[发明专利]基于变分模态分解和贝叶斯神经网络的月径流预测方法

说明书

本发明公开了一种基于变分模态分解和贝叶斯神经网络组合的月径流预测方法。利用变分模态分解算法对噪声良好的鲁棒性和精确分解的特性，结合贝叶斯神经网络对于先验样本信息具有较好的学习能力和泛化能力强的特点，构造出分解集合模型对径流序列进行预测。经实验验证，本申请提出的方法展现了良好的预测性能，且具有实用性和可操作性强等优点。

技术领域

本发明涉及一种利用变分模态分解算法和贝叶斯神经网络相结合建模来预测月径流的方法，属于水文预测技术领域。

背景技术

径流预报是水文预报研究的热点课题之一，为防洪调度决策、生态环境保护、水资源综合开发利用以及水利水电工程设计、施工、调度、管理等提供了重要依据。由于径流过程的复杂性，径流预报中存在很多不确定性因素。科学预测径流的来水量可以为流域的水量调度、水资源保护、水资源规划与管理等工作提供时空分布依据。然而在气候变化和人类活动的影响下，径流过程存在高度变异性，对现有预测模型和方法的普适性造成了极大挑战。径流通常受降水、蒸发、太阳辐射、下垫面和大气环流等多种因素的综合影响，呈现出强非线性、高不确定性和时空可变性的复合特征。近年来，由于人类活动对气候变化的影响，使得在快速变化的环境中准确捕捉月径流时间序列的动态过程变得更加困难。基于数据驱动的径流预测模型忽略众多物理因素的干扰，直接针对径流序列的数据进行建模，受到越来越多研究者的关注。

使用单一的数据驱动模型进行径流预测，对于径流序列的非线性因素捕捉等方面仍有许多不足之处。现如今在很多径流预测的研究中，分解集合模型表现出优秀的预测能力，将信号分解与神经网络相结合进行建模，构造出分解集合模型对径流序列进行预测。信号分解可以将水文时间序列分解得到多个相对稳定的分量，使径流序列的内在频率特征更好地被发现。小波分析、经验模态分解等是常见的信号分解方法，可用于径流数据的预处理阶段。小波分析具有良好的时频局域化特性，但需要预先选择基函数，自适应性较差。经验模态分解的自适应强，但容易出现模态混叠和端点效应等问题。在与信号分解相结合的神经网络的选取上，传统人工神经网络往往容易出现过拟合、泛化能力弱等问题，并且对于先验样本信息的学习能力十分有限。

发明内容

为解决上述问题，本发明的目的在于提供一种基于变分模态分解和贝叶斯神经网络结合的月径流预测方法。变分模态分解(Variational Mode Decomposition,VMD)是一种完全自适应、非递归的信号分解算法。VMD算法将信号分解转化为变分模型的求解问题，通过构造变分模型求最优解来实现信号的自适应分解。针对径流序列非平稳、非线性等特点，利用VMD对噪声良好的鲁棒性和精确分解的特性，结合贝叶斯神经网络(Bayesian NeuralNetwork,BNN)对于先验样本信息具有较好的学习能力和泛化能力强的特点，本发明所采取的技术方案是：

一种基于变分模态分解和贝叶斯神经网络组合的月径流预测方法，首先利用变分模态分解方法将原始月径流序列分解为若干个不同的固有模态函数(Intrinsic ModeFunction,IMF)，对每个IMF分量分别使用贝叶斯神经网络进行预测,将每个IMF分量的预测结果聚合叠加，得到变分模态分解和贝叶斯神经网络组合的最终预测结果。

特别地，在使用贝叶斯神经网络进行预测前，对每个IMF分量进行归一化处理，相应地，在对预测结果聚合叠加前，对每个IMF分量的预测结果反归一化处理。归一化处理步骤如下：

其中，x为待归一化处理的数据，x_max和x_min分别为待归一化处理数据x所在的待归一化处理数据集中包含的最大值和最小值，x^*为x归一化处理后的数据。

利用变分模态分解方法将原始月径流序列分解为若干不同的IMF分量的步骤包括构造变分约束模型和求变分模型最优解两部分，通过建立变分约束模型，转化为非约束变分模型进行求解得到模型的最优解，完成在频域内对信号的自适应分解。所述变分约束模型的约束条件是使每个IMF分量的估计带宽和最小，并且使各个IMF分量的和等于输入信号。