[发明专利]一种基于均匀设计与人工神经网络的水文预报方法

权利要求书

1.一种基于均匀设计与人工神经网络的水文预报方法，其特征在于：主要通过计算机程序，将均匀设计方法应用于人工神经网络模型的变量选取与参数调节，进而对水文预报结果进行优化，从而进行流量预测，具体步骤如下：

步骤I：对气象水文数据进行特征提取，得到气象水文数据集，并将气象水文数据集划分为训练集与测试集，

采用计算机程序读取和存储某一水文监测站一定时期内的气象数据与水文数据，其中气象数据包括日降雨量、最高温度、最低温度、日照时长、压强、辐射强度，水文数据包括日径流量；随后按照日期，提取出当前日期前15天的降雨量、辐射强度与日径流量，并作为变量添加进气象水文数据集中，构建出最终气象水文数据集；最后按照7∶3的比例将气象水文数据集划分为训练集与测试集；

步骤II：对已经构建的气象水文数据集进行预处理

本发明的数据集预处理工作分为两部分，分别为：缺失值填补与数据标准化；对于缺失值选取该日期前3天与后3天的平均值代替缺失值，以短期趋势来对缺失值进行替代更加合理；数据标准化采用最大值-最小值标准化进行处理；对数据标准化处理可加快网络训练收敛速度，提高模型训练的精度，消除范围较大的特征值给梯度更新所带来的影响；

步骤III：利用均匀设计表设计输入变量以及神经网络中隐藏层的神经元个数，

采用均匀设计，构建出2因素4水平的均匀设计使用表，其中因素包括：第一个因素为前N天的降雨量、辐射强度和日径流量，其4个水平分别为：前1天，前3天，前10天，前15天；第二个因素为LSTM神经网络模型中的隐藏层神经元个数，其4个水平为：32个隐藏层神经元、64个隐藏层神经元、96个隐藏层神经元、128个隐藏层神经元；按照使用表中的组合，依次选取不同的变量与隐藏层个数进行模型训练；

步骤IV：根据提取预处理后的气象水文数据集，按照均匀设计使用表，将变量加入人工神经网络模型，并进行模型训练；

本发明中，人工神经网络模型由LSTM模型与1层全连接层组合而成，其中LSTM模型隐藏层的层数设置为1层；人工神经网络模型输入变量为前N天的降雨量、辐射强度和日径流量，前一天的最高温度、最低温度、日照时长、压强；输出为4×1的矩阵，其内容分别为：当天、预见期为1天、预见期为2天、预见期为3天的日径流量；其中，人工神经网络模型采用Adam算法进行优化，这种算法优化效率高，所需内存小，适合对人工神经网络模型进行优化；其学习率设置为0.001，损失函数采用均方误差(MSE)，并以此进行权重调节；其中，均方误差计算方法为：首先，求取每个实际径流值与理论径流值之差的平方，并对其求和，最后除以实际样本个数，得到最终结果；

步骤V：将测试集基于训练好的人工神经网络模型进行径流预测，并通过确定性系数与相对误差来衡量径流预报精度，

本发明采用两种误差计算方式来计算理论径流量与实际径流量之间的偏差：第一种指标为确定性系数(NSE)，用来表示理论径流量与实际径流量之间的拟合程度，其计算方法为：首先，求出每个理论径流量与实际径流量差值的平方，并对其求和，记作nse_up；而后，求出每个实际径流量与实际平均径流量差值的平方，记作nse_dowm；最后用1减去nse_up/nse_down，求出最终结果；其值域范围为[-∞～1]，值越接近1，说明拟合效果越好；第二种指标为相对误差(BIAS)，用来衡量理论径流量与实际径流量之间的偏离程度，其计算方法为：首先，计算每个理论径流量与实际径流量之差，并对其求和，记作bias_up，然后，对每个实际径流量的值进行求和，记作bias_down，最后，使用bias_up/bias_down得出最终结果；其值域范围为[-100％～100％]，值越接近0，说明拟合效果越好；

步骤VI：依次按照均匀设计使用表中的试验方案，进行模型训练与径流量预测，

本发明中采用2因素5水平的均匀设计使用表，每次按照不同的组合方案进行模型训练与预测，并记录每次实验的确定性系数与相对误差；

步骤VII：比较每次试验方案的平均确定性系数与平均相对误差，从而选择出最优的组合方案；

通过比较五次试验的平均确定性系数与平均相对误差，来选取最优的组合方案；

步骤VIII：将最优组合方案用于理论径流量预测，得出最优预报结果。