[发明专利]基于变分模态分解和迭代决策树的径流量预测方法

说明书

本发明公开了基于变分模态分解和迭代决策树的径流量预测方法，具体为：首先将径流过程划分为不同的子模态，然后采用迭代决策树对每个子模态进行训练，得到径流流量的预测模型。本发明采用VMD对径流流量时间序列进行分解，VMD能自适应地分解频率域中与中心频率相对应的有效分量，具有良好的频域自适应分解效果；GBRT是一种常见而有效的集成学习方法，主要被应用到预测问题上，具有不容易陷入过拟合、运算速度快、预测精度高的优点，基于VMD与GBRT的组合模型能够全面提髙径流流量预测的可靠性，获得较为准确的预测结果。

技术领域

本发明属于径流流量预测技术领域，涉及基于变分模态分解和迭代决策树的径流量预测方法。

背景技术

传统的径流预测方法可分为物理模型和数据驱动模型。物理模型以水文学概念为基础，对径流的产流过程与河道演进过程进行模拟，从而进行径流预报的数学模型。未来径流主要与流域初始状态和未来降雨有关，因此，物理模型主要通过利用未来降雨等气象信息的预报值来实现径流预报。而且径流形成的过程不是简单的物理过程，也包括化学或者生物过程以及人类活动等，物理模型难以完全考虑这些因素，往往无法得到很好的预测效果。

数据驱动模型是基本不考虑水文过程的物理机制，而建立输入输出数据之间的最优数学关系为目标的黑箱子方法。实际径流过程是一个高度复杂的非线性过程，因此，具有较强非线性映射能力的方法，人工神经网络(ANN)被用来进行径流流量预测。水文系统的复杂性及水文要素变化的不确定性，使得ANN只能利用部分有效数据，无法全面提髙径流流量预测的可靠性。因此，本发明从认识水文过程的组成出发，提出了组合模型。该类模型首先将径流过程划分为不同的子过程，然后针对不同的子过程分别构建相应的模型，最后通过对各子过程结果的处理得到所需的预报结果。

变分模态分解(VMD)是一种新的信号分解方法，主要用于自适应地将输入信号分解成若干子信号(模态分量函数)，假设每个模态具有不同中心频率的有限带宽，该分解方法使每个模态的估计带宽的总和最小，具有良好的频域自适应分解效果。迭代决策树(GBRT)是一种集成机器学习算法，通过集成多个弱决策树模型形成最终预测模型。该模型的主要优点是计算速度快，预测精度高，对于噪声数据具有很好的鲁棒性。特别是，VMD分解得到的子模态已经足够光滑，用GBRT模型预测子模态可以得到较为准确的结果。

发明内容

本发明的目的是提供基于变分模态分解和迭代决策树的，解决了现有径流预测方法预测效果可靠性不足的技术问题。

本发明所采用的技术方案是，基于变分模态分解和迭代决策树的径流量预测方法，首先将径流过程划分为不同的子模态，然后采用迭代决策树对每个子模态进行训练，得到径流流量的预测模型。

本发明的特点还在于，

具体按以下步骤实施：

步骤1，获取径流流量历史实测径流流量数据，根据历史实测径流流量数据建立径流流量时间序列Q(t)＝{Q(1),Q(2),…,Q(T)}；

步骤2，对径流流量时间序列Q(t)进行变分模态分解，得到一组按照频率从高到低顺序排列的子模态IMF₁(t)、IMF₂(t)、……、IMF_k(t)；

步骤3，采用迭代决策树GBRT对每个子模态进行训练，得到径流流量的预测模型。

步骤2具体为：

对径流流量时间序列Q(t)采用VMD分解为K个变分模态分量，约束条件为使各个模态的估计带宽之和最小，且各模态之和等于径流流量时间序列Q(t)，约束变分模型描述为式(1)和式(2)：