[发明专利]一种基于改进ELM模型的月径流变化趋势预测方法

权利要求书

1.一种基于改进ELM模型的月径流变化趋势预测方法，其特征在于，包括以下步骤：

S1、构造影响月径流变化趋势的径流综合指数及其影响对象，获得前期的观测值，并以前期若干月的观测值作为初选因子；

S2、基于偏互信息法对初选因子进行因子筛选；

S3、改进粒子群算法并构建IPSO-ELM模型；

S4、基于IPSO-ELM模型预测月径流变化趋势。

2.根据权利要求1所述的一种基于改进ELM模型的月径流变化趋势预测方法，其特征在于：所述步骤S1构造影响月径流变化趋势的径流综合指数及其影响对象，获得前期观测值，并以前期若干月的观测值作为初选因子，具体为，构造反映流域水情丰枯变化的径流综合指数、表征流域整体降雨丰枯情势的流域月尺度面雨量指数、影响整个流域的遥相关气候指数和覆盖整个流域的植被指数，获得上述各指数的前期观测值，并以获得前期若干月的观测值作为月径流变化趋势的初选因子。

3.根据权利要求1所述的基于改进ELM模型的月径流变化趋势预测方法，其特征在于：所述步骤S2基于偏互信息法对初选因子进行因子筛选，即步骤S1中的初选因子，作为偏互信息法的备选输入因子，径流综合指数作为预测对象，计算偏互信息值，并根据偏互信息值大小进行排序，排序前列的因子即为预测模型的关键因子集，具体为，

定义偏互信息值PMI，

x'＝x-E[x|z] (2)

y'＝y-E[y|z] (3)

式中，PMI为偏互信息值，f_X',Y'(x',y')为变量X'与变量Y'的联合概率密度函数，f_X'(x')为变量X'的边缘概率密度函数，f_Y'(y')为变量Y'的边缘概率密度函数，E为期望值，x为备选输入因子，即初选因子，y为预测对象，即径流综合指数，z为已选入的预测因子集合，x'表示排除z影响的x残差，y'表示排除z影响的y残差；

给定N个离散样本，偏互信息值则可采用如下离散形式定义，

x_i'＝x_i-E[x_i|z] (5)

y_i'＝y_i-E[y_i|z] (6)

式中，N为离散样本个数，i为观测样本编号，f_X',Y'(x_i',y_i')为(x_i',y_i')处的联合概率密度估计函数，f_X'(x_i')为x_i'处的边缘概率密度估计，f_Y'(y_i')为y_i'处的边缘概率密度估计函数，E为期望值，x_i为第i个备选输入因子，即第i个初选因子，y_i为第i个预测对象，即第i个径流综合指数，x_i'表示排除z影响的x_i残差，y_i'表示排除z影响的y_i残差；

公式(4)中的边缘概率密度估计函数选用高斯函数作为核函数，具体为，

式中，j为观测样本编号，x_j为第j个备选输入因子，y_j为第j个预测对象，为变量X在x_i处的密度函数估计值，d为变量X的维数，S为变量X的协方差矩阵，λ为窗口宽度，det(S)为S的行列式，T为转置符号；

根据不同的备选输入因子，获得若干个偏互信息值，并由大到小将偏互信息值依次排序，排序靠前的偏互信息值对应的备选输入因子集合即为预测模型的关键因子集。