[发明专利]一种径流概率预报方法

摘要

本发明公开一种径流概率预报方法，其中，该方法主要包括：采用基于K‑medoids的聚类方法对训练集进行聚类，得到隐含马尔科夫模型HMM的初始化参数；利用Baum–Welch算法对HMM进行学习，得到HMM的状态转移概率矩阵以及观测模型的概率分布；根据贝叶斯信息准则BIC进行模型选择，选择适宜该训练集的HMM状态个数；最终根据给出的预报因子，结合高斯混合回归GMR推理得到条件概率分布函数作为径流概率预报。本发明的概率预报方法引入了径流隐含状态的概念，可利用水文、地形、气象等诸多因素训练得到隐含状态转移概率矩阵，得到有效可靠的未来径流概率预报分布，为水库优化调度决策提供科学依据。

主权项

1.一种径流概率预报方法，其特征在于，包括如下步骤：(1)构建由预报径流和其预报因子组成的数据集，对数据进行归一化处理得到训练集；(2)基于K‑medoids的聚类方法对训练集进行聚类，根据聚类后得到的各类的均值向量、协方差矩阵以及径流状态转移概率矩阵作为隐含马尔科夫模型的初始化参数，所述隐含马尔科夫模型包括隐含状态序列及其对应的观测模型；(3)利用Baum–Welch算法对隐含马尔科夫模型进行学习，得到训练后的隐含马尔科夫模型径流状态转移概率矩阵以及观测模型的概率分布；(4)设置不同的隐含状态个数K＝1～15；重复步骤(2)‑(3)，并计算相应的贝叶斯信息准则值；(5)选择贝叶斯信息准则值最小值所对应的K值，作为隐含马尔科夫模型隐含个数；(6)根据训练得到的隐含马尔科夫模型，结合高斯混合回归方法，利用观测模型的概率分布以及测试集所给的预报因子得到各径流隐含状态下径流条件概率分布，利用径流状态转移概率矩阵求解测试集中每个时间节点落在K个径流隐含状态下的概率，综合推导得到测试集的条件概率分布函数，作为对测试集的径流概率预报结果。