[发明专利]基于互信息-核主成分分析-Elman网络的中长期径流预报方法

说明书

本发明公开了一种基于互信息、核主成分分析和Elman网络的中长期径流集合预报方法，包括以下步骤：收集气象水文资料，建立指标时间序列与径流时间序列一一对应关系；采用标准互信息的方法选出显著且标准互信息高的指标；用核主成分分析法提取筛选的指标数据的主成分；构建Elamn神经网络模型；z‑score标准化主成分后，从中划分出训练样本对网络进行监督训练，划分出检验样本对网络进行检验，计算各评价指标值；重复单次预报多次，取多次预报的集合平均作最终的预报值。本发明可以充分挖掘气象水文资料与径流之间线性、非线性关系，并建立数学关系模型，实现对中长期径流量更加准确、稳定的预报。

技术领域

本发明属于信息技术领域，特别涉及一种基于互信息-核主成分分析-Elman网络的中长期径流预报方法。

背景技术

准确的中长期径流量预报是指导水资源综合开发利用、科学管理和优化调度的重要前提。

目前，常用的中长期径流预报的方法是基于统计学的方法，即通过寻找预报对象与预报因子的统计关系，实现预报。将统计学的方法用于中长期径流预报的关键问题包括以下三方面：

(1)预报因子的初选：对于预报因子的初选，目前常用的方法是线性相关分析法(如Pearson相关分析、Spearman相关分析等)，即通过计算气象水文资料(包括遥相关因子、本地相关因子等)与历史径流序列之间的相关系数，选出相关系数高的因子作为预报因子；

(2)初选出来的因子的降噪和去冗余：对于初选出来的因子的降噪和去冗余，目前常用的方法是主成分分析法(Principal Component Analysis，PCA)。由于用相关性分析方法筛选因子时，筛选出的高相关性的因子往往较多，且不同的因子时间序列之间存在较高的复共线性，因子时间序列本身也存在一定的噪声。因此，需要对对初选出来的因子进行降噪和去冗余。PCA能用几个较少的综合指标来代替原来较多的指标，而这些较少的综合指标不但能尽多地反映原来较多指标的有用信息，且相互之间正交；

(3)预报对象与预报因子之间的最优数学关系的建立：对于预报对象与预报因子之间的最优数学关系的建立，目前常用的模型有多元回归、随机森林、人工神经网络、支持向量机等。

现行的基于统计学的中长期径流预报方法存在以下三方面的问题：

(1)水文过程复杂，预报因子与预报对象之间除了线性关系外还存在一定的非线性关系。用于预报因子初选的线性相关分析法只能描述变量间的线性关系，不能反映变量间的非线性关系；

(2)用于初选因子降噪和去冗余的PCA,实质是一种线性映射方法，得到的主成分是由线性映射生成的。这种方法忽略了数据之间高于2阶的相互关系，所以抽取的主成分并不是最优的；

(3)用于建立预报对象与预报因子之间最优数学关系的模型，常用的多元回归实际上也是一种线性拟合，不能反映预报对象与预报因子之间的非线性关系。与其他模型相比，人工神经网络因鲁棒性好、非线性映射和自学习能力强，在中长期径流预报中得到了较为广泛的应用，但神经网络模型参数的不确定性会对预报的准确性造成一定的影响，每次预报的结果之间会存在一定幅度的差异。

发明内容

本发明的目的是针对传统的统计预报方法中存在的问题，提供一种能够克服这些问题的中长期径流预报的方法，从而提高预报的稳定性和精度。

本发明提供的基于标准互信息(Normalized Mutual Information,NMI)、核主成分分析(Kernel Principal Component Analysis,KPCA)和Elman神经网络(Elman NeuralNetwork)的中长期径流预报方法，具体包括以下步骤：

步骤1：数据预处理