[发明专利]基于粒子群优化的K-means径流丰枯年份预报方法

权利要求书

1.一种基于粒子群优化的K-means径流丰枯年份预报方法，其特征在于，包括以下步骤：

S1，选取河川S年的径流量数据作为历史样本，将历史样本中前N年的径流量数据及对应年份的环流指数数据作为训练集，后M年的径流量数据及对应年份的环流指数数据作为检验集，其中，S＝N+M，N＞M，S、N、M均为正整数，并统计历史样本的实际丰枯年份；

S2，基于S1得到的训练集，采用粒子群优化算法进行多次迭代，得到K-means聚类算法的多个预报因子组合，所述预报因子组合包括5-6个粒子；

S3，对于每个预报因子组合，均利用该预报因子组合，根据K-means聚类算法，确定训练集的丰枯聚类结果，其中，K为2，包括丰水聚类和枯水聚类；

S4，对于S3中得到的每个丰枯聚类结果，计算其准确率；

S5，选取准确率最高的丰枯聚类结果以及对应的预报因子组合；

S6，根据S5确定的预报因子组合，根据K-means聚类算法，确定检验集的丰枯聚类结果；

S7，依据实际丰枯年份，对检验集的丰枯聚类结果进行误差分析，若误差不在设定范围内，则调整粒子群优化算法中的执行次数，并返回至S2；若误差在设定范围内，则将预报年份作为样本加入到检验集中，重复S6，得到预报年份的丰枯结果；

S4中，按照如下公式计算其准确率：

其中，fitness为目标函数，n_f为丰水聚类年份中实际丰水年份的个数，n_k为枯水聚类年份中实际枯水年份的个数，N_f丰水聚类中的年份个数，N_k枯水聚类中的年份个数，为实际丰水年份个数占丰水聚类年份个数的比例，为实际枯水年份个数占枯水聚类年份个数的比例。

2.如权利要求1所述的方法，其特征在于，S2包括以下步骤：

S201，确定粒子群优化算法的如下初始条件：将S1得到的训练集样本的所有气候指数做为初始种群规模，将每个气候指数作为一个粒子，设定列数的取值范围；

S202，选定适应度函数，计算初始化种群中各粒子适应度函数值；

S203，在粒子群优化算法过程中对初始化种群各粒子的适应度值依次进行评估；

S204，执行次数均达到预定次数后，则满足终止条件，评估结束；对评估后剩下的粒子进行适应度值的比较，选出适应度值最大的粒子；

S205，确定每个粒子的个体最佳位置；

S206，确定整个粒子群的全局最佳位置；

S207，按照如下公式更新粒子的速度和位置：

v_i+1＝wv_i+c₁r₁(p_best-x_i)+c₂r₂(g_best-x_i)

x_i+1＝x_i+v_i+1

式中：i表示迭代代数，x_i表示第i次迭代时粒子所在位置，v_i表示第i次迭代时粒子的速度，r₁,r₂为(0,1)之间的两个随机数，c₁,c₂表示的是增速因子，它们的取值均大于0，w为权重因子，取值范围是(0,1)。

3.如权利要求1所述的方法，其特征在于，S3包括以下步骤：

S301，遍历训练集，对于每个样本，根据预报因子组合计算并比较其到K个聚类中心的距离，并按照距离最近原则将其分配到与其最相似的簇中；

S302，计算所有簇中样本的均值作为新的聚类中心；

S303，判断聚类中心是否发生变化，若是则跳到S301继续进行迭代，否则算法执行结束，返回聚类结果。