[发明专利]一种基于LSFL组合模型的中长期径流预测方法

说明书

本发明公开了一种基于LSFL组合模型的中长期径流预测方法，属于径流预测技术领域。首先通过局部均值分解LMD方法，将径流序列分解出一系列包含不同尺度局部信息的平稳子序列，以解决径流的复杂性影响模型预测效率；再采用奇异谱分析SSA对子序列中频率最高的分量进行数据预处理，提取分量主要信息及消除噪声因素；采用模糊熵FE方法对上述多个子序列重组为新的高频序列、低频序列、趋势序列，降低较多序列预测误差的叠加；最后采用预测性能较好的长短时记忆网络LSTM，对新的子序列进行充分的数据挖掘。本发明降低了LMD分解出的最高频分量预测误差，并解决了对较多分量分别预测所产生的误差叠加问题。

技术领域

本发明涉及径流预测技术领域，具体涉及一种基于LSFL组合模型的中长期径流预测方法。

背景技术

随着人工智能及计算机技术的不断发展，深度学习模型受到众多学者的关注。目前递归神经网络(RecurrentNeural Network,RNN)，作为一种具有记忆功能的深度学习模型，被广泛应用于序列化分析和预测中，能够记忆以往时间序列的信息并加入到当前的输出计算中。但RNN具有记忆渐消的缺点，因此，LSTM通过改进RNN在反向传播过程中计算参数更新值时会出现梯度爆炸、梯度消失这一问题，从而解决RNN的缺点，并应用于径流预测中。但不同频率信息及噪声等大量随机因素的混杂造成径流序列具有非平稳特性，这一特性导致深度学习模型需添加多层循环才能全面地挖掘数据信息，从而降低了深度学习模型的模拟速度，且噪声因素干扰模型对序列主要信息的学习，对模型预测精度有一定的负影响。因此基于分解技术的时间序列处理方法被应用于径流预测中，以达到不同频率信息提取及去噪的目的，即对径流序列进行平稳化处理。然而分解去噪的过程是逐步的，最高频子序列由于包含残留的噪声，仍具有波动强烈且振动幅值大的特点，导致其预测精度仍有不足，降低整个径流序列的预测效果；同时对分解出的较多序列分别预测易产生误差叠加。基于此，寻求新方法解决上述问题，以期进一步提高径流预测精度，成为众多水文研究者所关注的重点。

发明内容

本发明旨在提供一种基于LSFL组合模型的中长期径流预测方法。所述LSFL组合模型是指LMD-SSA-FE-LSTM的组合模型。其中LMD-SSA-FE是对径流序列进行平稳化、去噪及重构处理，再采用性能较好的LSTM进行预测，从而可综合提高径流预测精度，对中长期径流预测具有很好的参考价值。

本发明所提供的LSFL组合模型，首先通过LMD方法，将径流序列分解出一系列包含不同尺度局部信息的平稳子序列，以解决径流的复杂性影响模型预测效率；再采用SSA对子序列中频率最高的分量进行数据预处理，进一步提取最高频分量主要信息及消除噪声因素；在此基础上，采用FE计算上述步骤中各分量的复杂度，对上述多个子序列重组，将熵值相近的分量叠加形成新的重构序列，降低序列数量较多时预测误差的叠加；最后采用性能较好的LSTM模型，对重构序列进行充分的数据挖掘及预测，并将各重构序列预测值相加得到最终结果。

上述基于LSFL组合模型的中长期径流预测方法，具体包括以下步骤：

步骤一：采用LMD将原始径流序列分解为若干乘积函数PF与一个单调函数MF；

步骤二：利用SSA将频率最高的乘积函数PF分量进行二次去噪处理，得到去噪后的趋势分量TPF；

步骤三：使用FE计算上述步骤中各分量的复杂度，将熵值相近的分量叠加形成新的高频序列HFS、低频序列LFS及趋势序列TS；

步骤四：将步骤三所得的HFS、LFS及TS分别输入LSTM网络进行预测，并将各预测结果重构得到最终预测值。

下面对每个步骤的具体操作详述如下：

步骤一所述采用LMD将原始径流序列分解为若干PF与一个MF，具体包括以下步骤：