[发明专利]一种基于机器学习的水文预报精度评价方法及系统

权利要求书

1.一种基于机器学习的水文预报精度评价方法，其特征在于，包括：

获得同一断面的水文预报结果和同期实测结果，并根据获取到的数据计算洪峰评价指标、洪量评价指标及径流过程评价指标，从而形成一条评价指标数据；

利用已训练好的水文预报精度评价模型识别所述评价指标数据所属的精度等级，作为水文预报精度的评价结果；

其中，所述水文预报精度评价模型为机器学习分类模型，用于确定水文评价指标数据所属的精度等级；洪峰评价指标包括洪峰相对误差PF和峰现时间误差TP，洪量评价指标包括洪量相对误差WF，径流过程评价指标包括确定性系数DC、相对平均误差MRE以及均方根误差RMSE；各项指标的计算公式分别如下：

TP＝T_实测-T_预测

Q_实测为预报断面实测流量，Q_预测为预报断面预测流量；T_实测为实测洪峰流量发生时间，T_预测为预测洪峰流量发生时间；W_实测为实测洪水总量，W_预测为预测洪水总量；n为预见期长度，为t时刻实测流量，为t时刻预测流量，为实测流量的平均值。

2.如权利要求1所述的基于机器学习的水文预报精度评价方法，其特征在于，精度等级的划分方式包括：

从历史数据中提取洪水事件的水文预报结果及同期的实测结果，以分别计算每一场历史洪水事件对应的评价指标数据，作为历史评价指标数据；

根据预设的精度等级数C，对历史评价指标数据进行聚类，以得到C个类别，分别对应C个精度等级；

根据各个类别内部的评价指标水平，对相应的精度等级进行优劣排序，从而完成精度等级划分；

其中，C为正整数。

3.如权利要求2所述的基于机器学习的水文预报精度评价方法，其特征在于，用于衡量类别内部的评价指标水平的参数包括：类别内所有历史评价指标数据中，每一个指标项的平均值。

4.如权利要求2所述的基于机器学习的水文预报精度评价方法，其特征在于，所述水文预报精度评价模型的训练方法包括：

在聚类之后，将每一条历史评价指标数据及其所属的精度等级作为一条样本数据，由所有的样本数据构成输入数据集，并将所述输入数据集划分为训练数据集和检验数据集；

基于机器学习分类模型建立水文预报精度评价模型后，利用所述训练数据集对其进行参数率定；

在参数率定结束后，利用所述检验数据集对所述水文预报精度评价模型进行验证，以得到已训练好的水文预报精度评价模型。

5.如权利要求4所述的基于机器学习的水文预报精度评价方法，其特征在于，还包括：若利用所述检验数据集对所述水文预报精度评价模型进行验证的验证结果不满足预设的精度要求，则对所建立的模型重新进行参数率定，以使得模型验证结果满足精度要求。

6.如权利要求1-5任一项所述的基于机器学习的水文预报精度评价方法，其特征在于，所述洪峰评价指标包括洪峰相对误差和峰现时间误差。

7.如权利要求1-5任一项所述的基于机器学习的水文预报精度评价方法，其特征在于，所述洪量评价指标包括洪量相对误差。

8.如权利要求1-5任一项所述的基于机器学习的水文预报精度评价方法，其特征在于，所述径流过程评价指标包括确定性系数、相对平均误差和均方根误差。

9.一种基于机器学习的水文预报精度评价系统，其特征在于，包括：评价指标获取模块和评价模块；

所述评价指标获取模块，用于获得同一断面的水文预报结果和同期实测结果，并根据获取到的数据计算洪峰评价指标、洪量评价指标及径流过程评价指标，从而形成一条评价指标数据；

所述评价模块，用于利用已训练好的水文预报精度评价模型识别所述评价指标数据所属的精度等级，作为水文预报精度的评价结果；

其中，所述水文预报精度评价模型为机器学习分类模型，用于确定水文评价指标数据所属的精度等级；洪峰评价指标包括洪峰相对误差PF和峰现时间误差TP，洪量评价指标包括洪量相对误差WF，径流过程评价指标包括确定性系数DC、相对平均误差MRE以及均方根误差RMSE；各项指标的计算公式分别如下：

TP＝T_实测-T_预测

Q_实测为预报断面实测流量，Q_预测为预报断面预测流量；T_实测为实测洪峰流量发生时间，T_预测为预测洪峰流量发生时间；W_实测为实测洪水总量，W_预测为预测洪水总量；n为预见期长度，为t时刻实测流量，为t时刻预测流量，为实测流量的平均值。