[发明专利]一种基于深度学习模型和KNN实时校正的洪水预测方法有效
| 申请号： | 201810965625.X | 申请日： | 2018-08-23 |
| 公开（公告）号： | CN109299812B | 公开（公告）日： | 2021-09-24 |
| 发明（设计）人： | 王继民;朱跃龙;张成;张鹏程;朱晓晓;张玲 | 申请（专利权）人： | 河海大学 |
| 主分类号： | G06Q10/04 | 分类号： | G06Q10/04;G06N3/04 |
| 代理公司： | 南京苏高专利商标事务所(普通合伙) 32204 | 代理人： | 梁耀文 |
| 地址： | 211100 江苏*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度学习模型和KNN实时校正的洪水预测方法，步骤为：1、对历史洪水过程数据进行归一化处理；2、对归一化后的历史洪水过程数据序列进行分析；3、利用滑动窗口从历史场次洪水数据中建立预测模型的输入和输出值，建立预测模型数据集TRSet1；4、建立基于深度学习的预测模型CNNFM；5、建立实时误差校正模型训练数据集TRSet2；6、建立基于加权K近邻的实时误差校正模型KNNCM；7、进行预测，利用模型CNNFM对实时数据进行预测，利用实时误差校正模型KNNCM结合训练数据TRSet2进行校正，获得最终的预测值。本发明通过卷积神经网络自动提取数据特征的特点对训练数据进行建模，并通过加权k近邻误差校正模型进行校正以提高模型预测的准确率。 | ||
| 搜索关键词： | 一种 基于 深度 学习 模型 knn 实时 校正 洪水 预测 方法 | ||
【主权项】：
1.一种基于深度学习模型和KNN实时校正的洪水预测方法，其特征在于，包括如下步骤：(1)对历史洪水过程数据进行归一化处理；(2)对归一化后的历史洪水过程数据序列进行分析，分析降雨量和蒸发量影响因素对流域出口流量的影响时间范围；(3)利用滑动窗口从历史场次洪水数据中建立预测模型的输入和输出值，建立预测模型数据集TRSet1；(4)建立基于深度学习的预测模型CNNFM，利用训练数据TRSet1训练预测模型获得模型参数；(5)建立实时误差校正模型训练数据集TRSet2，输入与TRSet1相同，CNNFM模型的预测误差作为输出；(6)建立基于加权K近邻的实时误差校正模型KNNCM；(7)进行预测，利用模型CNNFM对实时数据进行预测，利用实时误差校正模型KNNCM结合训练数据TRSet2进行校正，获得最终的预测值。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于河海大学，未经河海大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810965625.X/，转载请声明来源钻瓜专利网。
- 同类专利
- 专利分类
G06 计算；推算；计数
G06Q 专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法；其他类目不包含的专门适用于行政、商业、金融、管理、监督或预测目的的处理系统或方法
G06Q10-00 行政；管理
G06Q10-02 .预定，例如用于门票、服务或事件的
G06Q10-04 .预测或优化，例如线性规划、“旅行商问题”或“下料问题”
G06Q10-06 .资源、工作流、人员或项目管理，例如组织、规划、调度或分配时间、人员或机器资源；企业规划；组织模型
G06Q10-08 .物流，例如仓储、装货、配送或运输；存货或库存管理，例如订货、采购或平衡订单
G06Q10-10 .办公自动化，例如电子邮件或群件的计算机辅助管理
G06Q 专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法；其他类目不包含的专门适用于行政、商业、金融、管理、监督或预测目的的处理系统或方法
G06Q10-00 行政；管理
G06Q10-02 .预定，例如用于门票、服务或事件的
G06Q10-04 .预测或优化，例如线性规划、“旅行商问题”或“下料问题”
G06Q10-06 .资源、工作流、人员或项目管理，例如组织、规划、调度或分配时间、人员或机器资源；企业规划；组织模型
G06Q10-08 .物流，例如仓储、装货、配送或运输；存货或库存管理，例如订货、采购或平衡订单
G06Q10-10 .办公自动化，例如电子邮件或群件的计算机辅助管理
