[发明专利]一种水文时间序列预测模型动态生成方法

权利要求书

1.一种水文时间序列预测模型动态生成方法，其特征在于：包括以下步骤：

步骤S1、采集一水系流域水文站一定时间段内的历史水位数据，组织成水文时间序列数据集，对水位样本数据进行预处理；

步骤S2、采用改进的符号距离UMD结合DBSCAN聚类的方法对滑动窗口分割并符号聚合近似表示(SAX)的序列进行聚类。再针对每条待匹配序列动态形成其相似序列集，即将各类代表序列与待匹配序列的符号表示进行距离衡量选取相似类别组成相似序列候选集，采用改进的DTW算法相似序列候选集进行筛选，构建相似序列集；

步骤S2.1、将经过预处理的水文数据进行滑动窗口分割得到序列段数据集，对每个序列段进行分段聚合近似(PAA)表示并采用SAX符号化，再对符号化后的数据集进行基于UMD-DBSCAN聚类算法操作，得到聚类结果；

步骤S2.2、根据所述步骤S2.1的聚类结果，采用UMD的最小距离方差法对每一类数据计算出一条中心序列作为该类的代表序列。将待匹配符号序列与各类的代表序列进行距离度量，根据阈值选择相应的类别，得到相似序列的候选集；

步骤S2.3、依据待匹配序列对相似序列候选集再次筛选。使用改进的DTW算法对序列间的相似度进行度量，选取相似度在合适范围内的序列构成预测模型所用的数据集。

步骤S3、对TCN模型的卷积核数量num、批尺寸大小batch_size、学习率lr等进行参数寻优，同时利用相似序列集对TCN模型进行训练，最终得到基于相似性搜索的水文时间序列预测模型；

步骤S3.1、将所述步骤S2中得到的相似序列集划分为训练集与验证集，为了降低数据本身的不稳定性和数据间量级差别的影响对数据进行归一化；

步骤S3.2、初始化TCN模型卷积核数量num、批尺寸大小batch_size、学习率lr等参数的取值范围，设置优化算法的迭代次数N_iteration及相关参数；

步骤S3.3、采用均方根误差(RMSE)作为个体适应度，训练TCN模型并测试，根据适应度值更新优化算法中的个体；

步骤S3.4、以最大迭代次数N_iteration作为优化算法结束条件，达到最大迭代次数时的最优个体即为最优参数组合，进一步得到基于相似性搜索的水文时间序列预测模型。

步骤S4、对所述水文时间序列预测模型动态生成方法得到的模型进行水文预测。

2.根据权利要求1所述的一种水文时间序列预测模型动态生成方法，其特征在于：所述步骤S1中对数据集中的水位数据样本进行预处理，其中包括对缺失数据进行填补、对错误数据进行修正、数据标准化。

标准化公式如下：

其中x表示原始数据，x′表示标准化后的数据，mean(x)表示x的均值，σ表示标准差。

3.根据权利要求1所述的一种水文时间序列预测模型动态生成方法，其特征在于：所述步骤S2.1中PAA计算公式为：

其中m表示时间序列的长度，ω表示PAA序列的长度，代表PAA序列中的第i个元素；

符号序列与间的UMD距离度量公式为：

其中，与表示字符序列与的第i个序列段的符号表示，表示两个序列段(字符)之间的距离，可以由更新后的距离表查找得到。

4.根据权利要求1所述的一种水文时间序列预测模型动态生成方法，其特征在于：所述步骤S3.1中归一化计算公式为：

其中tr_norm为归一化后的数值，tr为原始水位值，tr_max、tr_min为原始水位中的最大、最小值。