[发明专利]基于均值漂移聚类的WOA-QRLSTM水库入库流量概率性预测方法

权利要求书

1.一种基于均值漂移聚类和WOA-QRLSTM预测模型的水库入库流量概率预测方法，其特征是按如下步骤进行：

步骤1、采集水库入库流量数据和影响水库入库流量的因子数据并进行预处理，得到处理后的数据集Dataset＝{[W(t),G_m(t)]|t＝1,2,...,T；m＝1,2,...,M}，其中，W(t)表示第t日的水库入库流量；M表示水库入库流量的因子种类数，G_m(t)表示第m个影响因子在第t日的数值；T表示采集总天数；

步骤2、以一定时间周期D为时间间隔，对预处理后的数据集Dataset进行划分，得到I组样本数据{Datagruop_i|i＝1,2,...,I}，且I满足[T/D]，其中，Datagroup_i表示第i组样本数据，且Datagroup_i＝[W′(i),G′_m(i)]，G′_m(i)＝(G_m(d×(i-1)+1),G_m(d×(i-1)+2),...,G_m(d×i))^T为第i组样本数据的第m个影响因子，G_m(d×i)表示在第d×i日的第m个影响因子，W′(i)＝(W(d×(i-1)+1),W(d×(i-1)+2),...,W(d×i))^T为第i组样本数据的水库入库流量，W(d×i)表示在第d×i日的水库入库流量，i＝1,2,...,I；

步骤3、将I组样本数据{Datagruop_i|i＝1,2,...,I}划分为训练集Train＝{Datagroup_i|i＝1,2,...,p}和测试集Test＝{Datagroup_i|i＝p+1,p+2,...,I}，则训练集Train中含有p组样本数据，测试集Test中含有I-p组样本数据；

使用均值漂移聚类分别对训练集Train和测试集Test进行聚类，得到K类样本数据，包括：K类训练集样本{Train_k|k＝1,2,...,K}和K类测试集样本{Test_k|k＝1,2,...,K}；其中，表示第k类的训练集，A_k为训练集Train的p组样本数据中属于第k类训练集Train_k的样本数据的序号集合，为第k类训练集第i组样本数据的第m个影响因子，表示在第d×i日的第m个影响因子，W^k(i)＝(W^k(d×(i-1)+1),W^k(d×(i-1)+2),...,W^k(d×i))^T为第k类训练集第i组样本数据的水库入库流量，W^k(d×i)表示在第d×i日的水库入库流量；为第k类的测试集；B_k为测试集Test的I-p组样本数据中属于第k类测试集Test_k的样本数据的序号集合；

步骤4、利用K类样本数据对鲸鱼算法优化的分位数回归长短期神经网络WOA-QRLSTM预测模型进行训练和优化；

步骤4.1、第k类训练集Train_k中第i组样本数据的第t日的样本数据Dataset′_i＝{[W′_i(t),G′_i,m(t)]|t＝1,2,...,D；m＝1,2,...,M}，W′_i(t)表示第k类训练集Train_k中第i组样本数据的第t日的水库入库流量，G′_i,m(t)表示第k类训练集Train_k中第i组样本数据第m个影响因子在第t日的数值；

以第D天的水库入库流量W′_i(D)作为第i组样本数据的响应变量；以M个水库入库流量影响因子在第D天的数值{G′_i,m(D)|m＝1,2,...,M}和第k类训练集Train_k中第i组样本数据剩余的D-1个样本数据Dataset″_i＝{[W′_i(t),G′_i,m(t)]|t＝1,2,...,D-1；m＝1,2,...,M}共同作为第i组样本数据的解释变量，从而构建包含有M+D-1个解释变量和一个响应变量的数据集，记作表示第k类训练集Train_k中第i组样本数据的解释变量；且是第k类训练集Train_k中的第i组样本数据的第β个解释变量，是第k类训练集Train_k中构建的第i组样本数据的响应变量；

步骤4.2、按照步骤4.1的过程，对第k类测试集Test_k也构建出包括M+D-1个解释变量和一个响应变量的数据集，记作其中，是第k类测试集Test_k中构建的第i组样本数据的解释变量，是第k类测试集Test_k中构建的第i组样本数据的响应变量；

步骤4.3、利用式(1)构建WOA-QRLSTM预测模型，并基于第k类训练集Train_k中构建的数据集对WOA-QRLSTM预测模型进行训练，并不断调整WOA-QRLSTM预测模型的权重和偏置，直到达到最大迭代次数，从而得到训练好的WOA-QRLSTM预测模型；

式(1)中，代表第z个分位点，且z＝1,2,…,Z，Z为分位点的数量；N代表第k类训练集Train_k中样本数据的组数；U(τ_z)表示在第z个分位点下的权重参数矩阵集合；V(τ_z)表示在第z个分位点下的连接偏置向量集合；

步骤4.4、利用第k类测试集Test_k中构建的数据集中的第i组样本数据的解释变量输入最优WOA-QRLSTM预测模型中，从而得到K类测试集样本{Test_k|k＝1,2,...,K}中数据集分别在Z个分位点下的条件分位数其中，表示第k类测试集Test_k第i组数据在第z个分位点下的条件分位数；

步骤5、将Z个分位点下的条件分位数作为高斯核函数的输入，利用式(2)计算得到第k类测试集Test_k中的数据集中任意一天e的水库入库流量概率密度预测结果

式(2)中，h为窗宽，K(·)为高斯核函数。