CN112241813B - 基于小波分解的降雨预测方法及*** - Google Patents

基于小波分解的降雨预测方法及*** Download PDF

Info

Publication number
CN112241813B
CN112241813B CN202011126981.6A CN202011126981A CN112241813B CN 112241813 B CN112241813 B CN 112241813B CN 202011126981 A CN202011126981 A CN 202011126981A CN 112241813 B CN112241813 B CN 112241813B
Authority
CN
China
Prior art keywords
rainfall
data
frequency component
low
historical
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.)
Active
Application number
CN202011126981.6A
Other languages
English (en)
Other versions
CN112241813A (zh
Inventor
赵然杭
甘甜
张瑜轩
王好芳
逄晓腾
刘子莹
李智
齐真
周璐
张晴晴
李华兴
蒋殿顺
刘珺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202011126981.6A priority Critical patent/CN112241813B/zh
Publication of CN112241813A publication Critical patent/CN112241813A/zh
Application granted granted Critical
Publication of CN112241813B publication Critical patent/CN112241813B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Algebra (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)

Abstract

本发明公开了基于小波分解的降雨预测方法及***，包括：获取若干个历史降雨量时间序列和当前正进行的降雨量时间序列；从若干个历史降雨量时间序列中，筛选出与当前正进行的降雨量时间序列相关度大于设定阈值的若干个历史降雨量时间序列；对相关度大于设定阈值的若干个历史降雨量时间序列和当前正进行的降雨量时间序列，均进行分解，分别得到低频分量和高频分量；对低频分量构建VAR模型进行预测，得到低频分量预测量；对高频分量构建NAR神经网络进行预测，得到高频分量预测量；对低频分量预测量和高频分量预测量进行重构，得到降雨量的预测量。

Description

基于小波分解的降雨预测方法及***
技术领域
本申请涉及降雨预测技术领域，特别是涉及基于小波分解的降雨预测方法 及***。
背景技术
本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有 技术。
洪涝是我国最为频发的自然灾害之一，对降雨量数据准确预测能为防洪工作 提供科学的决策建议，进而改善居民生活质量，促进区域政治与经济的发展。
国内外学者对降雨预测进行了相关研究：陈晓平等以浙江省2016年1-10月 的雷达回波强度数据为例预测降雨量，分别构建随机森林模型、BP神经网络模 型及卷积神经网络模型对降雨量进行预测，预测值与真实值接近，且对较大降 雨强度拟合较好。周芸等提出了一种基于属性重要度的k近邻算法，对南京地 面观测站点2015-2018年6-8月降雨量进行预测，有效降低了降水预测的标准误 差与漏报率。但以上研究主要是针对日或月降雨数据进行预测，而正进行降雨 数据因实时测量数据较少且多为非平稳数据，其相关研究较少。
发明内容
为了解决现有技术的不足，本申请提供了基于小波分解的降雨预测方法及系 统；能根据同流域历史降雨数据与正进行降雨的实时数据，对正进行降雨进行 雨量预测。
第一方面，本申请提供了基于小波分解的降雨预测方法；
基于小波分解的降雨预测方法，包括：
获取若干个历史降雨量时间序列和当前正进行的降雨量时间序列；
从若干个历史降雨量时间序列中，筛选出与当前正进行的降雨量时间序列 相关度大于设定阈值的若干个历史降雨量时间序列；
对相关度大于设定阈值的若干个历史降雨量时间序列和当前正进行的降雨 量时间序列，均进行分解，分别得到低频分量和高频分量；
对低频分量构建VAR模型进行预测，得到低频分量预测量；对高频分量构 建NAR神经网络进行预测，得到高频分量预测量；
对低频分量预测量和高频分量预测量进行重构，得到降雨量的预测量。
第二方面，本申请提供了基于小波分解的降雨预测***；
基于小波分解的降雨预测***，包括：
获取模块，其被配置为：获取若干个历史降雨量时间序列和当前正进行的 降雨量时间序列；
筛选模块，其被配置为：从若干个历史降雨量时间序列中，筛选出与当前 正进行的降雨量时间序列相关度大于设定阈值的若干个历史降雨量时间序列；
分解模块，其被配置为：对相关度大于设定阈值的若干个历史降雨量时间 序列和当前正进行的降雨量时间序列，均进行分解，分别得到低频分量(d1-d5) 和高频分量(a5)；
预测模块，其被配置为：对低频分量构建VAR模型进行预测，得到低频分 量预测量；对高频分量构建NAR神经网络进行预测，得到高频分量预测量；
输出模块，其被配置为：对低频分量预测量和高频分量预测量进行重构， 得到降雨量的预测量。
第三方面，本申请还提供了一种电子设备，包括：一个或多个处理器、一 个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接， 上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器 执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面 所述的方法。
第四方面，本申请还提供了一种计算机可读存储介质，用于存储计算机指 令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
第五方面，本申请还提供了一种计算机程序(产品)，包括计算机程序，所 述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意 一项的方法。
与现有技术相比，本申请的有益效果是：
1.本发明采用基于小波分解的降雨预测模型对正进行降雨预测，相比于之前 的研究准确性更高。
2.本发明可以快捷准确地完成降雨量预测任务，且流域通用性较广，对流域 的选择没有严格要求，可适用于其他流域数据。
3.本发明推广性较强，若能满足一定的时间步长，还能对日降雨数据、周 降雨数据、月降雨数据等进行预测。
4.本发明在降雨预测技术领域中首次将小波分解、灰色关联分析、VAR模 型、NAR神经网络等方法综合起来，建立了基于小波分解的VAR-NAR降雨预 测模型，可对正进行降雨进行快速且准确地预测。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申 请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1：VAR模型计算流程图。
图2：NAR神经网络计算流程图。
图3：降雨预测模型整体流程图。
图4(a)-图4(f)：案例1各频率降雨量分解图。
图5(a)-图5(e)：案例1VAR模型预测结果图。
图6：案例1NAR神经网络预测结果图。
图7：案例1最终雨量预测值结果图。
图8(a)-图8(f)：案例2各频率降雨量分解图。
图9(a)-图9(e)：案例2VAR模型预测结果图。
图10：案例2NAR神经网络预测结果图。
图11：案例2最终雨量预测值结果图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。 除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的 普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图 限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确 指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括” 和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系 列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备 固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了基于小波分解的降雨预测方法；
基于小波分解的降雨预测方法，包括：
S101：获取若干个历史降雨量时间序列和当前正进行的降雨量时间序列；
S102：从若干个历史降雨量时间序列中，筛选出与当前正进行的降雨量时 间序列相关度大于设定阈值的若干个历史降雨量时间序列；
S103：对相关度大于设定阈值的若干个历史降雨量时间序列和当前正进行 的降雨量时间序列，均进行分解，分别得到低频分量(d1-d5)和高频分量(a5)；
S104：对低频分量构建VAR模型进行预测，得到低频分量预测量；对高频 分量构建NAR神经网络进行预测，得到高频分量预测量；
S105：对低频分量预测量和高频分量预测量进行重构，得到降雨量的预测 量。
作为一个或多个实施例，所述S101步骤之后，所述S102步骤之前还包括：
S101-21：对获取的所有时间序列进行数据清洗剔除异常数据；
S101-22：对数据清洗后的数据进行数据填补；
S101-23：对数据填补后的数据进行数据插值处理。
进一步地，所述S101-21：对获取的所有时间序列进行数据清洗剔除异常数 据；是采用拉依达准则，对获取的所有时间序列进行数据清洗剔除异常数据。
示例性的，所述S101-21：对获取的所有时间序列进行数据清洗剔除异常数 据；例如：根据统计理论表明，监测值的偏差超3的概率已小于l％。故可以认为偏差超过3的监测值为过大或过小的不合理的异常数据，应当剔除。
进一步地，所述S101-22：对数据清洗后的数据进行数据填补；是采用加权 平均法对数据清洗后的数据进行数据填补。
示例性的，所述S101-22：对数据清洗后的数据进行数据填补；是指：
若待填补降雨含N个测量值，待填补点为i，首先分别计算余下N-1个点距 i点时间间隔(单位为小时)，再以时间间隔为距离进行反距离求权，权重计算 如式(1)，然后将N-1个权重值与其对应雨量值之积进行累加得反距离加权值 Ai如式(2)，最后给予Ai与原始值Bi各50％权重可得加权平均法填补结果Pi 如式(3)：
Pi＝Ai*0.5+Bi*0.5 (3)
其中，ωn为第n点权重，Ln为第n点距i点时间间隔，Ai为反距离加权值， Bi为i点原始值。
进一步地，所述S101-23：对数据填补后的数据进行数据插值处理；具体是 采用三次方样条数据插值方法进行插值处理。
示例性的，所述S101-23：对数据填补后的数据进行数据插值处理；具体是 雨量数据的序列一般时间间隔较大，为增加数据便于分析，通过matlabcftool工 具箱中的PCHIP插值法进行插值，扩充为以分钟为时间间隔的雨量序列。
作为一个或多个实施例，所述S102：从若干个历史降雨量时间序列中，筛 选出与当前正进行的降雨量时间序列相关度大于设定阈值的若干个历史降雨量 时间序列；具体包括：
采用灰色关联分析，从若干个历史降雨量时间序列中，筛选出与当前正进 行的降雨量时间序列相关度大于设定阈值的若干个历史降雨量时间序列。
示例性的，灰色关联分是根据序列曲线几何形状的相似程度来判断其关联是 否紧密，进行灰色关联分析，可计算出与待预测降雨关联度大的降雨场次，具 体步骤如下：
①确定分析序列:选取参考时间序列为X0＝(x0(1),x0(2),...,x0(n))；比较时间序 列m个，分别为Xi＝(xi(1),xi(2),...,xi(n))，i＝1,2,...,m；
②变量的无量纲化:由于***中各因素列中的数据可能因量纲不同，不便于 比较或在比较时难以得到正确的结论。因此在进行灰色关联度分析时，一般都 要进行数据的无量纲化处理。将参考时间序列与比较时间序列各项除以该序列 的第一项，得无量纲化参考时间序列X'0，无量纲化比较时间序列X'i，如式(4)、 式(5)：
X0'＝(x0'(1)/x0'(1),x0'(2)/x0'(1),...,x0'(n)/x0'(1)) (4)
Xi'＝(xi'(1)/xi'(1),xi'(2)/xi'(1),...,xi'(n)/xi'(1)) (5)
③计算灰色关联系数：通过下式计算灰色关联系数：
其中，ρ称为分辨系数，取值区间为(0,1)，通常取ρ＝0.5。|x'0(k)-x'i|表示序 列X'0与X'i在第k点的绝对值。表示两序列两极最小绝对值。/>表示两序列两极最大绝对值。
④计算灰色关联度：通过下式计算灰色关联度：
其中，wk为各指标权重，一般取均值。
作为一个或多个实施例，所述S103：对相关度大于设定阈值的若干个历史 降雨量时间序列和当前正进行的降雨量时间序列，均进行分解，分别得到低频 分量和高频分量；具体步骤包括：
采用小波分解，对相关度大于设定阈值的若干个历史降雨量时间序列均进 行分解，得到每个历史降雨量时间序列对应的低频分量和高频分量；
采用小波分解，对当前正进行的降雨量时间序列进行分解，得到低频分量 和高频分量。
示例性的，通过matlab小波分析工具箱将选中场次历史降雨的雨量分解为 不同的频率。
作为一个或多个实施例，所述S104：对低频分量构建VAR模型进行预测， 得到低频分量预测量；具体步骤包括：
对若干个相关度大于设定阈值的历史降雨量时间序列，进行单位根检验， 筛选出若干个平稳的历史降雨量时间序列；
根据若干个平稳的历史降雨量时间序列，确定滞后期；
将每个平稳的历史降雨量时间序列对应的低频分量，和已确定的滞后期， 代入到VAR模型(矢量自回归模型，Vector Auto Regressive)中，利用最小二 乘法估计VAR模型中的参数，拟合出VAR模型的系数矩阵，得到构建好的VAR 模型；
将当前正进行的降雨量时间序列的低频分量，输入到构建好的VAR模型中， 输出低频分量的预测分量。
示例性的，通过eviews软件对低频数据构建VAR模型进行预测；VAR模型 计算流程图见图1。
作为一个或多个实施例，所述S104：对高频分量构建NAR神经网络进行预 测，得到高频分量预测量；具体步骤包括：
构建NAR神经网络(Nonlinear autoregressive artificial neural network非线性 自回归神经网络)；
构建训练集、验证集和测试集；所述训练集、验证集和测试集中所包含的 数据内容类型是一样的，数据比例不一样；其中，所述训练集为与当前正进行 的降雨量时间序列相关度大于设定阈值的若干个历史降雨量时间序列，以及每 个历史降雨量时间序列所对应的高频分量；在高频分量上，设置时间滑动窗口； 时间滑动窗口内的数据作为NAR神经网络的输入值，时间滑动窗口外的下一时 刻最近邻数据作为NAR神经网络的输出值；
利用训练集对NAR神经网络进行训练，得到训练好的NAR神经网络；
将当前正进行的降雨量时间序列的高频分量，输入到构建好的VAR模型中， 输出高频分量的预测分量。
示例性的，通过matlab工具箱对高频数据构建NAR神经网络进行预测。
NAR神经网络计算流程图见图2。
作为一个或多个实施例，所述S105：对低频分量预测量和高频分量预测量 进行重构，得到降雨量的预测量；具体步骤包括：
采用小波重构，对低频分量的预测分量和高频分量的预测分量进行重构， 得到降雨量的预测量。
示例性的，将不同频率经预测后的数据叠加即可得到正进行降雨的预测雨量 数据。本发明的整体流程图参见图3。
基于小波分解的VAR-NAR神经网络降雨预测模型，能对正进行降雨未来每 分钟雨量预测。为增加数据便于分析，利用PCHIP法在保留趋势情况下并以分 钟为单位插值；为减少序列的非平稳性并提高预测准确性，利用小波分解将雨量分解为不同频率；低频数据构建VAR模型进行预测，高频数据构建NAR神 经网络进行预测，各频率预测数据进行小波重构即为预测结果。模型能快速准 确地预测正进行降雨，且适用性较强。
实施例1。
徒骇河位于山东省海河流域南部，依次流经山东省聊城、德州、济南、滨州 4市，于滨州市沾化县东风港暴风站流入渤海湾，流域面积13296km2。徒骇河 流域多年平均降雨量为616.62mm，其径流主要补给来源为降雨，而降雨主要 集中于7-8月，汛期洪涝灾害较为频发，常出现旱涝交织或连旱连涝现象，对流 域内人民生命财产安全构成的威胁较大，严重制约了流域经济发展。因此本例选择徒骇河流域阳谷站9场历史降雨数据与第10场正进行降雨实时数据为例， 对正进行降雨进行雨量预测。
采用拉伊达准则对降雨数据中不合理值进行剔除，采用加权平均法对剔除数 据进行填补。数据清洗后将第1-9场降雨使用PCHIP插值法插值为1080个数据， 第10场降雨插值为540个数据。清洗前后雨量数据见表1。
表1：清洗前后历史雨量数据及实时雨量数据(单位mm)
采用灰色关联分析分别计算前9场降雨前540个降雨数据与第10场雨全540 个数据的灰色关联度，结果如表2：
表2：灰色关联度表
由表2，1-6场降雨与第10场降雨关联度大，7-9场关联度相对较小。但由 于本次研究降雨数据较少，不删除7-9场降雨，前9场降雨均予以考虑。
将10场降雨数据选用haar函数进行小波分解，分解为低频(d1-d5)与高频 (a5)，以第1场降雨为例，其各频率分解情况见图4(a)-图4(f)。
分别采用VAR模型及NAR神经网络对低频数据及高频数据进行预测，再将 低频数据与高频数据进行小波重构，得最终雨量预测值。
VAR模型预测结果图见图5(a)-图5(e)。
NAR神经网络预测结果图见图6。
最终雨量预测值结果图见图7。
结果表明，该模型预测的正进行降雨降雨量与实际数据较为贴近，误差仅为7.95％。
实施例2。
徒骇河位于山东省海河流域南部，依次流经山东省聊城、德州、济南、滨州 4市，于滨州市沾化县东风港暴风站流入渤海湾，流域面积13296km2。徒骇河 流域多年平均降雨量为616.62mm，其径流主要补给来源为降雨，而降雨主要 集中于7-8月，汛期洪涝灾害较为频发，常出现旱涝交织或连旱连涝现象，对流 域内人民生命财产安全构成的威胁较大，严重制约了流域经济发展。因此本例选择徒骇河流域东阿站6场历史降雨数据与第7场正进行降雨实时数据为例， 对正进行降雨进行雨量预测。
采用拉伊达准则对降雨数据中不合理值进行剔除，采用加权平均法对剔除数 据进行填补。数据清洗后将第1-6场降雨使用PCHIP插值法插值为780个数据， 第7场降雨插值为600个数据。清洗前后雨量数据见表3。
表3：清洗前后历史雨量数据及实时雨量数据(单位mm)
将7场降雨数据选用haar函数进行小波分解，分解为低频(d1-d5)与高频 (a5)，以第1场降雨为例，其各频率分解情况见图8(a)-图8(f)。
分别采用VAR模型及NAR神经网络对低频数据及高频数据进行预测，再将 低频数据与高频数据进行小波重构，得最终雨量预测值。
VAR模型预测结果图见图9(a)-图9(e)。
NAR神经网络预测结果图见图10。
最终雨量预测值结果图见图11。
结果表明，该模型预测的正进行降雨降雨量与实际数据较为贴近，误差仅为15.7％。
本发明的基于同流域历史降雨数据与正进行降雨的实时数据，对正进行降雨 未来每分钟雨量进行预测已经通过具体的实施例进行了描述。
实施例二
本实施例提供了基于小波分解的降雨预测***；
基于小波分解的降雨预测***，包括：
获取模块，其被配置为：获取若干个历史降雨量时间序列和当前正进行的 降雨量时间序列；
筛选模块，其被配置为：从若干个历史降雨量时间序列中，筛选出与当前 正进行的降雨量时间序列相关度大于设定阈值的若干个历史降雨量时间序列；
分解模块，其被配置为：对相关度大于设定阈值的若干个历史降雨量时间 序列和当前正进行的降雨量时间序列，均进行分解，分别得到低频分量和高频 分量；
预测模块，其被配置为：对低频分量构建VAR模型进行预测，得到低频分 量预测量；对高频分量构建NAR神经网络进行预测，得到高频分量预测量；
输出模块，其被配置为：对低频分量预测量和高频分量预测量进行重构， 得到降雨量的预测量。
此处需要说明的是，上述获取模块、筛选模块、分解模块、预测模块和输 出模块对应于实施例一中的步骤S101至S105，上述模块与对应的步骤所实现的 示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是， 上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中 执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部 分可以参见其他实施例的相关描述。
所提出的***，可以通过其他的方式实现。例如，以上所描述的***实施 例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实 现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一 个***，或一些特征可以忽略，或不执行。
实施例三
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个 存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个 或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存 储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方 法。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是 其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵 列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组 件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数 据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存 储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电 路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中 的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读 存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟 的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其 硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算 法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能 究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。 专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但 是这种实现不应认为超出本申请的范围。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述 计算机指令被处理器执行时，完成实施例一所述的方法。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领 域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则 之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之 内。

Claims (5)

1.基于小波分解的降雨预测方法，其特征是，包括：
步骤1：获取若干个初始历史降雨量时间序列和初始当前正进行的降雨量时间序列；
步骤2：对获取的所有时间序列进行数据清洗，对数据清洗后的数据进行数据填补，对数据填补后的数据进行数据插值处理，具体是雨量数据的序列一般时间间隔较大，为增加数据便于分析，通过MATLAB cftool工具箱中的PCHIP插值法进行插值，扩充为以分钟为时间间隔的雨量序列，最终获得若干个历史降雨量时间序列和当前正进行的降雨量时间序列；
步骤2中，对数据清洗后的数据进行数据填补，包括：
若待填补降雨含N个测量值，待填补点为i，首先分别计算余下N-1个点距i点时间间隔，再以时间间隔为距离进行反距离求权，然后将N-1个权重值与其对应雨量值之积进行累加得反距离加权值Ai，最后给予Ai与原始值Bi各50％权重可得加权平均法填补结果Pi：
Pi＝Ai*0.5+Bi*0.5
其中，ωn为第n点权重，Ln为第n点距i点时间间隔，Ai为反距离加权值，Bi为i点原始值；
步骤3：采用灰色关联分析，从若干个历史降雨量时间序列中，筛选出与当前正进行的降雨量时间序列相关度大于设定阈值的若干个历史降雨量时间序列，包括：
计算灰色关联度，通过下式计算灰色关联度r0'i：
其中，ζi(k)为灰色关联系数，wk为各指标权重；
步骤4：采用小波分解，对相关度大于设定阈值的若干个历史降雨量时间序列均进行分解，得到每个相关度大于设定阈值的历史降雨量时间序列对应的高频分量和低频分量；采用小波分解，对当前正进行的降雨量时间序列进行分解，得到高频分量和低频分量，包括：通过MATLAB小波分析工具箱将选中场次历史降雨的雨量分解为不同的频率；
步骤5：对低频分量构建VAR模型进行预测，得到低频分量预测量；对高频分量构建NAR神经网络进行预测，得到高频分量预测量；
步骤5中，对低频分量构建VAR模型进行预测，得到低频分量预测量，具体步骤包括：
对若干个相关度大于设定阈值的历史降雨量时间序列，进行单位根检验，筛选出若干个平稳的历史降雨量时间序列；
根据若干个平稳的历史降雨量时间序列，确定滞后期；
将每个平稳的历史降雨量时间序列对应的低频分量，和已确定的滞后期，代入到VAR模型中，利用最小二乘法估计VAR模型中的参数，拟合出VAR模型的系数矩阵，得到构建好的VAR模型；
将当前正进行的降雨量时间序列的低频分量，输入到构建好的VAR模型中，输出低频的预测分量；
步骤5中，对高频分量构建NAR神经网络进行预测，得到高频分量预测量；具体步骤包括：
构建NAR神经网络；
构建训练集、验证集和测试集；所述训练集、验证集和测试集中所包含的数据内容类型是一样的，数据比例不一样；其中，所述训练集为与当前正进行的降雨量时间序列相关度大于设定阈值的若干个历史降雨量时间序列，以及每个历史降雨量时间序列所对应的高频分量；在高频分量上，设置时间滑动窗口；时间滑动窗口内的数据作为NAR神经网络的输入值，时间滑动窗口外的下一时刻最近邻数据作为NAR神经网络的输出值；
利用训练集对NAR神经网络进行训练，得到训练好的NAR神经网络；
将当前正进行的降雨量时间序列的高频分量，输入到构建好的VAR模型中，输出高频分量的预测分量；
步骤6：对低频分量预测量和高频分量预测量进行重构，得到降雨量的预测量。
2.如权利要求1所述的方法，其特征是，对获取的所有时间序列进行数据清洗剔除异常数据；是采用拉依达准则，对获取的所有时间序列进行数据清洗剔除异常数据；对数据清洗后的数据进行数据填补；是采用加权平均法对数据清洗后的数据进行数据填补；对数据填补后的数据进行数据插值处理；具体是采用三次方样条数据插值方法进行插值处理。
3.基于小波分解的降雨预测***，其特征是，包括：
获取模块，其被配置为：获取若干个初始历史降雨量时间序列和初始当前正进行的降雨量时间序列；
对获取的所有时间序列进行数据清洗，对数据清洗后的数据进行数据填补，对数据填补后的数据进行数据插值处理，具体是雨量数据的序列一般时间间隔较大，为增加数据便于分析，通过MATLAB cftool工具箱中的PCHIP插值法进行插值，扩充为以分钟为时间间隔的雨量序列，最终获得若干个历史降雨量时间序列和当前正进行的降雨量时间序列；
对数据清洗后的数据进行数据填补，包括：
若待填补降雨含N个测量值，待填补点为i，首先分别计算余下N-1个点距i点时间间隔，再以时间间隔为距离进行反距离求权，然后将N-1个权重值与其对应雨量值之积进行累加得反距离加权值Ai，最后给予Ai与原始值Bi各50％权重可得加权平均法填补结果Pi：
Pi＝Ai*0.5+Bi*0.5
其中，ωn为第n点权重，Ln为第n点距i点时间间隔，Ai为反距离加权值，Bi为i点原始值；
筛选模块，其被配置为：采用灰色关联分析，从若干个历史降雨量时间序列中，筛选出与当前正进行的降雨量时间序列相关度大于设定阈值的若干个历史降雨量时间序列，包括：
计算灰色关联度，通过下式计算灰色关联度r0'i：
其中，ζi(k)为灰色关联系数，wk为各指标权重；
分解模块，其被配置为：采用小波分解，对相关度大于设定阈值的若干个历史降雨量时间序列均进行分解，得到每个相关度大于设定阈值的历史降雨量时间序列对应的高频分量和低频分量；采用小波分解，对当前正进行的降雨量时间序列进行分解，得到高频分量和低频分量，包括：通过MATLAB小波分析工具箱将选中场次历史降雨的雨量分解为不同的频率；
预测模块，其被配置为：对低频分量构建VAR模型进行预测，得到低频分量预测量；对高频分量构建NAR神经网络进行预测，得到高频分量预测量；
对低频分量构建VAR模型进行预测，得到低频分量预测量，具体步骤包括：
对若干个相关度大于设定阈值的历史降雨量时间序列，进行单位根检验，筛选出若干个平稳的历史降雨量时间序列；
根据若干个平稳的历史降雨量时间序列，确定滞后期；
将每个平稳的历史降雨量时间序列对应的低频分量，和已确定的滞后期，代入到VAR模型中，利用最小二乘法估计VAR模型中的参数，拟合出VAR模型的系数矩阵，得到构建好的VAR模型；
将当前正进行的降雨量时间序列的低频分量，输入到构建好的VAR模型中，输出低频的预测分量；
对高频分量构建NAR神经网络进行预测，得到高频分量预测量；具体步骤包括：
构建NAR神经网络；
构建训练集、验证集和测试集；所述训练集、验证集和测试集中所包含的数据内容类型是一样的，数据比例不一样；其中，所述训练集为与当前正进行的降雨量时间序列相关度大于设定阈值的若干个历史降雨量时间序列，以及每个历史降雨量时间序列所对应的高频分量；在高频分量上，设置时间滑动窗口；时间滑动窗口内的数据作为NAR神经网络的输入值，时间滑动窗口外的下一时刻最近邻数据作为NAR神经网络的输出值；
利用训练集对NAR神经网络进行训练，得到训练好的NAR神经网络；
将当前正进行的降雨量时间序列的高频分量，输入到构建好的VAR模型中，输出高频分量的预测分量；
输出模块，其被配置为：对低频分量预测量和高频分量预测量进行重构，得到降雨量的预测量。
4.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述权利要求1-2任一项所述的方法。
5.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-2任一项所述的方法。
CN202011126981.6A 2020-10-20 2020-10-20 基于小波分解的降雨预测方法及*** Active CN112241813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011126981.6A CN112241813B (zh) 2020-10-20 2020-10-20 基于小波分解的降雨预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011126981.6A CN112241813B (zh) 2020-10-20 2020-10-20 基于小波分解的降雨预测方法及***

Publications (2)

Publication Number Publication Date
CN112241813A CN112241813A (zh) 2021-01-19
CN112241813B true CN112241813B (zh) 2024-01-23

Family

ID=74169393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011126981.6A Active CN112241813B (zh) 2020-10-20 2020-10-20 基于小波分解的降雨预测方法及***

Country Status (1)

Country Link
CN (1) CN112241813B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408211B (zh) * 2021-07-12 2022-02-11 中国水利水电科学研究院 基于机器学习的城市内涝积水点积水过程预测方法及***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106384170A (zh) * 2016-09-24 2017-02-08 华北电力大学（保定） 基于小波分解与重构的时间序列风速预测方法
CN107885951A (zh) * 2017-11-27 2018-04-06 河海大学 一种基于组合模型的水文时间序列预测方法
CN109239807A (zh) * 2018-06-29 2019-01-18 平安科技（深圳）有限公司 降雨量评估方法及***和终端
CN111178573A (zh) * 2019-09-26 2020-05-19 深圳市东深电子股份有限公司 一种基于灰色关联分析法的洪水动态预测方法
CN111262873A (zh) * 2020-01-20 2020-06-09 安徽大学 一种基于小波分解的用户登录特征预测方法及其装置
CN111487624A (zh) * 2020-04-23 2020-08-04 上海眼控科技股份有限公司 一种预测降雨量的方法与设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106384170A (zh) * 2016-09-24 2017-02-08 华北电力大学（保定） 基于小波分解与重构的时间序列风速预测方法
CN107885951A (zh) * 2017-11-27 2018-04-06 河海大学 一种基于组合模型的水文时间序列预测方法
CN109239807A (zh) * 2018-06-29 2019-01-18 平安科技（深圳）有限公司 降雨量评估方法及***和终端
CN111178573A (zh) * 2019-09-26 2020-05-19 深圳市东深电子股份有限公司 一种基于灰色关联分析法的洪水动态预测方法
CN111262873A (zh) * 2020-01-20 2020-06-09 安徽大学 一种基于小波分解的用户登录特征预测方法及其装置
CN111487624A (zh) * 2020-04-23 2020-08-04 上海眼控科技股份有限公司 一种预测降雨量的方法与设备

Also Published As

Publication number Publication date
CN112241813A (zh) 2021-01-19

Similar Documents

Publication Publication Date Title
Wang et al. Wavelet network model and its application to the prediction of hydrology
CN111310981B (zh) 一种基于时间序列的水库水位趋势预测方法
CN112288193A (zh) 基于注意力机制的gru深度学习的海洋站表层盐度预测方法
CN109886477B (zh) 水污染的预测方法、装置及电子设备
CN113516203B (zh) 内涝预测模型的训练方法、模型及预测方法和存储装置
CN112241813B (zh) 基于小波分解的降雨预测方法及***
CN104573371A (zh) 基于最优小波包变换和ar-svm的非平稳风速预测方法
CN115829157A (zh) 基于变分模态分解和Autoformer模型的化工水质指标预测方法
CN115169702A (zh) 一种基于EEMD-LSTNet的水质参数预测方法及***
CN116933033A (zh) 基于arima模型的河道水位越限预测方法及***
CN117613905B (zh) 一种基于多维分量分解的电力需求中期预测方法及***
CN116956120A (zh) 一种基于改进的tft模型对水质非平稳时间序列的预测方法
CN112100711A (zh) 一种基于arima和pso-elm的混凝土坝变形组合预报模型构建方法
CN103488882A (zh) 一种水工建筑物安全自动化监测***降噪方法
CN106815659B (zh) 一种基于混合模型的超短期太阳辐射预测方法及其装置
CN105426991A (zh) 一种变压器缺陷率预测的方法和***
CN114943189B (zh) 一种基于XGboost的声速剖面反演方法及***
CN116341391A (zh) 基于STPM-XGBoost模型的降水预测方法
CN114707687B (zh) 基于热带大气次季节振荡信号的旬降水预测方法和***
CN115217152A (zh) 一种沉管隧道管节接头张合变形的预测方法及装置
Condeixa et al. Wind speed time series analysis using TBATS decomposition and moving blocks bootstrap
CN111382891B (zh) 短期负荷预测方法和短期负荷预测装置
Bader et al. Automated threshold selection for extreme value analysis via Goodness-of-Fit tests with application to batched return level mapping
CN110659442A (zh) ***及其数据短期预测方法和装置、存储介质
Imro'ah The MODWT-ARIMA Model in Forecasting The COVID-19 Cases

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