[发明专利]一种基于自适应差分进化的组合水文预测模型的构建方法

权利要求书

1.一种基于自适应差分进化的组合水文预测模型的构建方法，其特征在于：包括以下步骤：

S1、构建数据集

选择对应水文数据集，并对该水文数据集归一化使得水文数据在[-1,1]之间；然后组织数据，即利用前N个时刻的水文数据来预测未来时刻的水文情况；最后随机打乱顺序并选择部分水文数据作为训练集，剩余水文数据作为测试集；

S2、构建水文基模型，即使用LSTM水文模型作为组合水文预测模型的水文基模型，并采用小批量梯度下降算法对水文基模型进行优化训练：

S2.1、对水文样本集进行归一化，对各个水文基模型的网络权重进行初始化；使用sigmoid函数和tanh函数作为激活函数，均方误差函数mse作为损失函数，计算公式如下：

其中，y_i为第i时刻的预测值，Y_i为第i时刻的真实值，n为模型输入的样本数目；

S2.2、对LSTM水文基模型的隐藏层中每个单元进行前向计算；

对于门控制单元，门结构接受上一个时刻的输出和当前记忆单元的水文输入数据，与各自权重矩阵相乘，加上偏执向量，通过Sigmoid函数对信息进行筛选；

输入门：I_t＝σ(W_i×[h_t-1,x_t]+b_i)

W_i为输入门权重矩阵，σ为Sigmoid函数，h_t-1为记忆单元前一时刻的水文输数据出，x_t为当前时刻的输入，b_i为输入门的偏置；

遗忘门：F_t＝σ(W_f×[h_t-1,x_t]+b_f)

W_f为遗忘门权重矩阵，b_f为遗忘门的偏置；

输出门：O_t＝σ(W_o×[h_t-1,x_t]+b_o)

W_o为输出门权重矩阵，b_o为输出门的偏置；

对于记忆单元c，计算候选值：

W_c为记忆细胞权重矩阵，b_c为记忆细胞门的偏置；

对于记忆单元c，更新候选值：

c_t-1是指前一时刻的候选值；

记忆单元输出：h_t＝O_t*tanh(c_t)

S2.3、计算水文基模型的预测误差，然后反向计算每个神经元的预测误差，使用小批量梯度下降算法MBGD更新网络权重，对网络进行迭代训练；

S2.4、当均方误差mse不再下降或者满足对应条件时，迭代结束，网络训练完成；

S3、构建组合水文预测模型：采用自使用差分进化方法对多个LSTM水文基模型进行加权组合，具体方法为：

编码：对LSTM水文基模型的参数进行统一编码到个体中；

种群产生：随机产生初始种群，大小为np，初始化变异因子的最大值F_max,最小值F_min与杂交概率CR；

计算初始种群中个体的适应度：适应度函数采用均方误差；

变异操作：随机选择任务种群中两个个体，根据公式对个体进行变异，生成变异个体；

交叉操作：对变异个体进行交叉操作，得到新的个体；

选择操作：使用贪婪算法对原个体和新个体进行选择，将适应度函数值小的个体作为新种群的个体，代替原个体，并将优秀个体的适应度与优秀个体保存在临时数组中；

选择优秀个体：循环迭代执行种群的变异，交叉，选择操作，直到满足循环停止条件，即最优个体位置不再变化或达到循环迭代次数，对临时数组按适应度值从小到大排序，并选择前m个作为优秀的个体；

建立LSTM水文基模型：对m个优秀个体进行解码，建立m个LSTM水文基模型，并将优化得到的初始权重和阈值分别赋值给不同的网络模型，最后再次训练样本集来构建出m个LSTM水文基模型；

建立组合水文预测模型：利用测试集对建立m个LSTM水文基模型进行仿真，然后根据均方误差mse大小来为m个LSTM水文基模型进行加权组合，最终建立组合水文预测模型。