[发明专利]基于Boosting算法和支持向量机的洪水预报方法

摘要

本发明公开了一种基于Boosting算法和支持向量机的洪水预报方法，该方法包括如下步骤：运用相关系数法确定预报因子；利用核主成分分析对所述预报因子进行降维处理；利用Boosting算法选取样本建立多个支持向量机预测模型，引入损失函数和相关系数调整样本权重，最后组合为一个总预测模型；利用所述总预测模型对测试样本进行预测。本发明前两个步骤是数据预处理，目的是提取洪水数据中的有用信息，消除冗余信息对预报造成的干扰。第三个步骤将Boosting算法引入到洪水预报中，尽量将前一个模型不能很好学习的样本，抽取出来用于训练下一个模型，这样组合后的模型可以有效提高洪水预报准确率，最后一个步骤用于检验模型效果。实验数据表明本方案能很好地提高预报精度。

主权项

1.一种基于Boosting算法和支持向量机的洪水预报方法，其特征在于，包括如下步骤：步骤1.运用相关系数法选取上游干、支流的前期实测径流量以及区间雨量作为候选预报因子；步骤2.利用核主成分分析对所述预报因子进行降维处理；步骤3.利用Boosting算法选取样本建立多个支持向量机预测模型，引入损失函数和相关系数调整样本权重，最后组合为一个总预测模型，具体方法如下：设输入的水文时间序列为(x_i，y_i)，其中i＝1，2，…，n，x_i为预报因子，y_i为实际值，将水文时间序列样本分为训练样本和测试样本，需要训练的子模型个数为T，D_m(i)为不同分量模型选取样时样本的权重概率分布，m＝1，2，…，T；步骤31.初始化，分量模型m＝1，各样本概率分布D_m(i)＝1/n，i＝1，2，…，n；步骤32.训练模型，根据样本概率分布D_m(i)对训练样本进行采样并训练支持向量机模型，对测试样本进行预测，同时对训练样本进行预测，以调整训练样本权重；步骤33.计算各训练样本的相对误差损失函数：其中，f_t(x_i)为第t轮Boosting的预测值，y(x_i)为第t轮Boosting的实际值；步骤34.计算各训练样本相关系数：式中，为第t轮Boosting的预测值的均值，为第t轮Boosting实际值的均值；步骤35.通过损失函数和相关系数更新样本概率分布：式中，Z_i为归一化系数；步骤36：如果t小于子模型个数T，转到步骤32，否则转到步骤37；步骤37：组合各分量模型，得到总模型：式中，ρ_t(f_t(x),y)为第t轮Boosting的相关系数，f_t(x)为第t轮Boosting的预测值；步骤4.利用所述总预测模型对测试样本进行预测。