[发明专利]基于粒子群优化的K-means径流丰枯年份预报方法

摘要

本发明公开了一种基于粒子群优化的K‑means径流丰枯年份预报方法，涉及水文预报技术领域。该方法，首先选定多年径流量数据作为历史样本，并分为训练集和验证集，通过粒子群优化算法对训练集中的样本进行寻优，得到多组预报因子组合，将各组预报因子组合分别用于K‑means聚类算法中进行训练集样本的聚类，对得到的聚类结果分别计算准确率，选取准确率最高的结果以及对应的预报因子组合，经过检测集检验合格后，利用该预报因子组合来进行预报年份径流丰枯年的预报，极大的提高了径流丰枯年的预报精度、合理性以及实用性，可以作为中长期径流丰枯年份预报的一种有效的方法。

主权项

1.一种基于粒子群优化的K‑means径流丰枯年份预报方法，其特征在于，包括以下步骤：S1，选取河川S年的径流量数据作为历史样本，将历史样本中前N年的径流量数据及对应年份的环流指数数据作为训练集，后M年的径流量数据及对应年份的环流指数数据作为检验集，其中，S＝N+M，N＞M，S、N、M均为正整数，并统计历史样本的实际丰枯年份；S2，基于S1得到的训练集，采用粒子群优化算法进行多次迭代，得到K‑means聚类算法的多个预报因子组合，所述预报因子组合包括5‑6个粒子；S3，对于每个预报因子组合，均利用该预报因子组合，根据K‑means聚类算法，确定训练集的丰枯聚类结果，其中，K为2，包括丰水聚类和枯水聚类；S4，对于S3中得到的每个丰枯聚类结果，计算其准确率；S5，选取准确率最高的丰枯聚类结果以及对应的预报因子组合；S6，根据S5确定的预报因子组合，根据K‑means聚类算法，确定检验集的丰枯聚类结果；S7，依据实际丰枯年份，对检验集的丰枯聚类结果进行误差分析，若误差不在设定范围内，则调整粒子群优化算法中的执行次数，并返回至S2；若误差在设定范围内，则将预报年份作为样本加入到检验集中，重复S6，得到预报年份的丰枯结果；S4中，按照如下公式计算其准确率：其中，fitness为目标函数，n_f为丰水聚类年份中实际丰水年份的个数，n_k为枯水聚类年份中实际枯水年份的个数，N_f丰水聚类中的年份个数，N_k枯水聚类中的年份个数，为实际丰水年份个数占丰水聚类年份个数的比例，为实际枯水年份个数占枯水聚类年份个数的比例。