CN113033081A - 一种基于som-bpnn模型的径流模拟方法及*** - Google Patents

一种基于som-bpnn模型的径流模拟方法及*** Download PDF

Info

Publication number
CN113033081A
CN113033081A CN202110258365.4A CN202110258365A CN113033081A CN 113033081 A CN113033081 A CN 113033081A CN 202110258365 A CN202110258365 A CN 202110258365A CN 113033081 A CN113033081 A CN 113033081A
Authority
CN
China
Prior art keywords
model
runoff
som
data
bpnn
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
Application number
CN202110258365.4A
Other languages
English (en)
Inventor
邹磊
沈建明
王飞宇
夏瑞
刘成建
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.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
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 Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202110258365.4A priority Critical patent/CN113033081A/zh
Publication of CN113033081A publication Critical patent/CN113033081A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于SOM‑BPNN模型的径流模拟方法及***，属径流模拟技术领域，旨在捕捉径流多方面特征，提升径流模拟精度。所述方法包括：多源数据获取与处理；关键影响因子筛选；SOM神经网络聚类模型构建；SOM‑BPNN径流模拟模型构建；径流模拟。该方法首先运用SOM模型对样本数据集进行无监督聚类，依据聚类后的子样本集构建反向传播人工神经网络模型进行径流模拟。本发明将两种人工神经网络模型耦合在一起，聚类后的子样本集有助于反向传播人工神经网络对复杂数据多方面特征学习，能够进一步提升传统机器学习的径流模拟精度，可为流域水资源规划及防洪减灾、综合治理提供有效辅助决策手段和坚实理论依据。

Description

一种基于SOM-BPNN模型的径流模拟方法及***
技术领域
本发明涉及一种基于SOM-BPNN模型的径流模拟方法及***，是一种流域径流模拟计算方法和***。
背景技术
径流是水循环的关键环节之一，也是水量平衡的基本要素。受全球气候变化和高强度人类活动的影响，径流过程呈现出显著的时空异质性和非平稳性。对流域径流变化的模拟及预测是水文研究领域的重要内容，高精度的径流模拟及预测对防洪抗旱，水资源管理制度制定和水库优化调度等具有十分重要的指导意义。
一直以来，水文模拟及预报领域的学者们主要关注采用参数化方法描述流域降雨径流过程的时空分布、边界条件和物理过程。随着高新技术的不断发现，流域水文气象要素的监测取得了长足进步，获取数据的方式逐渐多样化，如通过遥感技术获取植被类型、土地利用方式和卫星降雨等。众多学者开始应用数据驱动的方式探究流域产汇流问题，进行径流模拟及预测。当前采用数据驱动方式开展径流预测的方法有时间序列模型、人工神经网络模型及支持向量机模型等。人工神经网络是从信息处理的角度构造模仿人脑神经元的智能模型，其作为一种适用于拟合高度非线性***的算法，被广泛应用于径流模拟及预测中。在基于神经网络进行径流模拟预测时，现有方法多使用单一神经网络方法直接进行径流模拟，忽视了径流的多方面特征(如洪峰流量、季节性、年际等)，影响径流模拟及预测的精度。
发明内容
本发明的目的在于提供一种基于SOM-BPNN模型的径流模拟方法及***，旨在利用自组织神经网络(SOM)的数据分析技术和反向传播人工神经网络(BPNN)的非线性函数逼近能力，提升径流模拟精度。所述方法采用自组织映射网络(SOM)对输入数据进行聚类，针对每个聚类后的族群构建反向传播人工神经网络(BPNN)进行径流模拟。
本发明的目的是通过以下技术方案实现的：
本发明的技术方案第一方面提供一种基于SOM-BPNN模型的径流模拟方法，该方法包括如下步骤：
步骤1)多源数据获取与处理：收集下载研究区内水文站流量数据、气象站气象因子数据和相关遥感数据；所述气象因子包括降雨、温度、日照时数、相对湿度和风速；所述遥感产品包括蒸散发和土壤湿度数据；对收集的数据进行异常值处理、缺失值插补；
步骤2)关键影响因子筛选：基于随机森林算法从收集到的数据集中筛选出模拟预测变量(径流)的关键影响因子，获取模型输入样本数据集；
步骤3)SOM神经网络聚类模型构建：基于自组织映射网络(SOM)模型构建聚类模型，将步骤2)中获取的研究区样本数据集聚类为可表征不同径流特征的子样本数据集；模型的输入为关键影响因子，模型的输出为影响因子的类别；
步骤4)SOM-BPNN混合神经网络模型构建：基于反向传播神经网络(BPNN)模型对步骤3)中所得多个子样本集进行单独训练，获取每个子样本BPNN模型的层数和神经元个数，构建对应每个子样本的径流模拟模型。混合模型的输入为关键影响因子和类型，输出为径流量；
步骤5)径流模拟：基于步骤4)中构建的模型进行径流模拟，当流域径流模拟精度不满足预设精度时，重复步骤3)和步骤4)重新训练模型，直到模型精度达到预设的精度。
进一步的，步骤2)中基于如下公式对关键影响因子的重要性度量计算，
Figure BDA0002968897820000021
其中：SE为b棵回归树标准误差，MSE为均方误差。
进一步的，步骤3)中模型的输出为影响因子的类别用***数字(1,2,3……)表述。
进一步的，步骤5)中采用以下指标对径流模拟精度进行评估，其计算公式为：
Figure BDA0002968897820000022
Figure BDA0002968897820000023
其中：Mi为模拟径流数据，yi为实测径流数据；
Figure BDA0002968897820000024
为模拟径流序列的平均值，
Figure BDA0002968897820000025
为实测径流序列的平均值；N为时间序列长度。
本发明的技术方案第二方面提供一种基于SOM-BPNN模型的径流模拟***，该***包括：多源数据获取与处理模块，用于建模数据获取以及数据的异常值处理、缺失值插补、不同时间尺度融合；关键影响因子筛选模块，用于筛选出影响径流的关键因子；特征聚类模型构建模块，基于自组织映射(SOM)网络模型和总样本集构建特征聚类模型；SOM-BPNN径流模拟模型构建模块，用于特征聚类模型和反向传播神经网络(BPNN)方法构建流域径流模拟模型；径流模拟预测模块，用于用户根据输入的数据和训练好的混合神经网络径流模型对径流进行模拟预测。
本发明提供的技术方案，具有如下效果：本发明首先运用SOM模型对样本数据集进行无监督聚类，依据聚类后的子样本集构建反向传播人工神经网络模型进行径流模拟，巧妙的将两种人工智能网络耦合在一起，聚类后的子样本集有助于反向传播人工神经网络对复杂数据的特征学***台多***，尤其是移动平台与***的交互调用，能够提高水文***的调水、防洪、救灾等应急能力。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明实施例1中所述构建方法的原理框图；
图2是本发明实施例1中所述关键影响因子筛选的流程图；
图3是本发明实施例1中所述SOM-BPNN混合神经网络模型构建的流程图；
图4是本发明实施例2中所述***结构图；
图5是表1，是本发明实施例1中某流域某年度径流模拟过程评估结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，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：
本实施例是一种基于SOM-BPNN模型的径流模拟方法，如图1所示，包括以下几个步骤：
步骤1，多源数据获取与处理：收集下载某流域内水文站流量数据、气象站气象因子数据和相关遥感数据；所述气象因子包括降雨、温度、日照时数、相对湿度和风速；所述遥感产品包括蒸散发和土壤湿度数据；对收集的数据进行异常值处理、缺失值插补；所述的异常值处理、缺失值插补采用长度为n＝5滑动窗口依次处理,且判定异常值阈值大小ε根据流域数据而设定大小。
步骤2，关键影响因子筛选：基于随机森林算法从收集到的数据集中筛选出模拟预测变量(径流)的关键影响因子(根据重要性大小排序前m＝10的因子)，然后将筛选出的关键影响因子批处理为模型输入样本数据集。
步骤3，SOM神经网络聚类模型构建：基于自组织映射网络(SOM)模型构建聚类模型(训练SOM模型时，epoch为500，学习率为0.01)，将步骤2中获取的研究区样本数据集聚类为可表征不同径流特征的子样本数据集；模型的输入为关键影响因子，模型的输出为影响因子的类别。
步骤4，SOM-BPNN混合神经网络模型构建：基于反向传播神经网络(BPNN)模型对步骤3)中所得多个子样本集进行单独训练，获取每个子样本BPNN模型的层数和神经元个数，构建对应每个子样本的径流模拟模型。混合模型的输入为关键影响因子和类型，输出为径流量。
步骤5，径流模拟：基于步骤4中构建的模型进行径流模拟，当流域径流模拟精度不满足预设精度时，重复步骤3和步骤4重新训练模型，直到模型精度达到预设的精度。
在实施例1中，如图2所示，根据所获的数据抽取径流模拟模型输入的关键影响因子，包括以下步骤：
1)将流域径流作为模型的输出变量，相应前期气象因子、遥感数据以及径流数据作为模型的输入变量，输入变量和输出变量组成训练数据集样本。
2)基于自主采样方法(bootstrap sampling)从训练数据集样本中有放回地生成b棵分类回归树构成随机森林，而每次未被抽到的样本组成b个袋外数据。
3)基于袋外数据误差率对流域径流影响因子的重要性进行度量，影响因子XK变量重要性度量公式为：
Figure BDA0002968897820000041
其中：SE为b棵回归树标准误差，MSE为均方误差
4)基于影响因子重要性排序，选取前10个关键影响因子作为筛选后的数据集。将筛选后的输入因子的组成n个观测的总样本集。
在实施例1中，如图3所示，本发明实施例提供的基于SOM-BPNN的径流模拟方法中SOM-BPNN模型的构建方法可以按照以下流程实现，包括如下步骤：
1)基于输入样本Xij(i＝2，3，……，n；j＝1，2，……，10)和输出样本Yj确定输入数据，对输入数据进行归一化，并将样本集的80％作为训练集，将样本集的20％作为验证集。
2)初始化自组织映射(SOM)网络的参数，包括SOM的特征图的维度参数，epoch参数以及学习率参数。
3)通过“竞争-合作”有序地训练SOM,得到SOM模型。
进一步的，竞争过程寻找输入向量x(t)和权值向量wi(t)的最优匹配，得到获胜神经元i*(t)，公式为：
Figure BDA0002968897820000042
进一步的，合作过程以获胜神经元为中心，通过调整该获胜神经元的邻域内的神经元的权值实现合作，公式为：
wi(t+1)＝wi(t)+η(t)Λ(i*(t),i；t)[x(t)-wi(t)]
式中：η(t)为可变学习速度,随时间的增加而减小，Λ(i*(t),i；t)为时变的高斯加权邻域函数拓扑形式。
训练结束后保持权值；
4)将生成的样本集输入到步骤3得到的SOM模型，将总样本集划分为多个子样本。每个子样本代表径流特征的一个类别。
5)初始化反向传播神经网络(BPNN)模型参数，分别使用单独的子样本训练BPNN模型得到对应不同影响因子类别的径流模拟模型。
6)对构建的SOM-BPNN模型精度评价，若精度达到预设精度，输出模型；若精度小于预设精度重复步骤2至6，直到精度达到预设精度。
进一步的，步骤中采用以下指标对径流模拟精度进行评估，其计算公式为：
Figure BDA0002968897820000051
Figure BDA0002968897820000052
其中：Mi为模拟径流数据，yi为实测径流数据；
Figure BDA0002968897820000053
为模拟径流序列的平均值，
Figure BDA0002968897820000054
为实测径流序列的平均值；N为时间序列长度。
评估模型精度：SOM-BPNN模型的性能评估采用基于过程的评价指标NSE和基于误差的RMSE评价指标。如表1所示，无论在验证期还是训练期，SOM-BPNN模型的NSE值都大于常规BPNN模型的结果，RMSE相较于常规BPNN模型都小。综上所述，本发明提出的基于SOM-BPNN混合神经网络模型可以提前聚类出表征不同径流特征的输入因子，所得结果优于传统单一的神经网络模型。
实施例2
本实施例提供一种基于SOM-BPNN模型的径流模拟***，如图4所示，该***包括：
多源数据获取与处理模块1，获取和处理本发明方法需要的多源数据，主要在线收集流域内水文站流量数据、气象站气象因子数据(降雨、温度、日照时数、相对湿度和风速)和相关遥感数据(蒸散发和土壤湿度数据)，然后采用长度为n＝5滑动窗口依次对收集的数据进行异常值处理、缺失值插补。
关键影响因子筛选模块2，用于根据流域水文数据筛选出用于输入的相关影响因子和生成总样本集，通过随机森林算法的袋外数据误差率对模块1采集并处理后的数据(径流影响因子)的重要性进行度量,筛选出影响径流的重要影响因子(重要性排序前m＝10的因子)。
径流特征聚类模型构建模块3，基于自组织映射(SOM)网络模型和总样本集构建径流特征聚类模型，首先将模块2筛选出影响径流的重要影响因子划分为80％的验证集和20％训练集，然后训练自组织映射(SOM)网络模型,建立径流特征聚类模型并持久化存储。
SOM-BPNN径流模拟模型构建模块4，用于径流特征聚类模型和所述的反向传播神经网络(BPNN)方法构建流域径流模拟模型，基于模块3建立的径流特征聚类模型将模块2筛选出影响径流的重要影响因子聚类为不同的样本集，然后利用类别不同的样本集数据训练反向传播神经网络(BPNN)模型，建立径流预测模型并持久化存储。
径流模拟预测模块5，用于用户根据输入的数据和训练好的混合神经网络径流模型对径流进行模拟预测，首先将用户输入数据输入到模块3训练好的径流特征聚类模型判断输入数据的类别后，再调用模块4训练的径流预测模型进行预测并返回给用户。
最后应说明的是，以上仅用以说明本发明的技术方案而非限制，尽管参照较佳布置方案对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案(比如运行***、各种公式的运用、步骤的先后顺序等)进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。

Claims (5)

1.一种基于SOM-BPNN模型的径流模拟方法，其特征在于，包括以下几个步骤：
步骤1，多源数据获取与处理：收集下载研究区内水文站流量数据、气象站气象因子数据和相关遥感数据；所述气象因子包括降雨、温度、日照时数、相对湿度和风速；所述遥感产品包括蒸散发和土壤湿度数据；对收集的数据进行异常值处理、缺失值插补；
步骤2，关键影响因子筛选：基于随机森林算法从收集到的数据集中筛选出模拟预测变量的关键影响因子，获取模型输入样本数据集；
步骤3，SOM神经网络聚类模型构建：基于自组织映射网络SOM模型构建聚类模型，将步骤2中获取的研究区样本数据集聚类为可表征不同径流特征的子样本数据集；模型的输入为关键影响因子，模型的输出为影响因子的类别；
步骤4，SOM-BPNN混合神经网络模型构建：基于反向传播神经网络BPNN模型对步骤3中所得多个子样本集进行单独训练，获取每个子样本BPNN模型的层数和神经元个数，构建对应每个子样本的径流模拟模型，混合模型的输入为关键影响因子和类型，输出为径流量；
步骤5，径流模拟：基于步骤4中构建的模型进行径流模拟，当流域径流模拟精度不满足预设精度时，重复步骤3和步骤4重新训练模型，直到模型精度达到预设的精度。
2.根据权利要求1所述的径流模拟方法，其特征在于，所述步骤2中基于随机森林筛选关键影响因子包括以下步骤：
1)将流域径流作为模型的输出变量，相应前期气象因子、遥感数据以及径流数据作为模型的输入变量，输入变量和输出变量组成训练数据集样本；
2)基于自主采样方法bootstrap sampling从训练数据集样本中有放回地生成b棵分类回归树构成随机森林，而每次未被抽到的样本组成b个袋外数据；
3)基于袋外数据误差率对流域径流影响因子的重要性进行度量，影响因子XK变量重要性度量公式为：
Figure FDA0002968897810000011
其中：SE为b棵回归树标准误差，MSE为均方误差；
4)基于影响因子重要性排序，选取前10个关键影响因子作为筛选后的数据集；将筛选后的输入因子的组成n个观测的总样本集。
3.根据权利要求1所述的径流模拟方法，其特征在于，所述步骤3中模型的输出为影响因子的类别用***数字1，2，3，……表述。
4.根据权利要求1所述的径流模拟方法，其特征在于，所述步骤4中SOM-BPNN混合神经网络模型构建包括以下步骤：
1)基于输入样本Xij，i＝2，3，……，n；j＝1，2，…，10和输出样本Yj确定输入数据，对输入数据进行归一化，并将样本集的80％作为训练集，将样本集的20％作为验证集；
2)初始化自组织映射SOM网络的参数，包括SOM的特征图的维度参数，epoch参数以及学习率参数；
3)通过“竞争-合作”有序地训练SOM,得到SOM模型；竞争过程寻找输入向量x(t)和权值向量wi(t)的最优匹配，得到获胜神经元i*(t)，公式为：
Figure FDA0002968897810000021
进一步的，合作过程以获胜神经元为中心，通过调整该获胜神经元的邻域内的神经元的权值实现合作，公式为：
wi(t+1)＝wi(t)+η(t)Λ(i*(t),i；t)[x(t)-wi(t)]
式中：η(t)为可变学习速度,随时间的增加而减小；Λ(i*(t),i；t)为时变的高斯加权邻域函数拓扑形式；
4)将生成的样本集输入到步骤3得到的SOM模型，将总样本集划分为多个子样本；每个子样本代表径流特征的一个类别；
5)初始化反向传播神经网络BPNN模型参数，分别使用单独的子样本训练BPNN模型得到对应不同影响因子类别的径流模拟模型；
6)对构建的SOM-BPNN模型精度评价，若精度达到预设精度，输出模型；若精度小于预设精度重复步骤2至6，直到精度达到预设精度。
5.根据权利要求1-4之一所述的径流模拟方法所构建的***，其特征在于，包括：多源数据获取与处理模块，用于径流模拟建模数据获取以及异常值处理、缺失值插补、不同时间尺度融合；关键影响因子筛选模块，用于根据流域水文数据筛选出用于输入的相关影响因子和生成总样本集；径流特征聚类模型构建模块，基于自组织映射SOM网络模型和总样本集构建径流特征聚类模型；SOM-BPNN径流模拟模型构建模块，用于径流特征聚类模型和所述的反向传播神经网络BPNN方法构建流域径流模拟模型；径流模拟预测模块，用于用户根据输入的数据和训练好的混合神经网络径流模型对径流进行模拟预测。
CN202110258365.4A 2021-03-10 2021-03-10 一种基于som-bpnn模型的径流模拟方法及*** Pending CN113033081A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110258365.4A CN113033081A (zh) 2021-03-10 2021-03-10 一种基于som-bpnn模型的径流模拟方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110258365.4A CN113033081A (zh) 2021-03-10 2021-03-10 一种基于som-bpnn模型的径流模拟方法及***

Publications (1)

Publication Number Publication Date
CN113033081A true CN113033081A (zh) 2021-06-25

Family

ID=76469460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110258365.4A Pending CN113033081A (zh) 2021-03-10 2021-03-10 一种基于som-bpnn模型的径流模拟方法及***

Country Status (1)

Country Link
CN (1) CN113033081A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113761734A (zh) * 2021-08-26 2021-12-07 中国水利水电科学研究院 一种基于随机模拟的径流变化不确定性成因分析方法
CN114186780A (zh) * 2021-11-04 2022-03-15 河海大学 一种基于机器学习的山洪灾害区划方法
CN114386334A (zh) * 2022-01-19 2022-04-22 浙江大学 一种基于分布式水文径流模拟替代模型的径流滚动预报方法
CN117131977A (zh) * 2023-08-09 2023-11-28 长江勘测规划设计研究有限责任公司 一种基于误判风险最小准则的径流预报样本集划分方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6571228B1 (en) * 2000-08-09 2003-05-27 Po-Tong Wang Hybrid neural networks for color identification
CN106228274A (zh) * 2016-08-03 2016-12-14 河海大学常州校区 基于som神经网络数据聚类识别的光伏电站发电量预测方法
CN107798431A (zh) * 2017-10-31 2018-03-13 河海大学 一种基于改进Elman神经网络的中长期径流预报方法
CN109754122A (zh) * 2019-01-13 2019-05-14 胡燕祝 一种基于随机森林特征提取的bp神经网络的数值预测方法
US10296848B1 (en) * 2018-03-05 2019-05-21 Clinc, Inc. Systems and method for automatically configuring machine learning models
CN109948645A (zh) * 2019-01-23 2019-06-28 西安交通大学 一种基于深度对抗迁移学习的企业偷漏税识别方法
CN111861264A (zh) * 2020-07-31 2020-10-30 华中科技大学 一种基于数据挖掘和智能算法预测混凝土耐久性方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6571228B1 (en) * 2000-08-09 2003-05-27 Po-Tong Wang Hybrid neural networks for color identification
CN106228274A (zh) * 2016-08-03 2016-12-14 河海大学常州校区 基于som神经网络数据聚类识别的光伏电站发电量预测方法
CN107798431A (zh) * 2017-10-31 2018-03-13 河海大学 一种基于改进Elman神经网络的中长期径流预报方法
US10296848B1 (en) * 2018-03-05 2019-05-21 Clinc, Inc. Systems and method for automatically configuring machine learning models
CN109754122A (zh) * 2019-01-13 2019-05-14 胡燕祝 一种基于随机森林特征提取的bp神经网络的数值预测方法
CN109948645A (zh) * 2019-01-23 2019-06-28 西安交通大学 一种基于深度对抗迁移学习的企业偷漏税识别方法
CN111861264A (zh) * 2020-07-31 2020-10-30 华中科技大学 一种基于数据挖掘和智能算法预测混凝土耐久性方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
依尔夏提•阿不来提 等: "基于随机森林法的棉花叶片叶绿素含量估算", 《作物学报》 *
蒋卫祥 编: "《大数据时代计算机数据处理技术探究》", 31 March 2019, 北京工业大学出版社 *
郝偌楠: "基于贝叶斯的雨量融合与人工智能的径流过程分析", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑(月刊)》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113761734A (zh) * 2021-08-26 2021-12-07 中国水利水电科学研究院 一种基于随机模拟的径流变化不确定性成因分析方法
CN114186780A (zh) * 2021-11-04 2022-03-15 河海大学 一种基于机器学习的山洪灾害区划方法
CN114186780B (zh) * 2021-11-04 2022-07-22 河海大学 一种基于机器学习的山洪灾害区划方法
CN114386334A (zh) * 2022-01-19 2022-04-22 浙江大学 一种基于分布式水文径流模拟替代模型的径流滚动预报方法
CN117131977A (zh) * 2023-08-09 2023-11-28 长江勘测规划设计研究有限责任公司 一种基于误判风险最小准则的径流预报样本集划分方法
CN117131977B (zh) * 2023-08-09 2024-01-23 长江勘测规划设计研究有限责任公司 一种基于误判风险最小准则的径流预报样本集划分方法

Similar Documents

Publication Publication Date Title
CN110135630B (zh) 基于随机森林回归和多步寻优的短期负荷需求预测方法
CN110084367B (zh) 一种基于lstm深度学习模型的土壤墒情预测方法
CN113033081A (zh) 一种基于som-bpnn模型的径流模拟方法及***
CN110782093B (zh) 融合ssae深度特征学习和lstm的pm2.5小时浓度预测方法及***
CN111665575B (zh) 一种基于统计动力的中长期降雨分级耦合预报方法及***
CN101480143B (zh) 一种预测灌区作物单产量的方法
CN107292098A (zh) 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
CN106997669A (zh) 一种基于特征重要性的判断交通拥堵成因的方法
Jalalkamali Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN110689183B (zh) 一种集群光伏功率概率预测方法、***、介质及电子设备
CN115423163A (zh) 一种流域短期洪水事件预测方法、装置及终端设备
CN111178585A (zh) 基于多算法模型融合的故障接报量预测方法
CN110969282A (zh) 一种基于lstm复合网络的径流量稳定预测方法
CN110070228A (zh) 一种神经元分支进化的bp神经网络风速预测方法
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
CN115629160A (zh) 一种基于时空图的空气污染物浓度预测方法及***
CN115544889A (zh) 基于深度学习的数值模式降水偏差校正方法
CN112990587A (zh) 一种对台区用电进行精准预测的方法及***、设备、介质
Priatna et al. Precipitation prediction using recurrent neural networks and long short-term memory
CN116826745B (zh) 一种电力***背景下的分层分区短期负荷预测方法及***
CN117808214A (zh) 水利工程数据分析***
CN106529816B (zh) 电力线信道的调整方法和***
CN117078114A (zh) 引水工程影响下受水湖泊水质评价方法和***
CN107608938A (zh) 基于增强回归树算法的面向二值分类的因子筛选方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210625