CN109523054A - 一种基于随机游走的季节径流预报因子选择方法 - Google Patents
一种基于随机游走的季节径流预报因子选择方法 Download PDFInfo
- Publication number
- CN109523054A CN109523054A CN201811150226.4A CN201811150226A CN109523054A CN 109523054 A CN109523054 A CN 109523054A CN 201811150226 A CN201811150226 A CN 201811150226A CN 109523054 A CN109523054 A CN 109523054A
- Authority
- CN
- China
- Prior art keywords
- forecast
- predictor
- random walk
- factor
- season
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005295 random walk Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 4
- 238000002474 experimental method Methods 0.000 abstract description 2
- 230000010355 oscillation Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 206010021703 Indifference Diseases 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于随机游走的季节径流预报因子选择方法。所述方法将添加备选因子的效果概化为“前进‑后退”的随机过程，预报有所改进则前进一步，预报有所变差则后退一步。由此，有效的预报因子将使得随机游走过程显著的前进，显著性水平可以通过高斯逼近来检验。相比而言，无效的预报因子将使得随机游走原地徘徊，甚至后退。实验表明，本发明能较好的挑选出有效预报因子，提高季节径流预报精度，具有相当的应用价值。
Description
技术领域
本发明涉及水文水资源预报领域，更具体地，涉及一种基于随机游走的季节径流预报因子选择方法。
背景技术
水文预报为水资源管理提供着基础决策信息。其中，季节径流预报给出流域未来数月的水量情况，直接服务于供水、灌溉、发电等调度计划的制定，其十分重要。但是，现阶段天气预报预见期有限，只能相对准确的给出未来数天的降水、气温等情况，因此，基于天气预报驱动水文模型，不足以对未来的季节径流进行预报。目前，季节径流预报主要基于厄尔尼诺-南方涛动、印度洋偶极子、太平洋十年涛动指数等大气环流特征量，其基本假设在于，流域未来数月的气候情况取决于大气环流，相应的，前期大气环流因子能够反应未来季节径流情况。例如，1998年是典型的厄尔尼诺年，我国气候异常，长江、珠江、松花江等大江大河都发生了罕见的暴雨洪水。
卫星遥感、陆基雷达、机载雷达等天-地-空全球观测技术的发展，提供了丰富的大气环流信息。对于季节径流预报，其所需要的大气环流因子数据日益公开。例如，美国国家海洋及大气管理局的地球***研究实验室，提供了40余个全球大气环流因子数据，这些数据逐月更新。水文水资源领域，这些数据被广泛用于季节径流预报研究及应用。
随着大气环流因子数据不再成为瓶颈，一个迫切需求在于从这些数据中挑选出关键因子。目前，经验判断仍然是季节径流预报因子选择的主流方法。一些较新的方法则借助于相关系数、互信息等关联性统计指标。这些方法能在一定程度提供参考信息，但是仍然存在局限性：1)经验判断是主观的，其大都针对偶发事件，对于大气环流因子与季节径流的关系缺乏客观的评估；2)相关系数、互信息等统计指标主要针对单一预报因子，难以处理多预报因子及其相互作用；3)经验判断、相关系数、互信息等间接性方法，并不会直接反映最终的预报精度。对此，开发基于随机游走的季节径流预报因子选择方法，能够客观的反映诸多大气环流因子对于流域季节径流的关联和预报效果，从而弥补现有技术的缺陷，提高季节径流预报精度。
发明内容
本发明为解决现有技术提供的季节径流预报因子选择存在较强的主观性和难以处理多因子交互作用的技术缺陷，提供了一种基于随机游走的季节径流预报因子选择方法。
为实现以上发明目的，采用的技术方案是：
一种基于随机游走的季节径流预报因子选择方法，包括以下步骤：
S1.以未来的季节径流作为预报变量，以前期的大气环流特征量(如厄尔尼诺-南方涛动、印度洋偶极子、太平洋十年涛动指数)作为备选预报因子，构建季节径流预报数据集；
S2.基于已选中预报因子集合，构建“基准模型”进行季节径流预报，并评估其预报精度。初始选择阶段，以前期径流作为单一预报因子，不包含任何大气环流因子；随着选择过程的进行，大气环流预报因子的逐个加入，扩充预报因子集合；
S3.在已选中的预报因子集合添加一个新的备选因子，构建“新模型”进行统计预报和评估预报精度。基于随机游走模型，评估这个新的备选因子改进预报的效果；
S4.逐一评估所有的备选因子，挑选出最优因子。如果该因子能显著的改进预报，也即其对应的随机游走过程显著前进，则将该因子加入已选中预报因子集合，重复迭代运算步骤S2、S3和S4。如果该因子并不能显著的改进预报，则结束迭代运算，输出已选中预报因子集合。
优选的，所述预报因子选择基于随机游走模型。
优选的，所述步骤S3中，每次在已选中预报因子集合中加入一个新的备选因子，通过随机游走模型评估该因子的有效性。
优选的，所述步骤S4中，通过随机游走模型，逐一评估所有的备选因子，从中挑选出最有效的因子；重复迭代和选择预报因子，直至模型收敛和输出最优预报因子集合。
与现有技术相比，本发明的有益效果是：
本发明提供了一种基于随机游走的季节径流预报因子选择方法，其通过在已选中预报因子集合中添加一个新的备选预报因子，通过随机游走评估该因子的加入是否显著改进预报效果，进而通过迭代选取逐一选取预报因子和构建最优预报因子的集合。实验表明，本发明能够有效选取大气环流因子集合，改进季节径流预报精度，具有广泛的应用价值。
附图说明
图1为本发明的流程图。
图2为实施例1第一轮迭代的基准预报。
图3为实施例1第一轮迭代的最优预报，同时也是第二轮迭代的基准预报。
图4为实施例1第二轮迭代的最优预报，同时也是第三轮迭代的基准预报。
图5为实施例1第三轮迭代的最优预报，同时也是第四轮迭代的基准预报。
图6为实施例1第四轮迭代的最优预报，同时也是第五轮迭代的基准预报。
图7为实施例1第五轮迭代的最优预报。
图8为第一至第五轮迭代中预报误差削减的情况。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
如图1-8所述，本发明涉及一种基于随机游走的季节径流预报因子选择方法，其具体过程如下所示：
S1.以未来的季节径流作为预报变量，记作yt(下标t表示时间)，以前期的大气环流特征量(如厄尔尼诺-南方涛动、印度洋偶极子、太平洋十年涛动指数)作为备选预报因子xi,t-l(下标i表示不同环流特征量，I为备选特征量的个数；下标l表示预见期，其取值为1、2、3，分别代表采用前期第一个月、第二个月、第三个月的特征量)。构建季节径流预报数据集，其目标为构建预报模型，从所有I×3个特征量中挑选预报因子，开展季节径流预报：
yt＝f(x1,t-1,x1,t-2,x1,t-3,
x2,t-1,x2,t-2,x2,t-3,
...,
xI,t-1,xI,t-2,xI,t-3)
S2.基于已选中预报因子集合，构建“基准模型”进行季节径流预报，并评估其预报精度。初始选择阶段，以前期径流作为单一预报因子，不包含任何大气环流因子；随着选择过程的进行，大气环流预报因子的逐个加入，扩充预报因子集合；
S3.在已选中的预报因子集合添加一个新的备选因子，构建“新模型”进行统计预报和评估预报精度。基于随机游走模型，评估这个新的备选因子改进预报的效果。针对T个目标事件y1、y2、…、yT，把“基准模型”预报精度记作b1、b2、…、bT，将“新模型”预报精度记作c1、c2、…、cT。对于yt，随机游走第t步st如下
由上式，如果“新模型”预报优于“基准模型”预报，随机游走前进一步；否则，随机游走后退一步。所有T步随机游走的结果为
如果“新模型”与“基准模型”无差别，那么随机游走前进、后退的概率各为0.5。此时，st的均值E(st)为0，方差为1。对于所有包含T步的随机游走S，其均值为：
其方差为
根据均值、方差，即可以由高斯逼近概化S的统计分布
S～N(0,T)
将“新模型”、“基准模型”预报比较下的随机游走结果，与上式中“新模型”与“基准模型”无差别情形下统计分布做比较，即可以判断“新模型”是否显著优于“基准模型”。在0.05的显著性水平下，“新模型”显著优于“基准模型”时，随机游走的结果为
上式中，z0.95为标准正态分布0.95概率分位数。
S4.逐一评估所有的备选因子，挑选出最优因子。如果该因子能显著的改进预报，也即其对应的随机游走过程显著前进，则将该因子加入已选中预报因子集合，重复迭代运算步骤S2、S3和S4。如果该因子并不能显著的改进预报，则结束迭代运算，输出已选中预报因子集合。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种基于随机游走的季节径流预报因子选择方法，其特征在于：包括以下步骤：
S1.以未来的季节径流作为预报变量，以前期的大气环流特征量作为备选预报因子，构建季节径流预报数据集；
S2.基于已选中预报因子集合，构建“基准模型”进行季节径流预报，并评估其预报精度；初始选择阶段，以前期径流作为单一预报因子，不包含任何大气环流因子；随着选择过程的进行，大气环流预报因子的逐个加入，扩充预报因子集合；
S3.在已选中的预报因子集合添加一个新的备选因子，构建“新模型”进行统计预报和评估预报精度；基于随机游走模型，评估这个新的备选因子改进预报的效果；
S4.逐一评估所有的备选因子，挑选出最优因子；如果该因子能显著的改进预报，也即其对应的随机游走过程显著前进，则将该因子加入已选中预报因子集合，重复迭代运算步骤S2、S3和S4；如果该因子并不能显著的改进预报，则结束迭代运算，输出已选中预报因子集合。
2.根据权利要求1所述的基于随机游走的季节径流预报因子选择方法，其特征在于：所述预报因子选择基于随机游走模型。
3.根据权利要求1所述的基于随机游走的季节径流预报因子选择方法，其特征在于，所述步骤S3中，每次在已选中预报因子集合中加入一个新的备选因子，通过随机游走模型评估该因子的有效性。
4.根据权利要求1所述的基于随机游走的季节径流预报因子选择方法，其特征在于，所述步骤S4中，通过随机游走模型，逐一评估所有的备选因子，从中挑选出最有效的因子；重复迭代和选择预报因子，直至模型收敛和输出最优预报因子集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811150226.4A CN109523054A (zh) | 2018-09-29 | 2018-09-29 | 一种基于随机游走的季节径流预报因子选择方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811150226.4A CN109523054A (zh) | 2018-09-29 | 2018-09-29 | 一种基于随机游走的季节径流预报因子选择方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109523054A true CN109523054A (zh) | 2019-03-26 |
Family
ID=65772208
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811150226.4A Pending CN109523054A (zh) | 2018-09-29 | 2018-09-29 | 一种基于随机游走的季节径流预报因子选择方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109523054A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103049669A (zh) * | 2013-01-07 | 2013-04-17 | 北京工商大学 | 基于多元周期平稳时序分析及灰色理论的水华预测及因素分析方法 |
| CN105139093A (zh) * | 2015-09-07 | 2015-12-09 | 河海大学 | 基于Boosting算法和支持向量机的洪水预报方法 |
| CN107292098A (zh) * | 2017-06-15 | 2017-10-24 | 河海大学 | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 |
| CN107622322A (zh) * | 2017-08-16 | 2018-01-23 | 国网青海省电力公司 | 中长期径流的预报因子识别方法、中长期径流的预测方法 |
| CN107992961A (zh) * | 2017-11-21 | 2018-05-04 | 中国水利水电科学研究院 | 一种自适应的流域中长期径流预报模型架构方法 |
| CN108320109A (zh) * | 2018-02-28 | 2018-07-24 | 国信优易数据有限公司 | 一种关键指标确定方法和装置 |
-
2018
- 2018-09-29 CN CN201811150226.4A patent/CN109523054A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103049669A (zh) * | 2013-01-07 | 2013-04-17 | 北京工商大学 | 基于多元周期平稳时序分析及灰色理论的水华预测及因素分析方法 |
| CN105139093A (zh) * | 2015-09-07 | 2015-12-09 | 河海大学 | 基于Boosting算法和支持向量机的洪水预报方法 |
| CN107292098A (zh) * | 2017-06-15 | 2017-10-24 | 河海大学 | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 |
| CN107622322A (zh) * | 2017-08-16 | 2018-01-23 | 国网青海省电力公司 | 中长期径流的预报因子识别方法、中长期径流的预测方法 |
| CN107992961A (zh) * | 2017-11-21 | 2018-05-04 | 中国水利水电科学研究院 | 一种自适应的流域中长期径流预报模型架构方法 |
| CN108320109A (zh) * | 2018-02-28 | 2018-07-24 | 国信优易数据有限公司 | 一种关键指标确定方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| A. SHARIFI 等: "Daily runoff prediction using the linear and non-linear models", 《WATER SCIENCE & TECHNOLOGY》 * |
| N. LAO 等: "Learning Relational Features with Backward RandomWalks", 《PROCEEDINGS OF THE 53RD ANNUAL MEETING OF THE ASSOCIATION FOR COMPUTATIONAL LINGUISTICS AND THE 7TH INTERNATIONAL JOINT CONFERENCE ON NATURAL LANGUAGE PROCESSING》 * |
| T. DELSOLE, M.K. TIPPETT: "Forecast Comparison Based on Random Walks", 《MONTHLY WEATHER REVIEW》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chang et al. | Reservoir operations to mitigate drought effects with a hedging policy triggered by the drought prevention limiting water level | |
| Sajedi‐Hosseini et al. | Spatial prediction of soil erosion susceptibility using a fuzzy analytical network process: Application of the fuzzy decision making trial and evaluation laboratory approach | |
| Moradkhani et al. | Long-lead water supply forecast using large-scale climate predictors and independent component analysis | |
| Risley et al. | Statistical comparisons of watershed-scale response to climate change in selected basins across the United States | |
| Coulthard et al. | Is worst-case scenario streamflow drought underestimated in British Columbia? A multi-century perspective for the south coast, derived from tree-rings | |
| CN108171007B (zh) | 一种基于数值集合预报极值修正的中长期径流预报方法 | |
| CN107194498B (zh) | 一种水文监测网络的优化方法 | |
| Zolghadr-Asli et al. | Effects of the uncertainties of climate change on the performance of hydropower systems | |
| Theobald et al. | A synoptic classification of inflow-generating precipitation in the Snowy Mountains, Australia | |
| Kam et al. | Increased drought and pluvial risk over California due to changing oceanic conditions | |
| Leibowitz et al. | Hydrologic landscape characterization for the Pacific Northwest, USA | |
| Vantas et al. | Rainfall erosivity and its estimation: Conventional and machine learning methods | |
| CN116305813A (zh) | 一种基于滑坡降雨敏感性修正的精细化降雨阈值计算方法 | |
| Li et al. | [Retracted] Drought Assessment Based on Data Fusion and Deep Learning | |
| Jaeger et al. | Predicting probabilities of late summer surface flow presence in a glaciated mountainous headwater region | |
| Bozorgi et al. | Comparison of methods for estimating loss from water storage by evaporation and impacts on reservoir management | |
| Santra et al. | Delineation of hydrologically similar units in a watershed based on fuzzy classification of soil hydraulic properties | |
| Mar et al. | Optimum neural network architecture for precipitation prediction of Myanmar | |
| Roy et al. | Vulnerability of watersheds to climate change assessed by neural network and analytical hierarchy process | |
| Sarkar et al. | Application of integrated AHP-entropy model in suitable site selection for rainwater harvesting structures: a case study of upper Kangsabati basin, India | |
| CN109523054A (zh) | 一种基于随机游走的季节径流预报因子选择方法 | |
| Shukur et al. | Climatic temperature data forecasting in Nineveh governorate using the recurrent neutral network method | |
| Cristani et al. | It could rain: weather forecasting as a reasoning process | |
| Abbaspour et al. | Hydrological modeling of Alberta using SWAT model | |
| Fisher et al. | Regional managed aquifer recharge and runoff analyses in Santa Cruz and northern Monterey Counties, California |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190326 |