[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

说明书

一种基于改进ELM模型的月径流变化趋势预测方法，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。构造表征流域整体径流变化趋势的径流综合指数及其影响对象，能够实现整个流域径流变化趋势的综合表征；采用偏互信息法，获得影响月径流过程变化的关键因子集；结合10折交叉验证与改进粒子群算法优化ELM参数，并据此构建的IPSO‑ELM模型，能够有效提高中长期径流变化趋势的预测效果。

技术领域

本发明涉及水文预报技术领域，尤其是一种基于改进ELM模型的月径流变化趋势预测方法。

背景技术

及时、准确的中长期水文预报可为水资源高效利用、水利工程建设与运行，以及防汛抗旱指挥决策等提供重要的基础数据和科学的决策依据。当前，中长期水文预报仍然处于探索、发展阶段，预报精度还不能满足各生产部门的实际需求。

常用的中长期径流预测方法主要有成因分析方法、统计学方法、基于智能算法的预测方法和基于数值天气预报的预测方法四大类。其中，其中，成因分析方法和统计学方法是水文学科的典型方法，具有一定的适用范畴，但也存在诸多需要研究的问题。比如影响径流序列长期变化的物理成因复杂，难以完全掌握其客观规律。而统计学方法多以线性方法为主，难以适应径流变化影响要素的复杂非线性特性，具有一定的局限性。基于智能算法和数值天气预报的综合预测方法是近些年发展起来的新方法，是伴随计算机信息技术的发展和新数学建模方法的涌现而发展起来的新技术。前者具有较好的非线性映射、泛化和容错能力，被广泛应用于径流预测领域；后者则在水文预报中耦合一定预见期内的数值天气预报产品，在探索增长径流预报预见期方面，具有一定的研究意义。

基于智能算法的中长期径流预测模型主要根据输入、输出变量之间的函数关系构建基于人工神经网络、支持向量机等预测模型对未来中长期径流进行预测分析。尽管上述基于智能算法的预测模型应用广泛，但模型结构相对复杂，参数在训练过程中需要初始化以及不断优化调整，效率相对较低，且BP神经网络采用基于梯度下降的方法，容易陷入局部最小值问题，算法需要多次迭代，因而整体效率不高。极限学习机(Extreme LearningMachine,ELM)是一种单隐层前馈神经网络，相对于BP神经网络和支持向量机，极限学习机具有参数设置简单、计算速度快、误差小、泛化能力强等优点，并已在水文等领域得到了广泛应用。但传统的ELM模型输入权值和隐含层阈值随机给定，可能导致部分隐含层节点失效。

此外，影响径流过程变化的关键因子筛选也是中长期径流预测需要研究的重要内容。因子筛选方法主要包括先验知识法、相关系数法、主成分分析法和信息熵法。先验知识法主要依赖于人工经验，主观性较强，具有一定的局限性。相关系数法和主成分分析法，整体上属于线性方法，难以适应中长期径流过程影响因子的复杂非线性特性，具有一定的适用范围。信息熵法，尤其是互信息方法忽略了变量分布，适用于备选因子间的线性和非线性相关关系。偏互信息方法是在互信息方法基础上的改进，可以有效避免对已入选因子的影响，减少冗余变量，降低计算复杂度。

发明内容

本发明的目的在于提供一种基于改进ELM模型的月径流变化趋势预测方法，构造表征流域整体径流变化趋势的径流综合指数及其影响对象，能够实现整个流域径流变化趋势的综合表征；针对影响整个流域中长期径流过程变化的特征因子呈现高维、非线性等特点，采用基于偏互信息法的因子筛选方法，能够有效避免对已入选因子的影响，减少冗余变量，降低计算复杂度；结合10折交叉验证与改进粒子群算法优化ELM参数，并据此构建的IPSO-ELM模型，能够有效提高中长期径流变化趋势的预测效果。

为达到上述目的，根据本发明的一个方面，本发明提供如下技术方案：

一种基于改进ELM模型的月径流变化趋势预测方法，包括以下步骤：