[发明专利]基于Boosting算法和支持向量机的洪水预报方法

说明书

本发明公开了一种基于Boosting算法和支持向量机的洪水预报方法，该方法包括如下步骤：运用相关系数法确定预报因子；利用核主成分分析对所述预报因子进行降维处理；利用Boosting算法选取样本建立多个支持向量机预测模型，引入损失函数和相关系数调整样本权重，最后组合为一个总预测模型；利用所述总预测模型对测试样本进行预测。本发明前两个步骤是数据预处理，目的是提取洪水数据中的有用信息，消除冗余信息对预报造成的干扰。第三个步骤将Boosting算法引入到洪水预报中，尽量将前一个模型不能很好学习的样本，抽取出来用于训练下一个模型，这样组合后的模型可以有效提高洪水预报准确率，最后一个步骤用于检验模型效果。实验数据表明本方案能很好地提高预报精度。

技术领域

本发明涉及洪水预报技术，尤其是一种基于Boosting算法和支持向量机的洪水预报方法。

背景技术

洪水预报工作是防灾减灾最重要的非工程项目，在历年的防汛抗旱、水资源管理与保护、水工程运行管理等工作中发挥了重要的作用，取得了显著的经济效益和社会效益。但洪水过程受流域自然地理、水文、气象、人类活动等诸多因素的影响，具有高度的复杂性和不确定。因此准确地预报水雨情以便生成调度方案是一个急需要解决的难题。

现有洪水预报方法主要分为两类：一种是基于过程驱动模型，另一种是基于数据驱动模型。前者过程驱动模型是指以水文学概念为基础，对径流的产流过程与河道演进过程进行模拟，从而进行流量过程预报的模型。其缺点是由于径流过程受太阳辐射、地心引力、下垫面和人类活动等因素影响，过程预报往往比较困难，而且过分依赖预报人员的经验。

在现有文献中，数据驱动模型则基本不考虑水文过程的物理机制，而以建立输入输出数据之间的最优数学映射关系为目标。故其存在过度依赖训练数据质量和数量，模型结构复杂，且易陷入局部极值等问题，

因此，需要发明新的模型来克服上述缺陷。

发明内容

发明目的：一个目的是提供一种基于Boosting算法和支持向量机的洪水预报方法，以解决现有技术存在的部分问题。

技术方案：一种基于Boosting算法和支持向量机的洪水预报方法，包括如下步骤：

步骤1.运用相关系数法确定预报因子；

步骤2.利用核主成分分析对所述预报因子进行降维处理；

步骤3.利用Boosting算法选取样本建立多个支持向量机预测模型，引入损失函数和相关系数调整样本权重，最后组合为一个总预测模型，具体方法如下：

设输入的水文时间序列为(x_i，y_i)，其中i＝1，2，…，n，x_i为预报因子，y_i为实际值，将水文时间序列样本分为训练样本和测试样本，需要训练的子模型个数为T，D_m(i)为不同分量模型选取样时样本的权重概率分布，m＝1，2，…，T；

步骤31.初始化，分量模型m＝1，各样本概率分布D_m(i)＝1/n，i＝1，2，…，n；

步骤32.训练模型，根据样本概率分布D_m(i)对训练样本进行采样并训练支持向量机模型，对测试样本进行预测，同时对训练样本进行预测，以调整训练样本权重；

步骤33.计算各训练样本的相对误差损失函数：

其中，f_t(x_i)为第t轮Boosting的预测值，y(x_i)为第t轮Boosting的实际值；

步骤34.计算各训练样本相关系数：