CN112016839A - 一种基于qr-bc-elm的洪涝灾害预测预警方法 - Google Patents
一种基于qr-bc-elm的洪涝灾害预测预警方法 Download PDFInfo
- Publication number
- CN112016839A CN112016839A CN202010899796.4A CN202010899796A CN112016839A CN 112016839 A CN112016839 A CN 112016839A CN 202010899796 A CN202010899796 A CN 202010899796A CN 112016839 A CN112016839 A CN 112016839A
- Authority
- CN
- China
- Prior art keywords
- flood
- index
- model
- decomposition
- extreme learning
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 49
- 230000001976 improved effect Effects 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 239000002689 soil Substances 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 37
- 238000012545 processing Methods 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 239000004575 stone Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于QR‑BC‑ELM的洪涝灾害预测预警方法,涉及洪涝预警技术领域,考虑多种洪水成因,基于极限学习机与地理信息***建立洪水模型,以模拟黄河流域洪水易发区,并验证极限学习机相对于人工神经网络的效率与精度优势。本发明提供的改进极限学习模型的学习速度是人工神经网络的32倍,是传统极限学习模型的1.2倍。而且,所提出的正交三角分解极限学习模型和满秩分解极限学习模型的噪音处理能力都要大大优于人工神经网络,BC‑ELM和QR‑ELM在预测精度与预测效率方面具有很大的优势,是洪水预报模型较为合适的选择。
Description
技术领域
本发明涉及洪涝预警技术领域,特别涉及一种基于QR-BC-ELM的洪涝灾害预测预警方法。
背景技术
如今,洪水灾害治理已经迈向智能时代,特别是数据科学的发展给专家供了及时、准确与丰富的灾害信息及决策支持。当前形式下,以智能算法为主导的洪水模型已经取得了相当大的进展,类似聚类分析,协同过滤,回归预测等方案都被广泛的应用到洪水模型中。以神经网络为主导的智能算法被广泛的应用在水文预报中,相对于传统方案而更加具有科学性,信息性,时效性,准确性。聚类分析,协同过滤等思想更是打破了高纬度大数据下内存消耗高,计算复杂的问题,给洪水预报中特征提取,风险等级划定提供了科学的支持。随着智能算法的发展,如今已经迈入了深度学习时代,深度学习以其极强的表现力已经为了洪水模型中十分广泛的应用工具,使得洪水模型更加具有表现力,精度相对与传统智能算法也有了相当程度的提高。
洪水灾害一直都以复杂的时序特征而存在,而面对洪水这种极具破坏力的自然灾害,这就必然要求洪水模型必须具有精度高,实效性强等特点。基于传统方案的洪水模型存在着主观因素干预,特征反应片面,预测精度低,计算复杂等问题。
本发明针对现有模型存在的问题,立足于计算机智能算法,构建精确、稳定、高效的洪水预测预警方法,在深入研究现存算法的工作原理与核心思想的基础上,指出现有算法的不足,并根据洪水监测参数的分布特征,提出新的基于智能计算方法的洪水预测预警方案,成功应用于洪涝预测预警中。
发明内容
本发明的目的在于提供一种基于QR-BC-ELM的洪涝灾害预测预警方法,立足于计算机智能算法,构建精确、稳定、高效的洪水预测预警方法,根据洪水监测参数的分布特征,提出新的基于智能计算方法的洪水预测预警方案,成功应用于洪涝预测预警中。
本发明提供了一种基于QR-BC-ELM的洪涝灾害预测预警方法,包括以下步骤:
S1:基于主成因分析,提取多因素指标;
S2:构建洪水灾害风险评价体系;
S3:改进极限学习模型,构建QR分解极限学习模型和BC分解极限学习模型,将BC分解极限学习模型与地理信息***相结合建立洪水模型,模拟洪水易发区;
S4:基于改进极限学习模型得出洪水预测结果与分析;
S5:根据风险等级进行洪水风险分级预警与分析。
进一步地,所述步骤S1中的所述多因素指标包括两个准则层和三个指标层内共49个计算指标。
进一步地,所述步骤S2的风险评价体系评价步骤包括:
S201:采集不同水文站的最大为期三天的降水量、地形湿度指数、河流功率指数和归一化植被指数作为模型的输入,获得不同水文站之间的关联程度;
S202:根据自变观测站的指标变化情况预测因变观测站的水位变化情况;
S203:非时序数据以各自变站点的数字高程模型、土壤质地指数、坡度指数和土地利用模式作为模型的输入,以因变站点的相同指标作为输出,计算高度关联点的指标特征;
S204:将离河距离指数、河流功率指数和社会经济指数作为输入,统计和预警洪水等级与紧急程度。
进一步地,将多因素指标的特征工程提取后,以时序数据的形式输入到改进极限学习模型中进行各个指标对洪水的贡献程度的计算。
进一步地,所述QR分解极限学习模型的计算过程如下:
计算M*N的矩阵H的奇异值分解,其奇异值分解公式为H=UΣVT;
所述QR分解极限学习模型将H分为Q*R,即H=Q*R,其中Q为正交矩阵,R为上三角矩阵,求解Q的转置即可求出Q的逆矩阵。
进一步地,所述BC分解极限学习模型的计算过程如下:
将A∈Cm*n分解为两个与A同秩的因子积,设矩阵A=(aij)m*n,且 rankA=r≤min(m,n),则可以将A做满秩分解A=BC,其中B是m*r阶矩阵,C 是r*n阶矩阵,且rankB=rankC=r;
BC分解中矩阵A的满秩分解所做出的Moore-Penrose广义逆乘积是唯一的:CH(CCH)-1(BHB)BH。
与现有技术相比,本发明具有如下显著优点:
本发明提供了一种基于QR-BC-ELM的洪涝灾害预测预警方法,考虑多种洪水成因,基于极限学习机与地理信息***(GIS)建立洪水模型,以模拟黄河流域洪水易发区,并验证极限学习机相对于人工神经网络的效率与精度优势。
本发明提供的改进极限学习模型的学习速度是人工神经网络的32倍,是传统极限学习模型的1.2倍。而且,所提出的正交三角分解极限学习模型和满秩分解极限学习模型的噪音处理能力都要大大优于人工神经网络,BC-ELM和 QR-ELM在预测精度与预测效率方面具有很大的优势,是洪水预报模型较为合适的选择。
附图说明
图1为本发明实施例提供的方法步骤图;
图2为本发明实施例提供的指标体系关系图;
图3为本发明实施例提供的改进极限学习模型的模型预测结果图;
图4为本发明实施例提供的模型评估结果图;
图5为本发明实施例提供的模型评价指标结果对比图;
图6为本发明实施例提供的风险等级变化对比图;
图7为本发明实施例提供的各年风险等级所占比例图;
图8为本发明实施例提供的洪水等级预估图;
图9为本发明实施例提供的洛(阳),龙(门),黑(石关)三个水位站的监测数据图;
图10为本发明实施例提供的三个水位站的预测结果图;
图11为本发明实施例提供的四类场景中性能对比参数图。
具体实施方式
下面结合本发明中的附图,对本发明实施例的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
当前洪水预测方法主要分为以下几类,各类方法概况如下:
(1)基于传统水文物理机制的洪水预测模型:人为主观因素影响模型特征提取,进而影响预测精度,同时在面对数量大、纬度高、数据异构情况复杂的监测数据,传统水利方法通常很难给出合理的计算方案,这些问题都是制约洪水预测模型精度的重要因素;
(2)神经网络结合传统水文物理机制预测模型:通常具有考虑因素单一,模型计算复杂,其精确度和算法效率都有待提高;
(3)以聚类分析,降维分析和协同过滤为主导的洪水预测模型:需要用户对观测对象有一定的先验知识,并且无法通过参数化方法对处理过程进行干预,精度和效率不高;同时,PCA方法得出的主要因素(特征)在非高斯分布下,并不是最优。
(4)基于深度学习的洪水预测模型:其整体性能,主要取决于参数数量、参数取值、网络拓扑结构和传递函数的兼容性等因素。因此,不适当的结构设计会导致深度神经网络的性能下降。同时,深度神经网络由于结构复杂,算法运行效率较低。
现有技术中通常都是基于时序数据使用雨量作为输入以径流量作为模型输出,通常没有考虑其他因素对洪水造成的影响,导致了高误差的产生,并不能很好的反应洪水的特征,也不能对洪水水体进行预测与淹没点模拟。
参照图1,本发明提供了一种基于QR-BC-ELM的洪涝灾害预测预警方法,包括以下步骤:
S1:基于主成因分析,提取多因素指标;
S2:构建洪水灾害风险评价体系;
S3:改进极限学习模型,构建QR分解极限学习模型和BC分解极限学习模型,将BC分解极限学习模型与地理信息***(GIS)相结合建立洪水模型,模拟洪水易发区;
S4:基于改进极限学习模型得出洪水预测结果与分析;
S5:根据风险等级进行洪水风险分级预警与分析。
实施例1
参照图2,所述步骤S1中的所述多因素指标包括两个准则层和三个指标层内共49个计算指标。
实施例2
所述步骤S2的风险评价体系评价步骤包括:
S201:采集不同水文站的最大为期三天的降水量(M3PD)、地形湿度指数(topographic weindex,TWI)、河流功率指数(SPI)和归一化植被指数(NDVI)作为模型的输入,获得不同水文站之间的关联程度;
S202:根据自变观测站的指标变化情况预测因变观测站的水位变化情况;
S203:非时序数据以各自变站点的数字高程模型(DEM)、土壤质地指数(ST)、坡度指数(SL)和土地利用模式(LUP)作为模型的输入,以因变站点的相同指标作为输出,计算高度关联点的指标特征;
S204:将离河距离指数(DR)、河流功率指数(SPI)和社会经济指数作为输入,统计和预警洪水等级与紧急程度。
以黄河流域为例,分别提取流经过程中相关水文站的水文数据气象数据与遥感数据,通过水文站之间的指标关系和水位关系,来评估与计算水文变化,以计算洪水特征与指标体系之间的特征关系,根据先验概率理论从洪水水位变化出发,推断指标间的关系。
实施例3
在传统极限学习机中,将各个指标的特征工程提后,以时序数据的形式输入到极限学习机模型,作为模型的输入矩阵,以径流量作为输出利用反向误差传播的方式修正权重,从而得到各个指标对洪水的贡献程度。在以往的最小二乘解求解的时候通常是使用奇异值分解求解矩阵H,然后求解其加号广义逆,随之求解最优最小二乘解作为训练权重,基于以上分析,极限学习最核心的部分就是对H+的运算。
本申请将多因素指标的特征工程提取后,以时序数据的形式输入到改进极限学习模型中进行各个指标对洪水的贡献程度的计算。
(一)所述QR分解极限学习模型的计算过程如下:
计算M*N的矩阵H的奇异值分解,其奇异值分解公式为H=UΣVT;
所述QR分解极限学习模型将H分为Q*R,即H=Q*R,其中Q为正交矩阵,R为上三角矩阵,求解Q的转置即可求出Q的逆矩阵。根据正交矩阵的性质,在求解Q的逆矩阵时直接求解其转置即可求出逆矩阵,而不用专门对分解后的矩阵进行求逆。
QR(正交三角)分解极限学习模型,在求解线性问题时表现出优异的性能,并且计算过程简单有效,采用QR分解求解输出权重,与奇异值分解相比正交分解方法具有效率高,性能稳定,大大简化计算过程,无论Hussain矩阵大小, QR分解都表现出高效的性能优势。
(二)所述BC分解极限学习模型的计算过程如下:
BC分解即为满秩分解,也称作最大秩分解,将A∈Cm*n分解为两个与A 同秩的因子积,设矩阵A=(aij)m*n,且rankA=r≤min(m,n),则可以将A做满秩分解A=BC,其中B是m*r阶矩阵,C是r*n阶矩阵,且rankB=rankC=r;
BC分解中矩阵A的满秩分解所做出的Moore-Penrose广义逆乘积是唯一的:CH(CCH)-1(BHB)BH。
实施例4
参照图3,分别对比人工神经网络与传统极限学习的各种方案,体现本申请的改进的效果。使用了仅做正则化的极限学习作为对比。实验中发现最大三天降雨量与洪水发生有着很大的相关性,而另一方面土壤质地与离河距离对洪水的影响系数相对来说要小,为了更加充分的说明模型的优势,将数据分为四份,三份数据进行训练一份进行验证,分别命名为模型一至模型四,第一份数据至第四份数据依次增加使用交叉验证的方式。根据相关指标预测径流量走势如图3所示。
从图3中可以看到,除模型一以外极限学习机在时序数据预测中表现出了较为满意的拟合度,在模型一到模型四中经过改进的极限学习的预测精度都要高于人工神经网络,而且在模型一、三、四表现的尤为明显,从模型二、四预测效果来看未经改进的极限学习出现了较大偏差,而人工神经网络在预测中则表现处理数据量越大预测效果越好,这是因为其迭代算法在不断经过误差修正后,人工神经网络也达到较为满意的预测结果。从模型一可以看到人工神经网络与极限学习在处理离群数据的情况下,人工神经网络的表现并没有极限学习优异,数据离群这种现象被称为噪音,若要避免这种问题,就需要对数据进行正则化处理,但是经过改进的极限学习机器有了较大的进步,改进极限学习机特别是BC,SVD,QR方案在时序数据预测的过程中表现出了较强的稳定性与鲁棒性。在学习效率方面,极限学习机表现出了强大的优势,研究中发现将人工神经网络的学习率设置为较低的0.02情况下,极限学习机的学习效率是人工神经网络的588倍,而经过改进QR极限学习机学习效率又提高了1.12倍。
参照图4,为了更好的评估模型的精确性,绘制了散点分部,x轴表示观测值,y轴表示预测值,为了更好的观测数据同时也给出了y=x函数,从中可以了解到分部在y=x周边的点为预测较为精确的点,综合模型一到模型四可以看到,在小样本模型一中无论是改进极限学习还是未经改进极限学习都要优于神经网络,神经网络在处理小样本所出现的偏差情况需要经过不断反复的增加样本调整迭代参数加以修正,但是极限学习却避免了此类问题,从而提高了泛化能力。随着样本数据的增加,神经网络算法的问题逐渐缓和,例如模型二、模型三。但是在模型四中神经网络算法在最后数据段内表现出了较大的偏离,这是同期的极限学习如SVD,QR却表现出了较强的稳定性,出现此现象的原因往往是数据中的噪音点导致,通过以上分析已经了解到噪音点是离群数据所致,但是在实际情况中,可能是收集设备故障所致,但更多情况是水位变化出现了较大波动,而这种情况往往是洪水爆发的高风险期。
综合表与图5可以发现模型三、四,极限学***均值水平,即总体结果可信,但模拟误差大;Ens远远小于0,则模型是不可信的,与纳什指数相对应的威尔特指数WI是同样是用来证明模型的可信度,与纳什指数不同的是威尔特指数是使用的预测与观测的绝对值,综合纳什指数Ens与特指数WI来看,四类模型中通过改进的极限学***均绝对误差,从中可以发现极限学***小于人工神经网络的误差水平,这也进一步说明了人工神经网络的误差水平与模型预测精度都要小于极限学习。综合这四类模型可以发现在MAE与RMSE的表现,基于BC的极限学习精度都要高于QR与SVD,综合四类模型可以看到QR极限学习与SVD极限学习基本上是误差最低的但是在运算效率上QR极限学习却高于SVD极限学习。
实施例5
参照图6和图7,在实验之初首先给出各风险比例在历年中所占的比例,综合图7可以发现从2002.07开始年到2019年这几年三、四级别风险频率都在不断上升,其中2011年到2019年期间,三、四级风险竟一度达到了0.0497 (73.7%),在02.07到19这几年中一、二级风险的概率也是在不断的上升。这是需要引起极大注意的地方,一方面随着气候变化导致强降雨加剧进而导致水位压力暴涨,综合图6和图7可以针对水位宏观调控,从而对洪水进行科学有效的管理。
参照图8,该图描述了2002年到2019年以来洪水风险等级预估的分布与趋势,从图中可以看到从2002.01到2005.12以来基本无高于三级的洪水风险出现,但是在2006.01到2010.12高风险(四级)在这四年间竟出现了两次。在2011.06至2019.12三级风险首次出现,而且出现的频率较高,四级风险的频率也相对于2006.01到2010.12频数有所加大,通过观察数据发现,在19年这次持续的高风险中时间竟然达到了上百天,而且综合图8也可以发现基本上低风险比例也在不断上升,2002.07至2005.12,2006.01至2010.12,2011.01至2019.12三、四级风险比例分别占3.5%,22.8%,73.7%,可见比例是在不断上升,在2011.01至2019.12期间出现了多次高风险洪水,根据图8模型4所示的趋势来看19年这次的洪峰尽管水位很高,但是风险等级却没有像往常一样逼近四级,观察水位变化可以发现其中出现了短暂的水位下降的过程,这可能和水库洪水的调度有关也可能和降雨等因素有关。导致水库的蓄洪能力升高,反过来讲如果不对其进行水位调配,像这种情况水文站是极其危险的因为一旦上游出现微小的水位变化就会对其造成较大的影响。
实施例6
参照图9,以黄河支流为例,三门峡以下黄河支流伊河与洛河多次发生百年大洪水。伊漯河是三门峡~花园口地区洪水来源主要地区之一,分析这次洪水的地区来自洛(阳),龙(门),黑(石关)。同时根据智能算法提供的决策数据,伊洛河河段黑石关水文站,洛河河段白马寺水文站,伊河河段龙门镇水文站具有极强的关联性,综合以上情况,拟采用此地水文站作为实验对象,利用白马寺与龙门镇去预测黑石关水位。三个水位站的监测数据如图8所示。
本发明选取方法:传统神经网络模型、传统极限学习机模型、SVD-ELM、 QR-ELM、BC-ELM模型。分别利用白马寺与龙门镇去预测黑石关水位,预测结果如下图8所示。根据实验结果,分别从模型的预测精度、离群点数据处理和学习效率三个方面进行评估:
精度方面:在场景1到场景4中改进的极限学习机的预测精度都高于人工神经网络;在场景2,4预测效果来看未经改进的极限学习出现了较大偏差,而人工神经网络在预测中则表现出处理数据量越大预测效果越好,这是因为其迭代算法在不断经过误差修正后,人工神经网络也达到较为满意的预测结果。
离群数据处理:场景1中人工神经网络的表现并没有极限学习优异,但是经过改进的极限学习机器有了较大的进步,改进极限学习机特别是BC,SVD, QR方案在时序数据预测的过程中表现出了较强的稳定性与鲁棒性。
学习效率:极限学习机表现出了强大的优势,研究中表明,如果人工神经网络的学习率设置为较低的0.02情况下,极限学习机的学习效率是人工神经网络的588倍,而经过改进QR极限学习机学习效率又提高了1.12倍。
参照图10,在小样本场景1中,无论是改进极限学习还是未经改进极限学习都要优于神经网络,神经网络在处理小样本所出现的偏差,需要经过不断反复的增加样本调整迭代参数加以修正,但是极限学习却避免了此类问题,从而提高了泛化能力。
随着样本数据的增加,神经网络算法的问题逐渐缓和,例如场景2和场景 3。场景4中神经网络算法在最后数据段内表现出了较大的偏离,同期极限学习如SVD,QR却表现出了较强的稳定性,噪音点在实际情况中,可能是收集设备故障所致,但更多情况是水位变化出现了较大波动,而这种情况往往是洪水爆发的高风险期。如图10所示。
参照图11,模型相关参数对比中,选取了多种模型性能对比参数:
皮尔逊相关系数被广泛用于度量两个变量之间的相关程度,使用该系数去评估预测值与观测值的相关程度,以评估模型的精度。
Ens纳什效率系数在水文模型中通常用于评估模型的好坏Ens取值为负无穷至1,Ens接近1,表示模式质量好,模型可信度高;Ens接近0,表示模拟结果接近观测值的平均值水平,即总体结果可信,但模拟误差大;Ens远远小于0则模型不可信。
威尔特指数WI是同样是用来证明模型的可信度,与纳什指数不同的是威尔特指数是使用的预测与观测的绝对值。
综合纳什指数Ens与特指数WI来看,四类场景中改进极限学习机均高于人工神经网络,其可信程度也高于人工神经网络。
该结论在均方根误差RMSE,平均绝对误差MAE中也得到相同结论。
以上公开的仅为本发明的几个具体实施例,但是,本发明实施例并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (6)
1.一种基于QR-BC-ELM的洪涝灾害预测预警方法,其特征在于,包括以下步骤:
S1:基于主成因分析,提取多因素指标;
S2:构建洪水灾害风险评价体系;
S3:改进极限学习模型,构建QR分解极限学习模型和BC分解极限学习模型,将BC分解极限学习模型与地理信息***相结合建立洪水模型,模拟洪水易发区;
S4:基于改进极限学习模型得出洪水预测结果与分析;
S5:根据风险等级进行洪水风险分级预警与分析。
2.如权利要求1所述的一种基于QR-BC-ELM的洪涝灾害预测预警方法,其特征在于,所述步骤S1中的所述多因素指标包括两个准则层和三个指标层内共49个计算指标。
3.如权利要求1所述的一种基于QR-BC-ELM的洪涝灾害预测预警方法,其特征在于,所述步骤S2的风险评价体系评价步骤包括:
S201:采集不同水文站的最大为期三天的降水量、地形湿度指数、河流功率指数和归一化植被指数作为模型的输入,获得不同水文站之间的关联程度;
S202:根据自变观测站的指标变化情况预测因变观测站的水位变化情况;
S203:非时序数据以各自变站点的数字高程模型、土壤质地指数、坡度指数和土地利用模式作为模型的输入,以因变站点的相同指标作为输出,计算高度关联点的指标特征;
S204:将离河距离指数、河流功率指数和社会经济指数作为输入,统计和预警洪水等级与紧急程度。
4.如权利要求1所述的一种基于QR-BC-ELM的洪涝灾害预测预警方法,其特征在于,将多因素指标的特征工程提取后,以时序数据的形式输入到改进极限学习模型中进行各个指标对洪水的贡献程度的计算。
6.如权利要求4所述的一种基于QR-BC-ELM的洪涝灾害预测预警方法,其特征在于,所述BC分解极限学习模型的计算过程如下:
将A∈Cm*n分解为两个与A同秩的因子积,设矩阵A=(aij)m*n,且rankA=r≤min(m,n),则可以将A做满秩分解A=BC,其中B是m*r阶矩阵,C是r*n阶矩阵,且rankB=rankC=r;
BC分解中矩阵A的满秩分解所做出的Moore-Penrose广义逆乘积是唯一的:CH(CCH)-1(BHB)BH。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010899796.4A CN112016839B (zh) | 2020-08-31 | 2020-08-31 | 一种基于qr-bc-elm的洪涝灾害预测预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010899796.4A CN112016839B (zh) | 2020-08-31 | 2020-08-31 | 一种基于qr-bc-elm的洪涝灾害预测预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016839A true CN112016839A (zh) | 2020-12-01 |
CN112016839B CN112016839B (zh) | 2022-11-08 |
Family
ID=73515249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010899796.4A Active CN112016839B (zh) | 2020-08-31 | 2020-08-31 | 一种基于qr-bc-elm的洪涝灾害预测预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016839B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113624210A (zh) * | 2021-08-23 | 2021-11-09 | 中国水利水电科学研究院 | 一种水文监测装置 |
CN116187769A (zh) * | 2023-05-04 | 2023-05-30 | 四川省安全科学技术研究院 | 基于情景模拟的城镇洪涝灾害风险研判方法 |
CN117131369A (zh) * | 2023-10-27 | 2023-11-28 | 福建福昇消防服务集团有限公司 | 智慧安全管理与应急救援一体站的数据处理方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615005A (zh) * | 2018-12-10 | 2019-04-12 | 广东技术师范学院 | 基于流形深度学习和极限学习机的图像集分类***及方法 |
US20190354771A1 (en) * | 2018-05-21 | 2019-11-21 | Cfkk, Llc | Networks Of Sensors Collaboratively Chronicling Events Of Interest |
CN111445087A (zh) * | 2020-04-17 | 2020-07-24 | 华北水利水电大学 | 基于极限学习机的洪水预测方法 |
-
2020
- 2020-08-31 CN CN202010899796.4A patent/CN112016839B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190354771A1 (en) * | 2018-05-21 | 2019-11-21 | Cfkk, Llc | Networks Of Sensors Collaboratively Chronicling Events Of Interest |
CN109615005A (zh) * | 2018-12-10 | 2019-04-12 | 广东技术师范学院 | 基于流形深度学习和极限学习机的图像集分类***及方法 |
CN111445087A (zh) * | 2020-04-17 | 2020-07-24 | 华北水利水电大学 | 基于极限学习机的洪水预测方法 |
Non-Patent Citations (1)
Title |
---|
刘志刚: "面向页岩油测井评价的极限过程神经网络", 《中国博士学位论文全文数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113624210A (zh) * | 2021-08-23 | 2021-11-09 | 中国水利水电科学研究院 | 一种水文监测装置 |
CN116187769A (zh) * | 2023-05-04 | 2023-05-30 | 四川省安全科学技术研究院 | 基于情景模拟的城镇洪涝灾害风险研判方法 |
CN117131369A (zh) * | 2023-10-27 | 2023-11-28 | 福建福昇消防服务集团有限公司 | 智慧安全管理与应急救援一体站的数据处理方法及*** |
CN117131369B (zh) * | 2023-10-27 | 2023-12-22 | 福建福昇消防服务集团有限公司 | 智慧安全管理与应急救援一体站的数据处理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112016839B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272146B (zh) | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 | |
CN112016839B (zh) | 一种基于qr-bc-elm的洪涝灾害预测预警方法 | |
CN109299812B (zh) | 一种基于深度学习模型和knn实时校正的洪水预测方法 | |
Shiri et al. | Estimation of daily suspended sediment load by using wavelet conjunction models | |
CN111079998B (zh) | 基于长短时序相关性注意力机制模型的流量预测方法 | |
CN103729550A (zh) | 基于传播时间聚类分析的多模型集成洪水预报方法 | |
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
CN111898828A (zh) | 一种基于极限学习机的水力发电预测方法 | |
CN117035201B (zh) | 平原河网水工程集群多目标调度规则制定方法及*** | |
Liao et al. | Ultra-short-term interval prediction of wind power based on graph neural network and improved bootstrap technique | |
CN113128758B (zh) | 基于近海浮标海浪观测数据构建的最大浪高预报*** | |
CN104050547A (zh) | 一种油田开发规划方案非线性优选决策方法 | |
CN112307410A (zh) | 基于船载ctd测量数据的海水温盐信息时序预测方法 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
Li et al. | Application of ARIMA and LSTM in relative humidity prediction | |
Vafakhah et al. | Application of intelligent technology in rainfall analysis | |
CN115310536A (zh) | 基于神经网络和gcn深度学习模型的水库水位预测预警方法 | |
CN115640874A (zh) | 基于改进型灰色模型理论的变压器状态预测方法 | |
Jiang et al. | Research and application of a new hybrid wind speed forecasting model on BSO algorithm | |
CN111311026A (zh) | 一种顾及数据特征、模型和校正的径流非线性预测方法 | |
CN109299853B (zh) | 一种基于联合概率分布的水库调度函数提取方法 | |
CN113361776A (zh) | 一种基于用户用电行为聚类的电力负荷概率预测方法 | |
Ai et al. | Effect of Data Characteristics Inconsistency on Medium and Long-Term Runoff Forecasting by Machine Learning | |
CN116663745A (zh) | 一种基于pca_ dwt的lstm流域水流量预测方法 | |
CN115330085A (zh) | 基于深度神经网络且无未来信息泄露的风速预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |