[发明专利]一种中长期径流集合预报方法

权利要求书

1.一种中长期径流集合预报方法，其特征在于，包括以下步骤：

1)确定预报对象，获取预报对象过去N年逐月的历史径流数据，N≥30；获取距离预报对象最近的M个气象站点的过去N年逐月的历史气象数据作为预报对象的本地相关因子，M≥2，所述气象数据包括月平均降雨量数据和月气温数据，其中，月平均降雨量数据包括每日8时至次日8时的24小时降雨量的月平均值和每日20时至次日20时的24小时降雨量的月平均值，月气温数据包括月平均最高气温、月平均气温和月平均最低气温；

2)获取气候因子数据，作为预报对象的遥相关因子；具体步骤如下：

2-1)获取p个气候因子过去N年逐月的历史数据，p6；

2-2)对步骤2-1)获取的每个气候因子过去N年逐月的历史数据与预报对象过去N年逐月的历史径流数据进行相关性分析，得到每个气候因子与预报对象历史径流数据的相关性系数；

2-3)对步骤2-2)得到的结果按照绝对值大小进行排序，从排序结果中筛选相关性系数绝对值大于0.4的前f个气候因子，p≥f≥6，将所述f个气候因子过去N年逐月的历史数据作为预报对象的遥相关因子；

3)确定待预报月份，确定待预报月份的预报因子集；具体步骤如下：

3-1)确定待预报月份；

3-2)根据步骤3-1)确定的待预报月份，利用步骤1)获取的本地相关因子和步骤2)获取的遥相关因子，设置时间滞后因子lag,依次令lag＝1,2,…,12,表示每个历史年份待预报月份历史径流数据滞后于各个本地相关因子和遥相关因子数据的月份数，将待预报月份过去N年每年历史径流数据与该年份待预报月份lag月前每个本地相关因子数据进行Pearson相关性分析，得到待预报月份历史径流数据与对应lag月前的本地相关因子的相关性系数；将待预报月份过去N年每年历史径流数据与该年份待预报月份lag月前每个遥相关因子数据进行Pearson相关性分析，得到待预报月份历史径流数据与对应lag月前的遥相关因子的相关性系数；

3-3)将预报对象过去N年逐月的历史径流数据中每个年份中待预报月份前11个月份的历史径流数据作为该年份待预报月份历史径流数据的时间序列自相关因子，将过去N年每年待预报月份历史径流数据分别与该月份前11个月份的历史径流数据进行自相关分析，得到待预报月份历史径流数据分别与该月份前11个月份历史径流数据的相关性系数；

3-4)利用步骤3-2)、步骤3-3)的相关性分析结果，将各遥相关因子、本地相关因子和时间序列自相关因子按照对应的相关性系数的绝对值从高到低顺序进行排序，选取相关性系数绝对值大于0.4的前A个因子作为待预报月份径流数据的预报因子并组成待预报月份径流数据的预报因子集，当A≥8时，令A＝8；其中，每个预报因子记为F_k,j(m)，对应的相关性系数记为R_k,j，F_k,j表示第k个月的第j个预报因子；R_k,j表示第k个月份历史径流数据与第k个月的第j个预报因子F_k,j的相关性系数；m表示因子对应的月份，m＝1,2,…,12；下标k表示待预报月份，k＝1,2,…,12；下标j表示待预报月份径流数据的第j个预报因子，j＝1,2,…,8；

4)根据步骤3-1)确定的待预报月份，建立该待预报月份对应的机器学习径流预报模型并进行模型验证，得到验证完毕的机器学习径流预报模型；

4-1)将步骤3-1)确定的待预报月份的过去N年每年的历史径流数据及该年份的待预报月份历史径流数据对应的预报因子集数据组成一个样本，将所有样本组成样本集，从样本集中随机选取2/3的样本作为模型的训练集，剩余1/3的样本作为模型的验证集；

4-2)构建一个机器学习径流预报模型作为当前模型，将训练集的每个样本中预报因子集数据F_k,jⁱ(m)作为模型的输入，其中F_k,jⁱ(m)表示训练集中第i个样本的第k个月第j个预报因子的值；模型输出对应的该年份待预报月份的历史径流数据的预测值；

4-3)将训练集中每个样本对应的待预报月份的历史径流数据与该样本对应的模型输出的预测值进行对比，通过训练相关系数R₁和训练相对偏差rBias₁评价当前模型：

式中，O_i表示训练集中第i个样本的历史径流数据，O_ave表示训练集中所有样本历史径流数据的平均值；O′_i表示训练集中第i个样本对应的模型输出的预测值，O'_ave表示训练集中所有样本对应的模型输出的预测值的平均值；n表示训练集样本总数，n＝(2/3)N；

4-4)对当前模型参数进行调整和优化，重复步骤4-2)至4-3)，选择满足训练相对偏差rBias₁＜20％且训练相关系数R₁²最大的模型作为训练完毕的机器学习径流预报模型；

4-5)将验证集中每个样本的预报因子集数据输入到步骤4-4)训练完毕的机器学习径流预报模型中，计算得到验证集中每个样本对应的待预报月份历史径流数据的预测值；将验证集每个样本对应的待预报月份历史径流数据预测值与该样本对应的待预报月份历史径流数据进行对比，通过验证相关系数R₂和验证相对偏差rBias₂进行当前模型评价：

式中，O_t表示验证集中第t个样本的历史径流数据，O_ave2表示验证集中所有样本历史径流数据的平均值；O′_t表示验证集中第t个样本对应的模型输出的预测值，O'_ave2 表示验证集中所有样本对应的模型输出的预测值的平均值；l表示验证集样本总数，l＝(1/3)N；

若∣R₂∣＞0.6且rBias₂＜20％，则当前模型达到验证精度要求，模型验证完毕，将当前模型作为最终的机器学习径流预报模型，进入步骤5)；否则，当前模型不满足精度要求，则重新返回步骤4-5)，直至当前模型达到验证精度要求，模型验证完毕，将当前模型作为验证完毕的机器学习径流预报模型，进入步骤5)；

5)获取待预报月份对应的预报因子集数据并输入到步骤4)得到的最终机器学习径流预报模型，模型输出即为预报对象待预报月份径流量的预报值。