[发明专利]一种基于降雨滞后效应的机器学习水位预测特征构造方法

权利要求书

1.一种基于降雨滞后效应的机器学习水位预测特征构造方法，其特征在于，在时间维度上，通过将降雨量数据往前移动的方法，并通过相关系数的计算，来决定降雨量数据往后移动的时间长度，从而构造降雨量滞后效应的机器学习水位预测特征；具体包括降雨量滞后特征构造、降雨量滞后特征数据处理、雨量序列数据与上下游水位数据的相关系数及特征选择。

2.根据权利要求1所述的一种基于降雨滞后效应的机器学习水位预测特征构造方法，其特征在于，降雨量滞后特征构造具体为：

流域基本水位序列W_u、W_d保持不动，将r_T(1)序列整体往后移动1个时间单位，得到r_T(2)序列，依此类推，得到r_T(N)序列；

物理含义：在t1时刻的雨量a，由于自然因素，会对t2，t3，...，tn时刻的上游监测点的水位产生滞后的影响，降雨量对水位的影响具有滞后性和持续性特点，由此构造出r_T(1)...r_T(N)特征。

3.根据权利要求1所述的一种基于降雨滞后效应的机器学习水位预测特征构造方法，其特征在于，降雨量滞后特征数据处理具体为：

假设现在有三组数据：R_t、W_u和W_d，R_t(r_T(1)，r_T(2)，…，r_T(N))表示源头水库降雨量序列；w_u(w_u1，w_u2，…，w_uN)表示流域上游水位序列，w_d(w_d1，w_d2，…，w_dN)表示流域下游水位序列，每组数据的长度相等，都是N个，表示为：R_t＝{r_T(i)，i∈[0，N]}、W_u＝{w_ui，i∈[0，N]}和W_d＝w_di，i∈[0，N]}；

由于雨量时间序列向右移动了1到n个单位，则雨量时间序列的前面空缺数据，用第一个数据进行填充，雨量时间序列后面的数据，以第一个雨量时间序列为基准，删除R_t(r_T(1)，r_T(2)，...，r_T(N))雨量数据后面n个数据。

4.根据权利要求1所述的一种基于降雨滞后效应的机器学习水位预测特征构造方法，其特征在于，雨量序列数据与上下游水位数据的相关系数具体为：

序列W_u和R_t之间的线性互相关操作表示为R_LU＝(W_u,R_t)，其结果也是一个序列，表示为序列W_d和R_t之间的线性互相关操作表示为R_LD＝(W_d,R_t)，其结果也是一个序列，表示为R^LU、R^LD序列的长度为向量R_t向右滑动的次数，假设雨量时间序列向右划动了k次，序列的长度为k,也就是得到了k个水位滞后特征，这些特征对水位的影响程度，通过这些特征跟水位的相关系数来进行初步判断，当相关系数小于某一数值的时候，认为该特征对水位不具有影响力，选取相关系数大于某一数值的特征，筛选为参与到机器学习中进行训练的初步特征集。

5.根据权利要求1所述的一种基于降雨滞后效应的机器学习水位预测特征构造方法，其特征在于，特征选择具体为：

1)首先将初始降雨量特征数据输入到机器学习模型中进行训练，记录下模型的表现效果和所用的特征；

2)在初始降雨量数据的基础上生成n天的降雨量滞后特征，将这些滞后特征数据和初始降雨量数据作为新的数据输入到机器学习模型中训，并记录模型的表现效果和所用的特征；

3)然后将新的数据输入到随机森林分类器中，计算得到每个降雨量特征的重要性，从当前降雨量特征中移除特征重要性最低的一个特征，得到一个新的数据集，然后将新的数据输入到相同的机器学习模型训练和测试，记录下这次的效果和所用的特征；

4)递归的重复步骤2)，直到降雨量特征为空，最后可以通过此前的记录得到效果最佳的降雨量特征组合。