本發(fā)明屬于水文檢測(cè)的，具體涉及一種基于深度學(xué)習(xí)融合的降水分級(jí)動(dòng)態(tài)預(yù)測(cè)模型設(shè)計(jì)方法及裝置。

背景技術(shù)：

1、水是生命之源，人類的日常生活與工農(nóng)業(yè)生產(chǎn)都離不開水。降水是水資源的主要來(lái)源。適量的降水能夠?yàn)槿祟惖纳a(chǎn)生活帶來(lái)便利和益處，但過(guò)量的降水則可能會(huì)引發(fā)洪澇和次生災(zāi)害如山體滑坡等問(wèn)題；過(guò)少的降水可能會(huì)引發(fā)地區(qū)干旱問(wèn)題，給人類的生產(chǎn)生活造成極大不便，甚至影響人類生存。精準(zhǔn)迅速的降水預(yù)報(bào)不僅可以為人類的生產(chǎn)生活提供科學(xué)參考，也能在水利、農(nóng)業(yè)、工業(yè)生產(chǎn)等領(lǐng)域起到警示作用，最大程度上降低災(zāi)害所造成的損失。為了衡量地域性的降水狀況，一般采用降雨量來(lái)表示，一個(gè)地區(qū)氣候的變化可以比較直觀的體現(xiàn)在該地區(qū)的降雨量的變化上。

2、近年來(lái)，隨著氣候條件變化的加劇，導(dǎo)致降雨量的波動(dòng)性較大，各城區(qū)也開始頻繁出現(xiàn)極端降雨事件，由此引發(fā)的區(qū)域洪澇災(zāi)害等現(xiàn)象也日益突出，因此，對(duì)未來(lái)城區(qū)降雨量的準(zhǔn)確預(yù)測(cè)這一課題具有重要的研究意義。時(shí)間序列分析方法的概念最早是由英國(guó)人gu.yule于1927年提出的。gu.yule提出了平穩(wěn)時(shí)間序列模型中的自回歸ar模型的概念，而后，英國(guó)人gt.walker在實(shí)際應(yīng)用中運(yùn)用了移動(dòng)平均(ma)模型和自回歸移動(dòng)平均(arma)模型。隨著學(xué)者們多次對(duì)ar模型、ma模型的研究運(yùn)用，arma模型、arima模型被慢慢地發(fā)展開來(lái)，而它們都是時(shí)間序列中的核心模型。如今2006年，蘇力在《時(shí)間序列分析預(yù)測(cè)法在降水預(yù)報(bào)中的應(yīng)用》一文中，運(yùn)用了ar(p)模型中yule-walker自回歸方程組的相關(guān)知識(shí)。建立某一時(shí)間段降水的yule-walker自回歸方程組，求出自回歸系數(shù)帶入原方程組中從而建立該地相應(yīng)的自回歸預(yù)報(bào)模型。2009年，徐文霞等人在《基于時(shí)間序列分析的降雨量動(dòng)態(tài)預(yù)測(cè)》中考慮到季節(jié)因素對(duì)降水量的影響較大，選擇對(duì)過(guò)去幾年同一月份的降水?dāng)?shù)據(jù)進(jìn)行分析預(yù)測(cè)。金璇璇等人在《中國(guó)房地產(chǎn)市場(chǎng)的時(shí)間序列過(guò)程研究》一文中對(duì)同一組樣本建立了不同的模型，闡明了在對(duì)具體樣本進(jìn)行探究時(shí)應(yīng)該根據(jù)各序列的特點(diǎn)為其建立特定的模型形式。只有對(duì)號(hào)入座，才能使模型的預(yù)測(cè)能力發(fā)揮到最優(yōu)水平。

3、雖然上述傳統(tǒng)的時(shí)間序列分析方法具有一定的應(yīng)對(duì)季節(jié)因素和氣候變化的能力，但是對(duì)時(shí)間序列預(yù)測(cè)準(zhǔn)確度依舊不高。因此，針對(duì)傳統(tǒng)時(shí)間序列分析方法對(duì)時(shí)間序列預(yù)測(cè)準(zhǔn)確度不高問(wèn)題提出相關(guān)方案是亟待需要的。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的主要目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種基于深度學(xué)習(xí)融合的降水分級(jí)動(dòng)態(tài)預(yù)測(cè)模型設(shè)計(jì)方法及裝置，通過(guò)構(gòu)建基于降水聚類等級(jí)劃分的偏秩kendall預(yù)測(cè)因子挑選方法以及變權(quán)重深度學(xué)習(xí)降水融合模型，能夠提高氣候系統(tǒng)預(yù)測(cè)因子的可信度，揭示不同等級(jí)降水氣候驅(qū)動(dòng)因子及其響應(yīng)規(guī)律，大幅提高了降水預(yù)測(cè)能力和準(zhǔn)確性。

2、為了達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案：

3、第一方面，本發(fā)明提供了一種基于深度學(xué)習(xí)融合的降水分級(jí)動(dòng)態(tài)預(yù)測(cè)模型設(shè)計(jì)方法，包括下述步驟：

4、s1、將降水按照量級(jí)進(jìn)行等級(jí)劃分；

5、s2、針對(duì)不同等級(jí)的降水分別識(shí)別氣候驅(qū)動(dòng)因子；

6、s3、建立不同等級(jí)降水和氣候驅(qū)動(dòng)因子序列的時(shí)變累積分布函數(shù)；

7、s4、基于時(shí)變累積分布函數(shù)，建立深度學(xué)習(xí)融合模型，預(yù)測(cè)未來(lái)降水。

8、作為優(yōu)選的技術(shù)方案，所述步驟s1，包括：

9、采用k-means++算法選取歐氏距離，并進(jìn)行聚類分析劃分降水頻率等級(jí)；選取歐氏距離測(cè)量不同時(shí)段降雨量y的距離：

10、

11、基于歐式距離法，以空間中k個(gè)點(diǎn)為中心進(jìn)行聚類，對(duì)最靠近的對(duì)象歸類，通過(guò)迭代的方法，逐次更新各聚類中心的值，實(shí)現(xiàn)的目標(biāo)函數(shù)是：

12、

13、式中c1,c2,...,ck分別是k個(gè)類的中心點(diǎn)；c(yi)表示yi是所屬類的中心點(diǎn)；d2為yi與c(yi)兩點(diǎn)距離的平方。

14、作為優(yōu)選的技術(shù)方案，所述步驟s2，包括：

15、采用肯德爾秩相關(guān)系數(shù)量化氣候因子x與降雨量y之間的非線性相關(guān)性，計(jì)算公式為：

16、

17、式中n為觀測(cè)數(shù)對(duì)的個(gè)數(shù)，pn和qn分別代表x和y一致的數(shù)對(duì)個(gè)數(shù)和非一致的數(shù)對(duì)個(gè)數(shù)；τ1,2的分布接近于均值為0且方差為的正態(tài)分布，則在設(shè)定的置信水平上氣候因子x與樹輪年表y顯著相關(guān)的條件為：

18、

19、依據(jù)是否滿足顯著相關(guān)的條件確定該氣候因子是否是降雨量的主要驅(qū)動(dòng)因子。

20、作為優(yōu)選的技術(shù)方案，所述置信水平α＝5％。

21、作為優(yōu)選的技術(shù)方案，所述步驟s3，包括：

22、采用三參數(shù)伽馬分布擬合降雨量，記為y～γ(α,β,ε)，其概率密度函數(shù)為：

23、

24、式中γ(·)為伽馬函數(shù)，α＞0為形狀參數(shù)，β＞0為尺度參數(shù)，ε為位置參數(shù)；基于降雨量建立廣義可加模型模擬時(shí)變頻率分布，設(shè)序列有n個(gè)觀測(cè)值，其時(shí)間系列為t(t＝1,2,...,n)，則非一致變化下降雨量yt的分布函數(shù)服從γ(αt,βt,εt)，定義θ＝(αt,βt,εt)代表時(shí)變分布函數(shù)參數(shù)矩陣，令k＝1,2,3，取值分別代表形狀、尺度、位置三個(gè)參數(shù)，則第k個(gè)分布函數(shù)參數(shù)的時(shí)間向量為θk＝(θ1k,θ2k,...,θnk)t；記gk(·)表示θk與相應(yīng)解釋變量xk和隨機(jī)效應(yīng)項(xiàng)之間的單調(diào)函數(shù)關(guān)系，表示如下：

25、

26、式中為解釋變量矩陣；為ik長(zhǎng)度的回歸參數(shù)向量；hjk(·)表示分布參數(shù)對(duì)于影響變量ejk的關(guān)系函數(shù)。

27、作為優(yōu)選的技術(shù)方案，所述步驟s4，包括：

28、建立基于lstm神經(jīng)網(wǎng)絡(luò)flstm和卷積神經(jīng)網(wǎng)絡(luò)fcnn的變權(quán)重融合預(yù)測(cè)模型ft，公式為：

29、ft＝θt·flstm+(1-θt)·fcnn????????????????????????????????(7)

30、其中flstm為：

31、遺忘門：ft＝σ(wf·[ht-1,xt]+bf)?????????????????????????????(8)

32、輸入門：it＝σ(wi·[ht-1,xt]+bi)??????????????????????????????(9)

33、

34、式中ht-1為上一時(shí)刻隱藏層的值，xt為當(dāng)前t時(shí)刻輸入，σ為sigmoid函數(shù)，wf和bf分別是遺忘的權(quán)重和偏置項(xiàng)，ft為遺忘門輸出；wi和wc為輸入門權(quán)重，bi和bc為輸入門的偏置項(xiàng)，tanh()為激活函數(shù)，it為輸入門輸出，為候選狀態(tài)；

35、fcnn為：

36、

37、式中b為偏差量，zl和zl+1表示第l+1層的卷積輸入和輸出，k為通道數(shù)，f、s0和p是卷積層參數(shù)，對(duì)應(yīng)卷積核大小、卷積步長(zhǎng)和填充層數(shù)。

38、第二方面，本發(fā)明提供了一種基于深度學(xué)習(xí)融合的降水分級(jí)動(dòng)態(tài)預(yù)測(cè)模型設(shè)計(jì)系統(tǒng)，應(yīng)用于所述的基于深度學(xué)習(xí)融合的降水分級(jí)動(dòng)態(tài)預(yù)測(cè)模型設(shè)計(jì)方法，包括等級(jí)劃分模塊、氣候驅(qū)動(dòng)因子識(shí)別模塊、時(shí)變累積分布函數(shù)建立模塊和降水模型建立模塊；

39、所述等級(jí)劃分模塊，用于將降水按照量級(jí)進(jìn)行等級(jí)劃分；

40、所述氣候驅(qū)動(dòng)因子識(shí)別模塊，用于針對(duì)不同等級(jí)的降水分別識(shí)別氣候驅(qū)動(dòng)因子；

41、所述時(shí)變累積分布函數(shù)建立模塊，用于建立不同等級(jí)降水和氣候驅(qū)動(dòng)因子序列的時(shí)變累積分布函數(shù)；

42、所述降水模型建立模塊，用于基于時(shí)變累積分布函數(shù)，建立深度學(xué)習(xí)融合模型，預(yù)測(cè)未來(lái)降水。

43、第三方面，本發(fā)明提供了一種電子設(shè)備，所述電子設(shè)備包括：

44、至少一個(gè)處理器；以及，

45、與所述至少一個(gè)處理器通信連接的存儲(chǔ)器；其中，

46、所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的計(jì)算機(jī)程序指令，所述計(jì)算機(jī)程序指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行所述的基于深度學(xué)習(xí)融合的降水分級(jí)動(dòng)態(tài)預(yù)測(cè)模型設(shè)計(jì)方法。

47、第四方面，本發(fā)明提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有程序，所述程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)所述的基于深度學(xué)習(xí)融合的降水分級(jí)動(dòng)態(tài)預(yù)測(cè)模型設(shè)計(jì)方法。

48、本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn)和有益效果：

49、(1)本發(fā)明降水聚類等級(jí)劃分的基礎(chǔ)上，分析流域不同等級(jí)降水與各項(xiàng)氣候系統(tǒng)指標(biāo)的機(jī)理關(guān)系，并基于偏秩kendall相關(guān)系數(shù)針對(duì)性地對(duì)比分析不同氣候系統(tǒng)指數(shù)因?qū)Φ貐^(qū)各級(jí)降水量級(jí)顯著程度，并能充分提高氣候系統(tǒng)預(yù)測(cè)因子的可信度，揭示不同等級(jí)降水氣候驅(qū)動(dòng)因子及其響應(yīng)規(guī)律。

50、(2)本發(fā)明在氣候系統(tǒng)預(yù)測(cè)因子與區(qū)域降水的聯(lián)合分布模型結(jié)果基礎(chǔ)上，測(cè)試不同時(shí)間序列分析模型結(jié)果，根據(jù)每個(gè)模型的準(zhǔn)確度，調(diào)設(shè)最優(yōu)權(quán)重及參數(shù)組合，然后將多個(gè)時(shí)間序列分析算法融合，減少了成本開支和失效性。