[发明专利]一种基于细菌觅食优化算法的中长期径流预报方法

说明书

技术领域

本发明属于水文预报技术领域，特别涉及一种基于细菌觅食优化算法的中长期径流预报方法。

背景技术

在水文学中，径流是指降雨及冰雪融水或者在浇地的时候在重力作用下沿地表或地下流动的水流。径流预报属于水文预报范畴，是应用水文学的一个重要组成部分，它是建立在掌握客观水文规律的基础上，预见未来径流变化的一门应用科学技术，是水资源调度、水利防汛和抗旱科学实施的前提。径流预报按预见期可分短期径流预报和中长期径流预报，划分的标准一般以流域汇流时间为界，凡预报的预见期小于或等于流域汇流时间的称为短期预报，预报的预见期大于流域汇流时间的称为中长期预报。

中长期径流预报是指根据前期或现时已出现的水文、气象等信息，应用水文学、气象学、水力学、统计学等相关学科的原理和方法，对河流、水库、湖泊等水体未来3天以上、1年以内的径流情况和趋势作出定量或定性预报。定量预报是指根据历史数据和资料，应用数理统计方法来预测径流的未来，或者利用径流发展的因果关系来预测径流的未来。而利用直观的材料，依靠个人的经验判断和分析能力对径流未来的发展进行预测叫做定性预报，也称之为直观预报。

受气候、气象、下垫面、人类活动等诸多因素的综合影响，流域中长期径流预报过程具有一定的时空不确定性。从趋势性、周期性、随机性、区域性等方面分析径流的时空演变规律是水文学的重要研究内容之一，也是中长期径流预报的基础。从诸多水文-气象因子中为特定流域选取合适的预报因子集合，并构建预报因子集合与流域径流之间的关系，是中长期径流预报的难点。

中长期径流预报的方法很多，如传统的物理成因分析法、数理统计方法和包括模糊数学法、灰色系统方法、人工神经网络在内的现代预报方法。作为一种新兴的机器学习方法，支持向量机(Support Vector Machine,SVM)目前也被越来越多的应用在中长期径流预报中。支持向量机是以统计学习理论的VC维理论以及结构风险最小化原理为理论基础的。支持向量机具有严格的数学理论基础、良好的泛化能力和直观的几何解释，在解决小样本、非线性、高维度等问题时表现优异。支持向量回归机(Support Vector Machine for Regression,SVR)是建立在SVM思想上的回归算法，具有坚实的理论基础，已成为继人工神经网络之后机器学习领域新的研究热点，越来越多的应用在中长期径流预报中。

SVR的基本思想是用少数支持向量代表整个样本集，利用一个非线性映射

将训练集映射到一个高维特征空间，使得在输入空间中非线性函数估计问题转换为高维特征空间中的线性函数估计问题。目前应用较多的基于粒子群算法的支持向量回归机中长期径流预报方法流程如图1所示，该方法主要包括以下步骤：

1)确定回归函数。一般地，SVR模型的回归函数如式(1)所示：

式中，x为输入样本，l表示样本数量，α_i、α_i^*为拉格朗日乘子，α_i、α_i^*∈[0,C]，C为误差惩罚参数，用于在结构风险和经验风险之间进行平衡，增加C值将相应增加规则化的经验风险，且满足α_iα_i^*＝0；b为常数,取值依据实际问题而定；为内积运算。

可以看到，在上面的优化问题中需要计算高维特征空间中的内积运算，为了避免“维数灾难问题”，支持向量机理论只考虑高维特征空间的点积运算K(x_i,x)为核函数。在径流预报问题中核函数选择了径向基函数，即此时SVR模型的回归函数(即式(1))经过抽象可以表示为：

y＝f(x|C,ε,σ)(2)

式中，ε为不敏感损失系数，y为径流实测值，σ为核参数，C,σ称为学习参数，它们的值都是需要确定的。

2)输入初始资料，即历史年径流量数据。先根据文献资料随机选择C,σ的取值，并选择核函数(径向基函数)得到映射关系。

3)将学习参数C,σ和历史径流数据输入步骤1)得到的SVR模型中，并用算法优化学习参数C,σ的值，学习参数除实验试凑等人工方法选取外，主要采用遗传算法、粒子群优化算法、蚁群优化算法等智能方法进行寻优选取。其中，将粒子群算法确定及优化C,σ的步骤如下：

3-1)确定初始群体规模、粒子的初始速度和位置、最大迭代次数，粒子群参数；