[发明专利]一种利用K最邻近法预测径流要素的方法

权利要求书

1.一种利用K最邻近法预测径流要素的方法，其特征在于：它包括以下步骤：

S1、收集已知流域的场次降雨径流数据；

S2、基于非线性相关，提出一组用于预测径流要素的降雨因子，建立数据集；

S3、对所有数据进行归一化处理，然后将处理后的数据集划分为训练集和测试集两部分；

S4、确定K最邻近回归算法，在整个训练集上建立降雨径流的初始预测模型，并测试该预测模型在测试集上的可靠性，直至预测精度满足要求，得到对应的预测模型；

S5、利用预测模型对未知径流要素预测；

S6、利用降雨因子，快速查找数据集中空间距离最邻近的历史降雨径流过程，作为相似过程，并统计径流要素的最大值、最小值、中位数、均值；

所述步骤S1包括以下步骤：

S11、选取多场已知降雨径流场次过程，包含大、中、小场次过程；

S12、根据上述过程，提取每一场降雨径流过程的5个径流要素：洪峰、洪量、三天洪量、两日洪量、降雨径流系数；

所述步骤S2包括以下步骤：

S21、计算降雨因子：提出对径流造成较大影响的四大类降雨因素，降雨量、降雨历时、降雨强度、前期影响雨量；将每一类因素分为较细的因子，降雨量包括累积降雨量、一日降雨量、两日降雨量、多日降雨量；降雨历时包括降雨天数、降雨时数；降雨强度包括：最大日降雨、最大小时降雨、最大三小时降雨；前期影响雨量包括：前10天累积降雨量、前5天累积降雨量、前3天累计降雨量；对每一场次降雨径流过程计算上述12个降雨因子；

S22、筛选降雨因子：计算四类因素中各个因子与径流要素的相关系数，每类因素中取与洪峰、洪量、三天洪量、两日洪量、降雨径流系数平均相关系数排名第一的因子作为计算因子，最终确定为累积降雨量、降雨天数、最大日降雨和前10天累积降雨量4个降雨因子；相关系数采用Spearman秩相关系数，公式如下：

式中，p_s为两组相同个数X,Y数据的Spearman秩相关系数,d_i为两组数据秩次之差，即x_i,y_i按大小排序的序号之差，n为数据的个数；

S23、将降雨因子作为模型输入，径流要素作为模型输出，整理成相应的数据集；

所述步骤S4包括步骤：

S41、选择K最邻近回归算法，具体为：寻找目标样本特征空间中距离最近的K个样本，并将K个样本的目标属性通过平均或者加权赋给该样本，以得到目标样本的目标值；

公式如下：

Y＝w₁X₁+w₂X₂……+w_KX_K

式中，Y为目标值，X_i为距离第i个的样本与目标值对应的属性值，w_i为第i个样本权重参数，i取值为1,2……K；

其中，空间距离度量公式为：

假设样本集有n个，X＝{X⁽¹⁾,X⁽²⁾,……，X⁽ⁿ⁾}，其中即每个样本有m个特征维度，则任意两个样本之间的空间距离L定义为：

p为任意正整数，当p＝1时称为曼哈顿距离，p＝2时称为欧式距离；

w_i权重参数可采用平均或加权，采用平均时w＝1/K；采用加权时，提出一种反距离加权方法，公式如下：

w_i＝(L^maxL_i)(L_maxL₁+L_maxL₂……+L_maxL_K)

式中，w_i为第i个样本的权重，L^max为K个样本中与目标样本的空间距离最大值，L_i为第i个样本与目标样本的空间距离，i取值为1,2……K；

S42、利用训练集初步确定K最邻近法算法的超参数：距离度量参数p、距离最邻近的个数K值、w赋值方式；

S43、用初步确定超参数后的K最邻近算法在整个测试集上建立径流要素的初始预测模型，并在测试集上测试该预测模型的可靠性；若不满足，则继续调整利用训练集训练模型参数，直至测试集模型精度满足要求，即得到对应的预测模型；

S44、可靠性的评价指标包括可决系数R²或Nash-Sutcliffe效率系数(NSE)，其中，可决系数R²计算公式如下：

Nash-Sutcliffe效率系数(NSE)计算公式如下：

式中，y_i是观测值、是观测值的均值、为模型预测值、为模型预测值。