[发明专利]一种基于深度学习模型和KNN实时校正的洪水预测方法

权利要求书

1.一种基于深度学习模型和KNN实时校正的洪水预测方法，其特征在于，包括如下步骤：

(1)对历史洪水过程数据进行归一化处理；

(2)对归一化后的历史洪水过程数据序列进行分析，分析降雨量和蒸发量影响因素对流域出口流量的影响时间范围；

(3)利用滑动窗口从历史洪水过程数据中建立预测模型的输入和输出值，建立预测模型数据集TRSet1；所述输入值为降雨量和蒸发量，输出值为预见期的流量；

(4)建立基于深度学习的预测模型CNNFM，利用训练数据集TRSet1训练预测模型获得模型参数；

(5)建立实时误差校正模型训练数据集TRSet2，输入与TRSet1相同，预测模型的预测误差作为输出；

(6)建立基于加权K近邻的实时误差校正模型KNNCM；

(7)进行预测，利用预测模型对实时数据进行预测，利用实时误差校正模型-结合训练数据TRSet2进行校正，获得最终的预测值；

所述步骤(2)中分析降雨量和蒸发量影响因素对流域出口流量的影响时间范围；的具体步骤如下：对归一化后的历史洪水过程数据序列采用皮尔逊相关系数分析输出量即流域出口流量与不同时间范围的各输入量即流域内各雨量站的降雨量和蒸发站的蒸发量的相关性，确定输入量对输出量影响的时间范围，各输入量的影响范围的最大值作为整体输入量对输出量影响的时间范围；

所述步骤(3)中建立预测模型数据集TRSet1的具体步骤如下：利用步骤(2)中得到的时间范围作为滑动窗口的宽度，按照步长为1提取历史洪水过程数据作为输入，对应输出为预见期的流量值；具体的输入量对流量影响的最大时间范围为w，即表示某个输入量的t_k时刻监测值，从t_k+1到t_k+w时间内，逐渐影响输出量，并最终影响消失；

上式表示预测模型的输入为I的矩阵，p表示降雨量，q表示流量，有m+1个输入量，包括预测量自身，输出为O，预见期为n；

所述步骤(6)中建立基于加权K近邻的实时误差校正模型，具体步骤如下：

在训练数据集TRSet2中搜索预测输入的k近邻，采用距离加权对k近邻的误差求均值，将k近邻按照与预测输入I的欧式距离从小到大排序，第i近邻的权重如下：

最终的预测输出的校正误差

2.根据权利要求1所述的一种基于深度学习模型和KNN实时校正的洪水预测方法，其特征在于，所述步骤(1)中对历史洪水过程数据进行归一化处理的具体步骤如下：

采用离差标准化将洪水过程预测涉及到的降雨量、蒸发量、流量数据进行线性变化，通过转化公式将原始值映射到[0,1]之间；转化公式如下：

其中x^*为转换后的值，x为原始值，xmin＝min(x)，xmax＝max(x)；经过离差标准化后，原始值被规约到[0,1]之间；其中，max(x)取x对应指标的历史最大值，min(x)取x对应指标的历史最小值。

3.根据权利要求1所述的一种基于深度学习模型和KNN实时校正的洪水预测方法，其特征在于，所述步骤(4)中建立的基于深度学习的预测模型CNNFM，采用卷积神经网络构建，其中预测模型CNNFM包括卷积层、池化层和激活函数。

4.根据权利要求1所述的一种基于深度学习模型和KNN实时校正的洪水预测方法，其特征在于，所述步骤(5)中建立误差校正模型训练数据集TRSet2的具体步骤如下：

输入与步骤(3)中的预测模型数据集TRSet1输入相同，输出为预测模型CNNFM的预测误差，其中对输入为模型预测输出为误差为校正模型的输入输出数据集中每个输入输出对为

其中，

其中，I表示输入，O表示输出。