本發(fā)明涉及河流流域水文預(yù)測，尤其涉及一種基于數(shù)據(jù)驅(qū)動的滾動式徑流預(yù)報方法及系統(tǒng)。

背景技術(shù)：

1、徑流預(yù)報在防洪減災(zāi)等領(lǐng)域具有重要作用，目前徑流預(yù)報的方法主要包括水文模型預(yù)報和數(shù)據(jù)驅(qū)動兩種。水文模型能夠很好地對產(chǎn)匯流過程進(jìn)行描述，但建模過程需要較高的專業(yè)知識，且參數(shù)率定較為困難，針對不同河流流域需要分別建模，泛化能力不足。隨著水文歷史數(shù)據(jù)的不斷積累，數(shù)據(jù)驅(qū)動模型借助海量歷史數(shù)據(jù)實(shí)現(xiàn)深層次分析，能夠挖掘出歷史數(shù)據(jù)中隱藏的規(guī)律，逐漸展示出良好的適應(yīng)性和泛化能力。采用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、梯度提升決策樹等數(shù)據(jù)模型，對汛期有洪水、汛期無洪水、枯期等多種情況下的徑流進(jìn)行預(yù)報，需要越來越多的數(shù)據(jù)，以及越來越多的模型參數(shù)，同時也造成了訓(xùn)練過程越來越困難。

2、經(jīng)過研究，發(fā)現(xiàn)對于特定地域，一定的地理環(huán)境下，在相似降雨條件下產(chǎn)生徑流的過程也是相似的，也就是說，根據(jù)歷史相似降雨條件預(yù)測徑流，不僅具有較強(qiáng)的解釋性還能顯著減少參與模型訓(xùn)練的數(shù)據(jù)量，對提高預(yù)報精度以及擴(kuò)展預(yù)測期也具有重要意義。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明提供了一種基于數(shù)據(jù)驅(qū)動的滾動式徑流預(yù)報方法及系統(tǒng)，根據(jù)當(dāng)前降雨量特征獲取歷史上相似降雨情境下徑流情況，根據(jù)相似降雨情境下徑流特點(diǎn)對當(dāng)前徑流進(jìn)行預(yù)報，使用相對較小數(shù)據(jù)量實(shí)現(xiàn)徑流預(yù)報，對防洪減災(zāi)、提高預(yù)報精度等方面具有重要意義。

2、第一個方面，本發(fā)明公開了一種基于數(shù)據(jù)驅(qū)動的滾動式徑流預(yù)報方法，包括以下步驟：

3、步驟s101：根據(jù)滑窗大小l和滑窗步長step對歷史徑流數(shù)據(jù)和歷史降雨量數(shù)據(jù)進(jìn)行數(shù)據(jù)劃分，構(gòu)建樣本數(shù)據(jù)庫；其中，l和step為整數(shù)，l大于step，step大于0；

4、步驟s102：獲取當(dāng)前徑流序列r和當(dāng)前降雨量序列f；其中，r={rt-1,rt-2,…,rt-l+1},f={ft-1,ft-2,…,ft-l+1}，t表示當(dāng)前時刻；

5、步驟s103：使用當(dāng)前降雨量序列f在樣本數(shù)據(jù)庫中進(jìn)行相似度計(jì)算，獲取相似度最高的k個樣本；

6、步驟s104：基于當(dāng)前徑流序列r、當(dāng)前降雨量序列f、相似度最高的k個樣本，利用徑流預(yù)報模型計(jì)算徑流預(yù)報值rt；其中，徑流預(yù)報模型的類型包括時序神經(jīng)網(wǎng)絡(luò)模型和加權(quán)均值模型。

7、優(yōu)選地，根據(jù)滑窗大小l和滑窗步長step對歷史徑流數(shù)據(jù)和歷史降雨量數(shù)據(jù)進(jìn)行數(shù)據(jù)劃分，構(gòu)建樣本數(shù)據(jù)庫，具體為：

8、讀取歷史徑流數(shù)據(jù)和歷史降雨量數(shù)據(jù)，將歷史徑流數(shù)據(jù)和歷史降雨量數(shù)據(jù)在時間軸上進(jìn)行對齊，根據(jù)設(shè)定的滑窗步長step在歷史徑流數(shù)據(jù)和歷史降雨量數(shù)據(jù)上滑動，每滑動一個滑窗步長step獲得一個樣本，每個樣本包括l個歷史徑流數(shù)據(jù)和歷史降雨量數(shù)據(jù)。

9、作為進(jìn)一步的改進(jìn)方案，樣本數(shù)據(jù)庫還包括歷史預(yù)測數(shù)據(jù)；歷史預(yù)測數(shù)據(jù)包括徑流預(yù)測值和徑流預(yù)報模型的類型；

10、讀取歷史預(yù)測數(shù)據(jù)；將歷史預(yù)測數(shù)據(jù)與歷史徑流數(shù)據(jù)以及歷史降雨量數(shù)據(jù)在時間軸上進(jìn)行對齊，根據(jù)設(shè)定的滑窗步長step在歷史預(yù)測數(shù)據(jù)、歷史徑流數(shù)據(jù)和歷史降雨量數(shù)據(jù)上滑動，每滑動一個滑窗步長step獲得一個樣本，每個樣本包括l個歷史徑流數(shù)據(jù)、l個歷史降雨量數(shù)據(jù)、l個歷史預(yù)測數(shù)據(jù)。

11、優(yōu)選地，使用當(dāng)前降雨量序列f在樣本數(shù)據(jù)庫中進(jìn)行相似度計(jì)算，相似度最高的k個樣本，具體為：

12、遍歷樣本數(shù)據(jù)庫中的每個樣本，將該樣本的l個歷史降雨量數(shù)據(jù)組織為向量，計(jì)算該向量與當(dāng)前降雨量序列f={ft-1,ft-2,…,ft-l+1}的相似度；根據(jù)相似度對樣本進(jìn)行降序排序，獲取相似度最高的k個樣本，以及相似度最高的k個樣本的相似度集合s，s={s1,s2,…,sk}。

13、作為進(jìn)一步的改進(jìn)方案，使用k-means算法對樣本數(shù)據(jù)庫中的歷史降雨量數(shù)據(jù)進(jìn)行聚類，獲得n個簇以及每個簇的特征向量；計(jì)算當(dāng)前降雨量序列f與每個簇的特征向量的相似度；根據(jù)相似度對簇進(jìn)行降序排序，獲取前a個簇；獲取前a個簇中的樣本；計(jì)算前a個簇中每個樣本與當(dāng)前降雨量序列f={ft-1,ft-2,…,ft-l+1}的相似度；根據(jù)相似度對前a個簇中的樣本進(jìn)行降序排序，獲取相似度最高的k個樣本，以及相似度最高的k個樣本的相似度集合s，s={s1,s2,…,sk}。

14、優(yōu)選地，利用徑流預(yù)報模型計(jì)算徑流預(yù)報值rt，具體為：按照公式（1）對相似度集合s進(jìn)行歸一化處理；

15、??????????????????????（1）；

16、其中，1≤i≤k,?1≤j≤k，按照公式（2）使用加權(quán)均值模型計(jì)算徑流預(yù)報值rt，

17、????????（2）。

18、作為進(jìn)一步的改進(jìn)方案，獲取相似度最高的k個樣本中第i個樣本中的第l個歷史徑流數(shù)據(jù)以及相應(yīng)的歷史預(yù)測數(shù)據(jù)；按照公式（3）計(jì)算預(yù)測誤差，

19、???????????（3）；

20、按照公式（1）對相似度集合s進(jìn)行歸一化處理；

21、?????????????????????（1）；

22、其中，1≤i≤k,?1≤j≤k，按照公式（4）使用加權(quán)均值模型計(jì)算徑流預(yù)報值rt，

23、???（4）。

24、優(yōu)選地，利用徑流預(yù)報模型計(jì)算徑流預(yù)報值rt，具體為：

25、利用k個相似樣本訓(xùn)練時序神經(jīng)網(wǎng)絡(luò)模型；使用當(dāng)前降雨量序列f輸入訓(xùn)練好的時序神經(jīng)網(wǎng)絡(luò)模型，獲得徑流預(yù)報值rt。

26、作為進(jìn)一步的改進(jìn)方案，獲得當(dāng)前徑流序列r={rt-1,rt-2,…,rt-l+1}以及對應(yīng)的預(yù)測值序列pr={prt-1,prt-2,…,prt-l+1}；

27、按照公式（5）計(jì)算預(yù)測總誤差α，

28、?????????（5）；

29、其中，t-1≤m≤t-l+1，利用公式（6）對徑流預(yù)報值rt進(jìn)行修正，得到修正后的徑流預(yù)報值，

30、?????????????（6）。

31、第二個方面，本發(fā)明公開了一種基于數(shù)據(jù)驅(qū)動的滾動式徑流預(yù)報系統(tǒng)，包括以下功能模塊：

32、樣本數(shù)據(jù)庫構(gòu)建模塊：根據(jù)滑窗大小l和滑窗步長step對歷史徑流數(shù)據(jù)和歷史降雨量數(shù)據(jù)進(jìn)行數(shù)據(jù)劃分，構(gòu)建樣本數(shù)據(jù)庫；其中，l和step為整數(shù)，l大于step，step大于0；

33、數(shù)據(jù)獲取模塊：獲取當(dāng)前徑流序列r和當(dāng)前降雨量序列f；其中，r={rt-1,rt-2,…,rt-l+1},?f={ft-1,ft-2,…,ft-l+1}，t表示當(dāng)前時刻；

34、相似樣本獲取模塊：使用當(dāng)前降雨量序列f在樣本數(shù)據(jù)庫中進(jìn)行相似度計(jì)算，獲取相似度最高的k個樣本；

35、徑流預(yù)報模塊：基于當(dāng)前徑流序列r、當(dāng)前降雨量序列f、相似度最高的k個樣本，利用徑流預(yù)報模型計(jì)算徑流預(yù)報值rt；其中，徑流預(yù)報模型的類型包括時序神經(jīng)網(wǎng)絡(luò)模型和加權(quán)均值模型。

36、本發(fā)明通過對當(dāng)前降雨量特征與樣本數(shù)據(jù)庫中歷史降雨特征進(jìn)行相似度計(jì)算，獲得k個較為相似的樣本，利用相似樣本的徑流特征，通過加權(quán)計(jì)算均值的方式預(yù)測當(dāng)前徑流，或者，利用相似樣本訓(xùn)練時序神經(jīng)網(wǎng)絡(luò)模型，通過時序神經(jīng)網(wǎng)絡(luò)模型預(yù)報徑流，減少了參與徑流預(yù)報的數(shù)據(jù)規(guī)模，提高了預(yù)報的精度、速度，對汛期防洪減災(zāi)具有重要意義。