[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

说明书

本发明提供了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，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。应用本技术方案可实现提升机器学习水位预测模型的精度。

技术领域

本发明涉及机器学习技术领域，特别是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。

背景技术

我国的中小流域分布广泛、数量众多，水文地质、气象环境复杂,由于强降水及流域地形险峻造成的突发性洪灾，破坏力强、危险性大，并常伴随泥石流出现，给人民的生活和财产安全造成很大的危害。

流域的地形、降雨、土壤、植被等自然因素，是影响洪灾预测准确性的重要因素，随着全球气候的异常变化，百年一遇的洪灾频现，传统的洪水预测机理模型针对降雨、汇流、下渗、蒸散发等洪水产生的物理过程进行建模，这些模型依赖于超过十种关键参数的设置，就是对于专业人士，这些关键参数的率定也是一个耗时耗力的工作，对于某些参数，人们还难以写出它的数学表达式，并且机理模型是经过理想化的简化的，影响到模型的模拟效果，并不能对洪水的出现进行准确预测，这会造成在洪涝灾害期间出现各类自然灾害事故。

雨水落到地表后流入河流的时间与下列因素有关：流域形状(影响集水距离)、坡度(影响流速)、植被覆盖率(下渗、流速)。流域如果是面积较大而地势低平且植被覆盖率高的，滞后性就很明显；流域狭长、坡度大、植被覆盖率低则洪峰会提早到达。土壤本身的透水性相对还是次要的，这个问题可以这样来解释：湿润的土壤植被覆盖率高，所以滞后性明显；沙质土壤易产生水土流失，植被覆盖率低，洪峰到达较早。

目前，以机器学习为技术支撑的数据驱动模型发展速度极快，基于海量的历史水文数据驱动，避免了机理模型关键参数的人工率定，但是对于输入数据特征，尤其是关键性的降雨量数据特征挖掘明显不足，影响了数据模型对洪水流量的预测。因此，可以充分挖掘输入数据特征，尤其是挖掘降雨量数据特征，对洪水预测模型具有很强的现实意义。

流域水位动态受降雨影响显著，除了以上因素，且由于降雨的持续时间、强度和面积的不同，由降雨引起的水位变化形态也复杂多样，降雨对流域水位的滞后影响，在传统的模型中需要通过参数的率定来测算。

目前，在机器学习领域，降雨量对流域水位的滞后效应，大多是采用数学的方式进行计算得出，具有计算复杂，计算时间长的缺点。

发明内容

有鉴于此，本发明的目的在于提供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，实现提升机器学习水位预测模型的精度。

为实现上述目的，本发明采用如下技术方案：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。

在一较佳的实施例中，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；