[发明专利]基于粒子群优化的K-means径流丰枯年份预报方法

说明书

本发明公开了一种基于粒子群优化的K‑means径流丰枯年份预报方法，涉及水文预报技术领域。该方法，首先选定多年径流量数据作为历史样本，并分为训练集和验证集，通过粒子群优化算法对训练集中的样本进行寻优，得到多组预报因子组合，将各组预报因子组合分别用于K‑means聚类算法中进行训练集样本的聚类，对得到的聚类结果分别计算准确率，选取准确率最高的结果以及对应的预报因子组合，经过检测集检验合格后，利用该预报因子组合来进行预报年份径流丰枯年的预报，极大的提高了径流丰枯年的预报精度、合理性以及实用性，可以作为中长期径流丰枯年份预报的一种有效的方法。

技术领域

本发明涉及水文预报技术领域，尤其涉及一种基于粒子群优化的K-means径流丰枯年份预报方法。

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。受天气系统和下垫面因素等的综合影响,河川径流呈现出复杂的年内和年际变化,根据径流的这种变化，可以分为丰水年和枯水年，由于径流变化的波动具有强烈的随机性，所以，对径流时序的丰枯状态变化进行预报,是认识水文动力系统演化特征的重要内容,对水资源的开发和利用等具有重要意义。

目前,径流丰枯划分方法主要有灰色分类评价法、距平百分率及模糊聚类法等。其中，聚类是一个将数据集中在某些方面相似的数据成员进行分类组织的过程。而K-means聚类是最著名的划分聚类算法，是一种基于样本间相似性度量的间接聚类方法，属于非监督学习方法，由于简洁和效率使得他成为所有聚类算法中最广泛使用的。此算法以k为参数，把n个对象分为k个簇，以使簇内具有较高的相似度，而且簇间的相似度较低。相似度的计算根据一个簇中对象的平均值(被看作簇的重心)来进行。此算法首先随机选择k个对象，每个对象代表一个聚类的质心。对于其余的每一个对象，根据该对象与各聚类质心之间的距离，把它分配到与之最相似的聚类中。然后，计算每个聚类的新质心。重复上述过程，直到准则函数收敛。

K-means的基本思想是通过预先设定的K值及每个类别的初始质心对相似的数据点进行划分，并通过划分后的均值迭代优化获得最优的聚类结果。基本流程图如图1所示，该方法主要包括以下步骤：

1)在数据集范围内，任意选择K个对象作为初始聚类中心；

2)遍历样本数据集合，对于每个样本，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；

3)计算所有簇中样本的均值作为新的聚类中心；

4)判断聚类中心是否发生变化，若是则跳到步骤2继续进行迭代，否则算法执行结束，返回聚类结果；

实验结果表明，上述聚类方法容易陷入局部最优，从而无法得到最优的分类结果，进而影响对径流丰枯年份预报的准确度。

发明内容

本发明的目的在于提供一种基于粒子群优化的K-means径流丰枯年份预报方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种基于粒子群优化的K-means径流丰枯年份预报方法，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；