[发明专利]基于深度学习模型的实时月径流预报方法

权利要求书

1.基于深度学习模型的实时月径流预报方法，其特征在于，包括以下步骤：

步骤1.基于历史信息和未来气象信息收集预报因子，并根据流域历史时期月径流的自相关性分析确定前期月径流对预报月影响的最长滞时，并以此值统一作为其它预报因子的最长影响滞时；历史信息包括：流域当地气象信息，包含大气环流指数ACIs、海温指数SSTs和其它指数OCIs的全球气候指数，包含地表温度、实际蒸散发、潜在蒸散发、归一化植被指数及土壤湿度的多源遥感数据；包含预报月以前的历史月径流数据的前期径流；未来信息包括数值气象预报的月降水和月气温数据；

步骤2.对训练期的预报因子和月径流数据分别进行归一化处理，再采用基于嵌入式思想的LASSO回归方法筛选预报因子；

步骤3.采用基于划分思想的K均值聚类方法对训练期样本集进行聚类，应用最近邻规则将样本分成互不重合的K类；包括如下子步骤：

步骤3.1采用肘部法则确定聚类数K值；核心指标是误差平方和SSE，；式中，X为待归类的点，C为聚类中心点；成本函数是类别畸变程度之和，每个类的畸变程度等于每个变量点到其类别中心的位置距离平方和，若各类内部的成员彼此间越紧凑则类的畸变程度越小；将聚类数K从1开始依次增加，统计误差平方和与聚类类别数K的关系，找到误差平方和下降速度较快和误差平方和变化变缓的临界点，作为最佳的聚类个数；

步骤3.2假设训练期的长度为M个月，每个月对应N个预报因子；随机从M组数列中选中K个点，每个点代表每簇的初始聚类中心，完成初始化；

步骤3.3计算剩余各个点到聚类中心的欧式距离，公式为：；式中，N为每个点的维数；根据最近邻规则，将其归为离它最近的簇；

步骤3.4重新计算每一个簇的平均值，将其作为新的聚类中心；

步骤3.5计算每个点到聚类中心的欧氏距离，根据最邻近规则，将其归为离它最近的簇；

步骤3.6重复步骤3.4和步骤3.5，直至M组数列所属的聚类中心不再发生变化或满足设定的迭代次数，则终止全过程；

步骤4.计算验证集预报因子向量与K个训练集的聚类中心的距离，找到距离最近的训练集然后以该数据集训练卷积神经网络与门控循环单元网络结合的组合深度学习预报模型；

步骤5.采用自回归滑动平均模型对预报残差进行实时校正：

步骤5.1将深度学习模型输出的训练期的所有月径流值作如下处理：，处理过后的x值作为预报残差自回归滑动平均模型的输入；

步骤5.2模型定阶：利用AIC定阶准则确定ARMA模型的自回归项阶数p和移动平均项阶数q，认定最小AIC值对应的模型是最好的模型，完成模型定阶；

步骤5.3采用矩估计法对定阶的ARMA模型参数进行估计；

步骤5.4根据确定的参数建立ARMA模型；

步骤5.5将预测月之前的月径流数据作为ARMA模型的自变量x，则ARMA模型对应的因变量为y，将y进行如下变化后作为修正后的月径流预报值，。