CN112734091A - 一种水库水位模型预测方法 - Google Patents
一种水库水位模型预测方法 Download PDFInfo
- Publication number
- CN112734091A CN112734091A CN202011611776.9A CN202011611776A CN112734091A CN 112734091 A CN112734091 A CN 112734091A CN 202011611776 A CN202011611776 A CN 202011611776A CN 112734091 A CN112734091 A CN 112734091A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- water level
- prediction method
- model prediction
- amount
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 11
- 230000008020 evaporation Effects 0.000 claims description 10
- 238000001704 evaporation Methods 0.000 claims description 10
- 239000008235 industrial water Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000013138 pruning Methods 0.000 claims description 3
- 230000001373 regressive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000011295 pitch Substances 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 235000010918 Cudrania tricuspidata Nutrition 0.000 description 1
- 241000218211 Maclura Species 0.000 description 1
- 241001523380 Maclura tricuspidata Species 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 240000006413 Prunus persica var. persica Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012706 support-vector machine 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
Abstract
本发明涉及水库监测技术领域，尤其为一种水库水位模型预测方法，包括如下步骤：步骤1：采集选定水库的信息数据；步骤2：选定时刻t，根据采集的信息量回归得到t时刻在不同位置的多个水位；步骤3：取t时刻多个水位的平均值；步骤4：通过得到的水位平均值和变化量来预测一定时间后的水位量；本发明使用到机器学习、压缩感知、神经网络以及深度学习等前沿实用的技术，利用气象、水文大数据对水库水位进行实时预估，将大数据科学的理论方法应用到水文领域，保证了对水库水位的实时预测，以便于提前做好防范。
Description
技术领域
本发明涉及水库监测技术领域，尤其是一种水库水位模型预测方法。
背景技术
目前我国主要采用了传感设备监控和人为监控两种方法共同进行的方式来对水库水位的监测，以确保对水库水位信息的实时掌控。这样的实时监控方法能够有效地监控水库，但是也存在不足，主要体现在时间上的滞后性，设备监控和人为监控两种方法均为被动监控，在水位改变以后才能观测到，并且对于未来的水位变化难以有一个科学的判断。事实上，当险情发生的时候，水位变化是极为迅速的,没有***将会导致只能仓促地应对险情。例如，尽管气象部门已经提前预报了今年7月3日之后长江中下游沿江地区及江淮﹑西南东部等地将会出现连续的强降雨过程，截止到7月6日，武汉市的277座水库中依然有190座超出汛限水位而发生溢洪，整座城市严重内涝，交通、供电等基本瘫痪，带来了非常重大的负面影响，也造成了十分巨大的经济损失。在抗洪救灾过程中，水库调度可以起到至关重要的作用。例如7 月4日，湖南资水中游柘溪水库﹑沅江下游五强溪水库﹑江西修水柘林水库充分发挥拦洪削峰作用，分别削减洪峰15400立方米每秒、11600立方米每秒、 5240立方米每秒。若无柘溪水库拦蓄洪水，益阳市区﹑桃江县城将遭受灭顶之灾；五强溪水库降低沅江下游桃源﹑常德站洪峰水位约4-5米；柘林水库降低下游水位4米以上。可以看到，水库在抗洪过程中，起到了至关重要的作用。而对水库水位的实时监控，乃至预测﹑预警，都是水库发挥其应有作用的必要保障，鉴于此，我们提出一种水库水位模型预测方法。
发明内容
本发明的一个目的是通过提出一种水库水位模型预测方法，以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下：包括如下步骤：
步骤1：采集选定水库的信息数据；
步骤2：选定时刻t，根据采集的信息量回归得到t时刻在不同位置的多个水位；
步骤3：取t时刻多个水位的平均值；
步骤4：通过得到的水位平均值和变化量来预测一定时间后的水位量。
作为本发明的一种优选技术方案：所述步骤1中水库的信息数据为水库的增加量和减少量。
作为本发明的一种优选技术方案：所述水库的增加量包括降雨量和流入量。
作为本发明的一种优选技术方案：所述水库的减少量包括蒸发量、工业供水量、生活供水量、农业供水量、水库流出量。
作为本发明的一种优选技术方案：所述t时刻的水库水位计算公式为：
RWLt＝RWLt-1+ΔtRF+ΔtRI-ΔtEVA
-ΔtIWS-ΔtDWS-ΔtAWS-ΔtRO，
其中RW Lt、RW Lt-1分别表示t、t-1时刻水库水位，ΔtRF、ΔtRI、ΔtEV A，ΔtIW S、ΔtDW S、ΔtAW S、ΔtRO分别表示t-1时刻到t时刻，Δt 时间内的降雨量、水库流入量、蒸发量、工业用水、生活用水、农业用水、水库流出量。
作为本发明的一种优选技术方案：所述步骤4中的变化量包括降雨量、温度、湿度、季节以及开放闸数据。
作为本发明的一种优选技术方案：所述预测水位的公式如下：
RW Lt～RW Lt-1+ΔtRF+ΔtTEM+ΔtHUM+ΔtSEA，
其中RW Lt表示t时刻的水库水位。
作为本发明的一种优选技术方案：所述信息量回归可采用多元线性回归、随机森林、高斯过程、压缩感知、神经网络、深度学习算法中的任意一种。
作为本发明的一种优选技术方案：所述多元线性回归算法的算法包括如下步骤：
给一个随机样本(Yi，Xi1，…，Xip)，i＝1，…，n，一个线性回归模型假设回归子Yi和回归量Xi1之间的关系是除了X的影响以外，还有其他的变数存在；加入一个随机变量形式的误差项εi；来捕获除了Xi1，…，Xip之外任何对Y 的影响；表现形式如下：
Yi＝β0+β1Xi1+β2Xi2+...+βpXip+εi，i＝1，...，n。
作为本发明的一种优选技术方案：所述随机森林算法包括如下步骤：
用N来表示训练用例的个数，M表示特征数目；输入特征数目m，用于确定决策树上一个节点的决策结果，其中m远小于M；从N个训练用例中以有放回抽样的方式，取样N次，形成一个训练集，并用未抽到的用例作预测，评估其误差；对于每一个节点，随机选择m个特征，决策树上每个节点的决定都是基于这些特征确定的；根据这m个特征，计算其最佳的***方式；每棵树都会完整生长且不会剪枝，在建完一棵正常树状分类器后才剪枝。
本发明使用到机器学习、压缩感知、神经网络以及深度学习等前沿实用的技术，利用气象、水文大数据对水库水位进行实时预估，将大数据科学的理论方法应用到水文领域，保证了对水库水位的实时预测，以便于提前做好防范。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合，下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
本发明优选实施例提供了一种水库水位模型预测方法，包括如下步骤：
步骤1：采集选定水库的信息数据；
步骤2：选定时刻t，根据采集的信息量回归得到t时刻在不同位置的多个水位；
步骤3：取t时刻多个水位的平均值；
步骤4：通过得到的水位平均值和变化量来预测一定时间后的水位量。
水库水位的升降是水库中水增加和减少的结果。其中水库水量的减少包括蒸发量、工业供水量、生活供水量、农业供水量、水库流出量等。水库水量的增加量包括降雨量、流入量。理想情况下，如果我们可以测量到所有的这些量，那么预测t时刻的水库水位(RWL)可以根据：
RWLt＝RWLt-1+ΔtRF+ΔtRI-ΔtEVA
-ΔtIWS-ΔtDWS-ΔtAWS-ΔtRO
来计算，其中RW Lt、RW Lt-1分别表示t、t-1时刻水库水位，ΔtRF、ΔtRI、ΔtEV A，ΔtIW S、ΔtDW S、ΔtAW S、ΔtRO分别表示t-1时刻到t时刻，Δt时间内的降雨量、水库流入量、蒸发量、工业用水、生活用水、农业用水、水库流出量。
但水库流入量、蒸发量、工业用水、生活用水、农业用水、水库流出量数据都较难测量，而且Δt时间内的这些量，我们实际上只能在t时刻才能测量得到，也即不能提前得到这些数据。由于在水库水位预测任务重往往需要一定时间作为提前量，这样才能进行预警，疏散群众等等，因此使用各种传感器测得的这些量的t时刻数据是无法用于实际水位预测任务中的。
由于蒸发量、工业用水、生活用水、农业用水，在很大程度上会受气象因素(比如：温度、湿度、季节等)的影响。例如在夏季或者温度高的时候，蒸发量大、生活用水、农业用水都比较大；而在冬季或者寒冷的时候，生活用水比较少。这些气象因素很相对容易获取，且水库流入量和流出量这两个因素在单位时间内不考虑水位开放闸门的情况下是相对固定的。因此，我们可以考虑利用气象数据来预测水位。具体地，可以利用降雨量、温度、湿度、季节来预测水位的变化，其回归公式如下：
RW Lt～RW Lt-1+ΔtRF+ΔtTEM+ΔtHUM+ΔtSEA，
其中RW Lt表示t时刻的水库水位，可以由t-1时刻的水库水位、降雨量、温度、湿度以及季节等因素回归得到。综合上面的分析，影响水库水位的因素有降雨量、流入量、蒸发量、工业供水量、生活供水量、农业供水量、水库流出量等等，但由于其中绝大部分因素实际中都难以获得或者无法用于预测任务。考虑到这些因素和气象数据、开放闸等调度操作有着密切联系，而且气象和开放闸操作等数据是容易获取的，因此我们可以考虑使用气象(降雨量、温度、湿度、季节)和开放闸等数据来预测水库水位的变化。
本实施例中：以多元线性回归算法为例；包括如下步骤：
给一个随机样本(Yi，Xi1，…，Xip)，i＝1，…，n，一个线性回归模型假设回归子Yi和回归量Xi1之间的关系是除了X的影响以外，还有其他的变数存在；加入一个随机变量形式的误差项εi；来捕获除了Xi1，…，Xip之外任何对Y 的影响；表现形式如下：
Yi＝β0+β1Xi1+β2Xi2+...+βpXip+εi，i＝1....，n。
实施例2：
与实施例1的不同之处在于：采用随机森林算法；
包括如下步骤：
用N来表示训练用例的个数，M表示特征数目；输入特征数目m，用于确定决策树上一个节点的决策结果，其中m远小于M；从N个训练用例中以有放回抽样的方式，取样N次，形成一个训练集，并用未抽到的用例作预测，评估其误差；对于每一个节点，随机选择m个特征，决策树上每个节点的决定都是基于这些特征确定的；根据这m个特征，计算其最佳的***方式；每棵树都会完整生长且不会剪枝，在建完一棵正常树状分类器后才剪枝。
下面本实施例通过一个实验来证明：
针对深圳市七沥、石岩、铁岗和长流陂四个水库2014年到2016年水库水位数据和降雨量数据进行了初步的水位预测。由于没有其他气象数据以及水库之间相互之间的地理信息，前期的结果是以地理上相对独立的七沥水库为例做出的初步预测，相信使用气象数据改进模型后，结果将会有很大的提升。具体来说，前期的实验是利用降雨量数据来预测水库水位的变化，回归模型如下：
RWLt～RWLt-1+Δt-1RF
RWLt，是t时间段的平均水位，RW Lt-1是t-1时间段的平均水位，Δt-1是 t-1时间段的降雨量。在本次实验中对未来一个小时、一天、三天后的平均水位进行了预测。由于所取得的数据中同一个时间段内可能有多个水位，本次实验中取了这些数据的平均值，后期可以根据需求进行调整。
首先可以使用前一个小时候的降雨量和前一个小时的水位来预测后一个小时的水位。由于问题倾向于线性模型，前期出于简化，可以考虑使用多元线性回归。Adjusted RSquare(调整的R方，又称拟合优度，最大值是1)值为0.999991669，这意味着我们的模型对数据的拟合非常的理想。回归系数和相关的显著性检验如表1所示，可以看到两个系数和常数项都是显著的。此外，模型也有着很好的解释性，RW Lt,大约等于一倍的RW Lt-1加上2倍的降雨量△t-1，其中降雨量的单位是毫米，水位的单位是米，相差1000倍。
表1一小时预测模型系数和检验
使用前一个天的降雨量、后一天的降雨量和前一个天的水位，来预测后一个天的水位。同样的，我们使用多元线性回归。Adjusted R Square(调整的R方，又称拟合优度，最大值是1)值为0.999235，这意味着此模型对数据拟合的非常理想。回归系数和相关的显著性检验如表2所示，可以看到三个系数和常数项都是显著的。
表2一天预测模型系数和检验
同样的使用多元线性回归利用降雨量和前三个天的水位来预测后三天的水位。Adjusted R Square(调整的R方，又称拟合优度，最大值是1)是 0.996154475,这意味着我们的模型对数据的拟合比较的理想。回归系数和相关的显著性检验如表3所示，可以看到系数项都是显著的。
| CoefficientS | 标准误差 | t Stat | P-value | |
| Intercept | 0.09645 | 0.095302 | 1.012045 | 0.311931 |
| t-3时刻水位 | 0.996627 | 0.002689 | 370.6631 | 0 |
| t-3时刻降雨量 | 0.0046 | 0.000299 | 15.38885 | 3.47E-45 |
| t-2时刻降雨量 | 0.005617 | 0.000296 | 18.9623 | 5.44E-63 |
| t-1时刻降雨量 | 0.004741 | 0.000296 | 16.01507 | 3.28E-48 |
| t时刻降雨量 | 0.001373 | 0.000293 | 4.68913 | 3.41E-06 |
表3三天预测模型系数和检验
在其他实施例中，回归算法还可以是其他算法，例如高斯算法：
高斯过程是基于统计学习理论和贝叶斯理论发展起来的一种机器学习方法，适于处理高维度、小样本和非线性等复杂的回归问题，且泛化能力强。与神经网络、支持向量机相比，高斯过程具有容易实现、超参数自适应获取、非参数推断灵活以及输出具有概率意义等优点。
高斯过程既可以用于分类，也可以用于回归。由于水库水位预测问题是一个回归问题，因此本发明中重点介绍高斯过程在回归问题的应用，其基本形式如下：
yi＝f(xi)+∈i，i＝1，2，...，n，
其中，c，表示独立同分布的高斯噪声，隐变量f假设高斯过程先验。实际中，由于数据是有限的，f常常是一个多维高斯分布，可以表示为
其中μg是均值。出于简化表达式的考虑，常常假设μg＝0。K，表示协方差矩阵，式子(Kg)i，j＝cov(f(xi)，f(xj))＝k(xi，xj；θ)中的k表示一个核函数。由于εi是独立同分布的高斯分布，因此有
其中
表示噪声的方差，I表示单位阵。经过简单的推导可以得到下面的式子：
这里有
在实际应用中，为了学习超参数σg，和θ，一般使用最大边际似然函数，最小化负的对数边际似然，即等价于最小化下面的式子：
在学习到了超参数σg，和θ之后就可以做预测了。对于任意的x*∈RD，预测的分布如下
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种水库水位模型预测方法，其特征在于：包括如下步骤：
步骤1：采集选定水库的信息数据；
步骤2：选定时刻t，根据采集的信息量回归得到t时刻在不同位置的多个水位；
步骤3：取t时刻多个水位的平均值；
步骤4：通过得到的水位平均值和变化量来预测一定时间后的水位量。
2.根据权利要求1所述的水库水位模型预测方法，其特征在于：所述步骤1中水库的信息数据为水库的增加量和减少量。
3.根据权利要求2所述的水库水位模型预测方法，其特征在于：所述水库的增加量包括降雨量和流入量。
4.根据权利要求2所述的水库水位模型预测方法，其特征在于：所述水库的减少量包括蒸发量、工业供水量、生活供水量、农业供水量、水库流出量。
5.根据权利要求1所述的水库水位模型预测方法，其特征在于：所述t时刻的水库水位计算公式为：
RWLt＝RWLt-1+ΔtRF+ΔtRI-ΔtEVA-ΔtIWS-ΔtDWS-ΔtAWS-ΔtRO，
其中RW Lt、RW Lt-1分别表示t、t-1时刻水库水位，ΔtRF、ΔtRI、ΔtEV A，ΔtIW S、ΔtDWS、ΔtAW S、ΔtRO分别表示t-1时刻到t时刻，Δt时间内的降雨量、水库流入量、蒸发量、工业用水、生活用水、农业用水、水库流出量。
6.根据权利要求1所述的水库水位模型预测方法，其特征在于：所述步骤4中的变化量包括降雨量、温度、湿度、季节以及开放闸数据。
7.根据权利要求6所述的水库水位模型预测方法，其特征在于：所述预测水位的公式如下：
RWLt～RWLt-1+ΔtRF+ΔtTEM+ΔtHUM+ΔtSEA，
其中RWLt表示t时刻的水库水位。
8.根据权利要求6所述的水库水位模型预测方法，其特征在于：所述信息量回归可采用多元线性回归、随机森林、高斯过程、压缩感知、神经网络、深度学习算法中的任意一种。
9.根据权利要求8所述的水库水位模型预测方法，其特征在于：所述多元线性回归算法的算法包括如下步骤：
给一个随机样本(Yi，Xi1，…，Xip)，i＝1，…，n，一个线性回归模型假设回归子Yi和回归量Xi1之间的关系是除了X的影响以外，还有其他的变数存在；加入一个随机变量形式的误差项εi；来捕获除了Xi1，…，Xip之外任何对Y的影响；表现形式如下：
Yi＝β0+β1Xi1+β2Xi2+...+βpXip+εi，i＝1，...，n。
10.根据权利要求8所述的水库水位模型预测方法，其特征在于：所述随机森林算法包括如下步骤：
用N来表示训练用例的个数，M表示特征数目；输入特征数目m，用于确定决策树上一个节点的决策结果，其中m远小于M；从N个训练用例中以有放回抽样的方式，取样N次，形成一个训练集，并用未抽到的用例作预测，评估其误差；对于每一个节点，随机选择m个特征，决策树上每个节点的决定都是基于这些特征确定的；根据这m个特征，计算其最佳的***方式；每棵树都会完整生长且不会剪枝，在建完一棵正常树状分类器后才剪枝。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011611776.9A CN112734091A (zh) | 2020-12-30 | 2020-12-30 | 一种水库水位模型预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011611776.9A CN112734091A (zh) | 2020-12-30 | 2020-12-30 | 一种水库水位模型预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112734091A true CN112734091A (zh) | 2021-04-30 |
Family
ID=75610310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011611776.9A Pending CN112734091A (zh) | 2020-12-30 | 2020-12-30 | 一种水库水位模型预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112734091A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113538858A (zh) * | 2021-07-15 | 2021-10-22 | 华能澜沧江水电股份有限公司 | 一种水电站排水区防汛预警装置及预警方法 |
| CN114021836A (zh) * | 2021-11-16 | 2022-02-08 | 电子科技大学 | 基于不同角度融合的多变量水库入水量预测***、训练方法及应用 |
| CN116341769A (zh) * | 2023-05-30 | 2023-06-27 | 山东科技大学 | 一种基于贝叶斯超参数优化的神经网络的余水位预报方法 |
| CN116882215A (zh) * | 2023-09-07 | 2023-10-13 | 北京国信华源科技有限公司 | 一种多要素的自激励预警方法 |
| CN117689501A (zh) * | 2024-02-03 | 2024-03-12 | 深圳市广汇源环境水务有限公司 | 一种水库防汛动态预报预警方法及***平台 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105843942A (zh) * | 2016-04-01 | 2016-08-10 | 浙江大学城市学院 | 一种基于大数据技术的城市防汛决策支持*** |
| CN109978235A (zh) * | 2019-03-04 | 2019-07-05 | 宁波市气象服务中心 | 一种基于样本学习的积涝水位预测方法 |
| CN110991687A (zh) * | 2019-09-26 | 2020-04-10 | 深圳市东深电子股份有限公司 | 一种基于经验模型的水资源调度优化方法 |
| CN111753461A (zh) * | 2020-05-12 | 2020-10-09 | 中山大学 | 潮汐水位修正方法、目标余水位获取方法、装置和设备 |
| CN111811575A (zh) * | 2020-07-17 | 2020-10-23 | 河南省南阳水文水资源勘测局 | 一种水文设备远程监测*** |
-
2020
- 2020-12-30 CN CN202011611776.9A patent/CN112734091A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105843942A (zh) * | 2016-04-01 | 2016-08-10 | 浙江大学城市学院 | 一种基于大数据技术的城市防汛决策支持*** |
| CN109978235A (zh) * | 2019-03-04 | 2019-07-05 | 宁波市气象服务中心 | 一种基于样本学习的积涝水位预测方法 |
| CN110991687A (zh) * | 2019-09-26 | 2020-04-10 | 深圳市东深电子股份有限公司 | 一种基于经验模型的水资源调度优化方法 |
| CN111753461A (zh) * | 2020-05-12 | 2020-10-09 | 中山大学 | 潮汐水位修正方法、目标余水位获取方法、装置和设备 |
| CN111811575A (zh) * | 2020-07-17 | 2020-10-23 | 河南省南阳水文水资源勘测局 | 一种水文设备远程监测*** |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113538858A (zh) * | 2021-07-15 | 2021-10-22 | 华能澜沧江水电股份有限公司 | 一种水电站排水区防汛预警装置及预警方法 |
| CN114021836A (zh) * | 2021-11-16 | 2022-02-08 | 电子科技大学 | 基于不同角度融合的多变量水库入水量预测***、训练方法及应用 |
| CN114021836B (zh) * | 2021-11-16 | 2023-05-16 | 电子科技大学 | 基于不同角度融合的多变量水库入水量预测***、训练方法及应用 |
| CN116341769A (zh) * | 2023-05-30 | 2023-06-27 | 山东科技大学 | 一种基于贝叶斯超参数优化的神经网络的余水位预报方法 |
| CN116882215A (zh) * | 2023-09-07 | 2023-10-13 | 北京国信华源科技有限公司 | 一种多要素的自激励预警方法 |
| CN116882215B (zh) * | 2023-09-07 | 2023-12-29 | 北京国信华源科技有限公司 | 一种多要素的自激励预警方法 |
| CN117689501A (zh) * | 2024-02-03 | 2024-03-12 | 深圳市广汇源环境水务有限公司 | 一种水库防汛动态预报预警方法及***平台 |
| CN117689501B (zh) * | 2024-02-03 | 2024-05-14 | 深圳市广汇源环境水务有限公司 | 一种水库防汛动态预报预警方法及***平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fan et al. | Comparison of Support Vector Machine and Extreme Gradient Boosting for predicting daily global solar radiation using temperature and precipitation in humid subtropical climates: A case study in China | |
| Fan et al. | Empirical and machine learning models for predicting daily global solar radiation from sunshine duration: A review and case study in China | |
| CN112734091A (zh) | 一种水库水位模型预测方法 | |
| Schoof et al. | Downscaling temperature and precipitation: A comparison of regression‐based methods and artificial neural networks | |
| Robertson et al. | A Bayesian approach to predictor selection for seasonal streamflow forecasting | |
| Dong et al. | Enhancing short-term forecasting of daily precipitation using numerical weather prediction bias correcting with XGBoost in different regions of China | |
| Wang et al. | Spatio-temporal changes of precipitation and temperature over the Pearl River basin based on CMIP5 multi-model ensemble | |
| Huang et al. | Fuzzy neural network and LLE algorithm for forecasting precipitation in tropical cyclones: comparisons with interpolation method by ECMWF and stepwise regression method | |
| Coutinho et al. | Application of artificial neural networks (ANNs) in the gap filling of meteorological time series | |
| CN114707688A (zh) | 基于卫星云图和时空神经网络的光伏功率超短期预测方法 | |
| Guo et al. | Prediction of daily crop reference evapotranspiration (ET0) values through a least-squares support vector machine model | |
| Ellenburg et al. | The role of evapotranspiration in streamflow modeling–An analysis using entropy | |
| Rust et al. | Mapping weather-type influence on Senegal precipitation based on a spatial–temporal statistical model | |
| Lund et al. | Temperature trends in the United States | |
| Ghamariadyan et al. | Monthly rainfall forecasting using temperature and climate indices through a hybrid method in Queensland, Australia | |
| Shiri | Prediction vs. estimation of dewpoint temperature: assessing GEP, MARS and RF models | |
| Chen et al. | Sub-daily soil moisture estimate using dynamic Bayesian model averaging | |
| Shakeri et al. | Projection of important climate variables in large cities under the CMIP5–RCP scenarios using SDSM and fuzzy downscaling models | |
| Wu et al. | A novel bayesian additive regression trees ensemble model based on linear regression and nonlinear regression for torrential rain forecasting | |
| Bazrafshan et al. | Trivariate risk analysis of meteorological drought in Iran under climate change scenarios | |
| Pei et al. | Analysis of spring drought in Northeast China from the perspective of atmosphere, snow cover, and soil | |
| Ender et al. | Extreme value modeling of precipitation in case studies for China | |
| Nyongesa et al. | Non-homogeneous hidden Markov model for downscaling of short rains occurrence in Kenya | |
| Joshi et al. | Comparison of direct statistical and indirect statistical-deterministic frameworks in downscaling river low-flow indices | |
| Şen | Probabilistic innovative solar irradiation estimation |
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 |
Application publication date: 20210430 |
|
| RJ01 | Rejection of invention patent application after publication |