[发明专利]河流流量的预测方法

权利要求书

1.一种河流流量的预测方法，其特征在于，它包括如下步骤：

步骤1：将待预测河流区域的历史水位数据和历史流量数据进行多种随机组合，作为输入条件进行BP神经网络进行BP神经网络训练及预测，确定预测相对误差最小的一组输入数据{u₁(t)，u₂(t)...u_n(t)}和输出数据o(t)，其中u_n表示第n个输入变量，t表示第t个数据；

步骤2：利用VMD模型对输入数据{u₁(t)，u₂(t)...u_n(t)}和输出数据o(t)分别进行平稳化处理，分解为表示输入数据{u₁(t)，u₂(t)...u_n(t)}输出数据o(t)的多个分量，VMD模型分解的用于寻找输入数据{u₁(t)，u₂(t)...u_n(t)}的K个分量u_nk(t)(k＝1，2，…，K)，使得K个分量u_nk(t)(k＝1，2，…，K)的宽带之和最小；得到输入数据VMD分解的分量组合{u_n1，u_n2，...，u_nk}及输出数据VMD分解的分量组合{o₁，o₂，...，o_k}，其中u_nk表示第n个输入变量的第k个分量，o_k表示输出变量的第k个分量；

步骤3：利用VMD模型将输入数据{u₁(t)，u₂(t)...u_n(t)}和输出数据o(t)分解后，按其对应的分解量进行重构，即将输入数据VMD分解的分量组合{u_n1，u_n2，...，u_nk}及输出数据VMD分解的分量组合{o₁，o₂，...，o_k}分别按第一分量、第二分量一直到第k分量的形式进行组合，形成如以下公式所示的k组数据组合，u_nk表示第n个输入变量的第k个分量，o_k表示输出变量的第k个分量；

步骤4：将步骤3中VMD分解的分量重构得到的k组数据组合

作为输入条件，分别进行BP神经网络的训练及预测，得到各个分量组合的预测值D_n，之后将每个分量组合的预测值叠加得到最终的待预测河流流量预测值D；D＝D₁+D₂+…+D_n；

步骤2中，得到输入数据VMD分解的分量组合{u_n1，u_n2，...，u_nk}及输出数据VMD分解的分量组合{o₁，o₂，...，o_k}的具体方法为：

步骤201：首先对每个输入数据分量u_nk(t)通过希尔伯特变换

计算相关联的分析信号从而获得单边频谱：

步骤202：通过将得到的所述分析信号与希尔伯特变换得到的分析信号的指数调谐项相乘得到解调信号，将每个有限宽带的本征模态函数的频谱移位到基带，再根据解调信号的梯度的二范数平方估计每个有限宽带的本征模态函数的宽带，最后得到变量u_nk(t)的约束变分公式：

式中，{u_nk}：＝{u_n1，...，u_nk}是第n个输入数据分解的k个分量的集合，{ω_nk}：＝{ω_n1，...，ω_nk}是第n个输入数据分解的分量对应的中心频率的集合，表示所有分量的和，f(t)是原始数据，即输入数据u_n，表示对t求偏导数，t表示分析信号的个数，δ(t)表示脉冲函数，表示相位，表示希尔伯特变换得到的分析信号的指数谐调项；

步骤203：引入二次惩罚项α和拉格朗日乘子λ_n(t)计算得到增广拉格朗日公式：

上述的目的是将约束变分公式变为无约束问题，方便求解，式中，二次惩罚项α为足够大的正数，用于保证信号的重构精度，拉格朗日乘子λ_n(t)使约束条件保持严格性，表示对t求偏导数；

步骤204：利用交替方向乘子法，通过迭代更新未知的值，直到，迭代更新之后得到的值的精度E满足E＜ε停止迭代，ε表示给定的判别精度；

式中，m表示迭代次数，ω为输入信号的中心频率，分别为λ_n(t)、f(t)、u_ni(t)、对应的傅立叶变换，表示第n个输入变量的第k个分量迭代m次之后的值，λ_n(t)表示拉格朗日乘子，α表示二次惩罚项，ω_nk表示第n个输入数据分解的第k个分量对应的中心频率；

步骤205：最终得到输入数据VMD分解的分量组合{u_n1，u_n2，...，u_nk}及输出数据VMD分解的分量组合{o₁，o₂，...，o_k}，其中u_nk表示第n个输入变量的第k个分量，o_k表示输出变量的第k个分量。