归一化处理后的关键影响因子的集合作为测试集；其中，K＝M+N。

3.根据权利要求2所述的基于改进的粒子群优化算法与支持向量机的中长期径流预报方法，其特征在于：基于改进的粒子群优化算法获取SVR的最优参数组合具体为，采用改进的粒子群优化算法获取SVR的最优惩罚系数C、最优不敏感系数ε以及高斯径向基核函数的最优gamma参数。

4.根据权利要求3所述的基于改进的粒子群优化算法与支持向量机的中长期径流预报方法，其特征在于：基于改进的粒子群优化算法获取SVR的最优参数组合，以建立基于改进的粒子群优化算法的SVR预报模型具体为，

S21、初始化参数粒子群大小、初始位置和初始速度；

S22、以纳什效率系数作为改进的粒子群优化算法的适应度评估函数，计算粒子群中各个粒子的当前适应度；所述纳什系数的计算公式为，

其中，y_n为第n年径流量实测值，为第n年径流量预测值；N为训练集的样本年；为实测径流值的N年均值；

S23、依次判断各粒子的当前适应度是否连续三次大于粒子群的平均适应度，若某粒子的当前适应度连续三次大于粒子群的平均适应度，则表示该粒子陷入局部最优，对该粒子进行拉伸操作后进入S24；若否，则直接进入S24；

S24、根据各个粒子的当前适应度更新各个粒子的速度、位置、粒子经历过的最优位置和粒子群经历过的最优位置；判断是否达到终止条件或者达到最大迭代数，若是，则输出粒子群优的最优位置，该最优位置的坐标组成SVR的最优参数组合；若否，则返回S22；

S25、利用SVR的最优参数组合构建基于改进的粒子群优化算法的SVR预报模型。