[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

说明书

本发明公开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，包括以下步骤：构建水文数据集，构建水文基模型，构建最终的组合水文预测模型。本发明基于自适应差分进化方法选择长短期记忆网络(LSTM)作为基模型，结合把种群中优秀的个体和个体适应度保存在临时数组中的思想，通过选择前m个优秀水文参数作为各个基模型的初始参数，建立加权组合模型ADE‑LSTMs，来增加预测的鲁棒性，提高单一模型的预测精度。

技术领域

本发明涉及水文预测技术，具体涉及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。

背景技术

随着大数据时代的发展，各类数据快速增长，从大数据中挖掘出更多实用的、有价值的信息越来越受到关注。时序数据挖掘采用特定的算法分析历史数据中包含的规则和模式，然后完成对未来可能发生的情况做预测，为相关人员提供决策服务。时间序列分析通常以未来数据为因变量，以当前时间或先前数据为自变量构建样本集。通常，选择的自变量必然与因变量相关，通过现有的深度学习方法进行拟合，可以获得输入值和输出值的最佳映射关系。

深度学习(Deep Learning)是学者们对人工神经网络的探索所提出的一个新的领域，最为典型的深度学习结构就是具有多个隐藏层的多层感知器。深度学习方法尤其注重于特征学习，它首先使用非线性转换机制把样本值转换至新的特征空间，然后在新的特征空间中找出输入值和输出值的最佳映射关系，该处理方法非常有利于分类和预测工作。深度网络可以更好地分析出数据中包含的规则，更好地帮助进行预测。

组合模型是通过各种分类、聚类、决策树、关联规则分析等智能算法来分析数据中包含的规则，以提升预测的精度。通过组合机器学习模型可以有效提高预测精度。现有的组合水文预测模型方法复杂，例如基模型必须具有差异性，使用不同的基模型，算法复杂，每个基模型的参数还得分开反复训练；或者使用相同的基模型，但是必须保证它们的差异性，人工赋予不同的权重参数，或者给不同的数据集。

发明内容

发明目的：本发明的目的在于解决现有技术中存在的不足，提供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，本发明基于自适应差分进化方法进行寻优，用m个不同的参数给基模型，不用人工赋权重，还能保证基模型的差异性。

技术方案：本发明的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，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(例如采用80％的水文数据)作为训练集，剩余水文数据则作为测试集；

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)