CN114282431B - 一种基于改进sca和qrgru的径流区间预测方法及*** - Google Patents
一种基于改进sca和qrgru的径流区间预测方法及*** Download PDFInfo
- Publication number
- CN114282431B CN114282431B CN202111500028.8A CN202111500028A CN114282431B CN 114282431 B CN114282431 B CN 114282431B CN 202111500028 A CN202111500028 A CN 202111500028A CN 114282431 B CN114282431 B CN 114282431B
- Authority
- CN
- China
- Prior art keywords
- model
- qrgru
- data
- runoff
- sca
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 230000000739 chaotic effect Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 108090000672 Annexin A5 Proteins 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000009194 climbing Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000005259 measurement Methods 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
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进SCA和QRGRU的径流区间预测方法及***，包括：(1)对预先获取的原始数据进行预处理，并将处理后的各项数据按时间转换成为矩阵型序列；(2)利用PSR方法与RF模型对时间训练进行特征选择，挑选出RF中重要性高的时间序列与PSR重构出的多维序列组成数据集；(3)采用混沌Tent映射和非线性因子对SCA算法进行改进，并利用改进后的SCA算法对GRU模型的隐藏层单元数目与学习率进行寻优；(4)构建QRGRU模型，初始化模型的参数；(5)建立QRGRU的径流区间预测模型，对径流时间序列进行预测，输出误差与区间预测的结果。本发明用QRGRU模型的对径流进行区间预测，预测结果能够描述确定性预测难以反映的不确定性问题，且其结果具有更高的可信度。
Description
技术领域
本发明属于径流流量预测领域，具体涉及一种基于改进SCA和QRGRU的径流区间预测方法及***。
背景技术
径流预测对于水资源管理具有重要意义，例如防洪、抗旱、水力发电、水库运行和生态***保护等。水流通常受降水、蒸发、太阳辐射、下垫面、大气环流等多种因素的影响，具有非线性、不确定性和时空可变性的复合特征。近年来由于经济快速发展、气候变化剧烈和人类活动对径流的影响越来越显着，准确捕捉径流时间序列的动态过程也变得更加困难。因此，如何提高径流预测的精度变得十分重要。
径流预测模型是真实水文***的简化表示。径流预测模型主要可分为基于物理过程的模型与基于数据驱动的模型。基于物理过程的模型涉及偏微分方程***的求解，以模拟水文循环的各种组成过程。虽然基于物理的模型可以帮助理解水文过程的基本物理原理，但它们通常需要大量的输入数据，例如水文数据、气象数据、地形数据、土壤特征和植被覆盖度等等，并且还会设计到复杂的数学工具和重要的用户专业知识，对于一般人员很不友好。相比之下，基于数据驱动的模型无需了解物理过程就可以直接建立输入和输出之间的映射关系，比物理模型应用更广泛。特别是机器学***的区间，可以提供更全面的预测信息。
发明内容
发明目的：本发明提供一种基于改进SCA和QRGRU的径流区间预测方法及***，解决了现有技术中由于不能提供全面的预测信息，不能准确描述未来径流的不确定性的问题。
技术方案：本发明提出一种基于改进SCA和QRGRU的径流区间预测的方法，具体包括以下步骤：
(1)采集目标站点以及附近站点的径流量与降雨量的历史数据，对获取的历史数据进行预处理，并将处理后的各项数据按时间序列转换成为矩阵型序列；
(2)基于相空间重构PSR方法对目标站点的相关径流时间序列进行特征选择，利用随机森林RF模型对其余降雨和径流的时间序列进行特征选择，挑选出RF中重要性高的时间序列与通过PSR重构出的多维序列组成数据集；并对数据集进行归一化处理，划分为训练集和测试集；
(3)初始化SCA的参数，采用混沌Tent初始化策略生成种群，使用非线性因子替换算法中的线性因子，并在更新位置后使用爬山算法对当前最优位置进行局部搜索，获得改进后的SCA算法；
(4)构建QRGRU模型，初始化模型的参数，确定改进后的SCA算法的目标函数，利用改进后的SCA算法对QRGRU模型的隐藏层单元数目n与学习率ε进行寻优；
(5)建立改进的SCA-QRGRU径流区间预测模型，利用测试集和预测模型对径流时间序列进行预测，输出得到不同分位点下的预测值。
进一步地，步骤(1)所述的预处理包括对数据的突变点与异常点的处理。
进一步地，所述步骤(2)实现过程如下：
对于径流的一组时间序列{x1,x2,…，xn}，通过提取前d个数据，按照延迟时间τ，获得d维重构相空间，得到如下相点：
其中，N为相点的个数，通过互信息法获取最优延迟时间τ、通过FNN法获得最佳嵌入维度d的值；
初始化随机森林RF模型，设置k＝1，在第k个bootstrap样本集上构建决策树Tk，记录bootstrap集对应的OOB数据集为并根据Tk对/>数据进行分类，统计正确分类的个数，记为/>随机改变/>中的特征xi的值，将扰动的OOB数据集记为/>然后用Tk对其进行分类，并统计正确分类的个数，记为/>对于k＝2,3,…,K，重复上述步骤，K为决策树的数量；最终可计算每个特征的重要性，公式如下：
其中，Qi是特征的重要性，K是决策树的数量，和/>是特征值变化前后正确统计分类的数量。
进一步地，步骤(4)所述QRGRU模型的代价函数转化为如下式所示分位数回归的最小化损失函数：
其中，N为样本总数，q为分位点个数，为分位数的损失函数。
进一步地，步骤(4)所述改进SCA算法的目标函数为分位数回归(QR)中常用的预测区间覆盖率(PICP)和预测区间平均带宽(PINAW)结合起来的改进覆盖宽度准则(CWC)，计算公式分别为：
其中，N为样本总数，Nα为在预测区间内的预测点，Ui和Li为预测区间的上下界，Yi为风速序列的真实值，α用于避免PINAW过小导致的PICP的影响被忽略的问题，β为权重系数，η为惩罚系数，μ预先设置的预测区间置信度。
进一步地，所述步骤(4)包括以下步骤：
(41)初始化正余弦算法(SCA)的种群规模、迭代次数、上下限；
(42)计算种群中所有个体的适应度值，将是适应度值最好的个体设为当前位置，并使用爬山搜索算法对当前的最优个体进行局部搜索，若搜索到比当前最优个体适应度值更高的个体则替换当前最优个体，然后通过下述公式更新所有个体的位置：
其中，表示个体在第t次迭代中的位置；/>代表当前种群的最优位置；r2、r3和r4是均匀分布的随机数；r2∈[0，2π]，r3∈[-2，2]，r4∈[0，1]，r1为控制参数，决定运动方向；
(43)将正余弦算法输出的最优解送给QRGRU模型，最优解为QRGRU模型当前的最优隐藏层单元数目与学习率，计算不同分位点下的预测值，计算CWC值；
(44)迭代次数加1，判断是否达到算法的最大迭代次数，若未达到最大迭代次数则进入(42)；否则，结束运行，输出最终运行结果。
基于相同的发明构思，本发明还提供一种基于改进SCA和QRGRU的径流流量区间预测***，包括数据获取模块、数据预处理模块、特征提取模块、参数优化模块和区间预测模块；
所述数据获取模块，用于获取相关站点径流和降雨量的原始数据；
所述数据预处理模块，用于对已获取的原始数据进行预处理，对突变点与异常点进行平滑处理，同时将数据转换成为矩阵型数据；
所述特征提取模块，用于提取相关因素的数据中的特征，使用PSR的秩回归特性对需要预测站点的相关径流时间序列进行特征选择，利用RF模型对其余时间序列的进行特征选择，挑选出重要性高的时间序列组成数据集；
所述参数优化模块，用于使用改进后的SCA算法去优化的QRGRU模型中的隐藏层单元数目和学习率，建立基于改进SCA算法优化QRGRU的区间预测模型；
所述区间预测模块，用ISCA-QRGRU模型对不同分位点的预测，最终获得区间预测的结果。
有益效果：与现有技术相比，本发明的有益效果：1、本发明利用PSR的秩回归特性对需要预测站点的相关径流时间序列进行特征选择，而利用RF模型对其余时间序列的进行特征选择，提高输入数据集的有效性和可靠性；2、本发明针对SCA优化算法容易陷入局部最优的缺点对SCA优化算法进行了改进，采用混沌Tent初始化策略生成种群，使用非线性因子替换原有的线性因子，加入爬山局部搜索。增强SCA算法的优化能力，提高了对径流预测的精度；3、将分位数回归与GRU模型相结合作为预测模型，提供了未来径流变化的全面预测信息，可以准确描述未来径流的不确定性。
附图说明
图1为本发明的流程图；
图2为QRGRU和ISCA-QRGRU进行仿真得出的真实值与预测结果的对比图；
图3为SCA-QRGRU和ISCA-QRGRU进行仿真得出的真实值与预测结果的对比图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种基于改进SCA和QRGRU的径流流量预测方法，如图1所示，具体包括以下步骤：
步骤1：采集目标站点以及附近几个站点的径流量与降雨量的历史数据，对获取的原始数据进行预处理，并将处理后的各项数据按时间序列转换成为矩阵型序列。
对数据的预处理包括对数据的突变点与异常点的处理，突变点与异常点包括数据集中是否存在异常大，或短期内数值急剧增大或减小的点。
步骤2：使用PSR方法对目标站点的相关径流时间序列进行特征选择，利用RF模型对其余降雨和径流的时间序列进行特征选择，挑选出RF中重要性高的时间序列与通过PSR重构出的多维序列组成数据集。对数据集进行归一化处理，并将样本数据按时间顺序划分为训练集和测试集。
PSR方法进行特征选择的方法具体内容为：
对于径流的一组时间序列{x1,x2,…，xn}，通过提取前d个数据，按照延迟时间τ，获得d维重构相空间，得到如下相点：
其中，N为相点的个数。通过互信息法获取最优延迟时间τ、通过FNN法获得最佳嵌入维度d的值。
RF模型进行特征选择的方法包括以下步骤：
初始化RF模型，设置k＝1，在第k个bootstrap样本集上构建决策树Tk，记录bootstrap集对应的OOB数据集为并根据Tk对/>数据进行分类，统计正确分类的个数，记为/>随机改变/>中特征xi的值，将扰动的OOB数据集记为/>然后用Tk对其进行分类，并统计正确分类的个数，记为/>对于k＝2,3,…,K，重复上述步骤，K为决策树的数量；最终可计算每个特征的重要性，公式如下：
其中，Qi是特征的重要性，K是决策树的数量，和/>是特征值变化前后正确统计分类的数量。
归一化处理的公式为：
其中，是归一化后的数据，xi是归一化前的数据，xmin是数据集中的最小值，xmax是数据集中的最小值，N是数据的个数。
步骤3：初始化SCA算法参数，采用混沌Tent初始化策略生成种群，使用非线性因子替换算法中的线性因子，并在更新位置后使用爬山算法对当前最优位置进行局部搜索，提高算法优化能力。
步骤4：构建QRGRU模型，初始化模型的参数，确定SCA优化算法的目标函数，利用改进后的SCA算法对QRGRU模型的隐藏层单元数目n与学习率ε进行寻优。
QRGRU模型代价函数转化为如下式所示分位数回归的最小化损失函数，公式为：
其中，N为样本总数，q为分位点个数，为分位数的损失函数。
改进的SCA算法优化模型的目标函数为改进覆盖宽度准则(CWC)，CWC是由分位数回归中常见的预测区间覆盖率(PICP)和预测区间平均带宽(PINAW)结合起来，计算公式分别为：
其中，N为样本总数，Nα为在预测区间内的预测点，Ui和Li为预测区间的上下界，Yi为风速序列的真实值，α用于避免PINAW过小导致的PICP的影响被忽略的问题，β为权重系数，η为惩罚系数，μ预先设置的预测区间置信度。
改进的SCA算法对QRGRU模型的优化流程为：
(4.1)初始化正余弦算法的种群规模、迭代次数、上下限。
(4.2)计算种群中所有个体的适应度值，将是适应度值最好的个体设为当前位置，并使用爬山搜索算法对当前的最优个体进行局部搜索，若搜索到比当前最优个体适应度值更高的个体则替换当前最优个体，然后通过下述公式更新所有个体的位置：
其中，表示个体在第t次迭代中的位置；/>代表当前种群的最优位置；r2、r3和r4是均匀分布的随机数。r2∈[0，2π]，r3∈[-2，2]，r4∈[0，1]，r1为控制参数，决定运动方向。
(4.3)将正余弦算法输出的最优解送给QRGRU模型，最优解为QRGRU模型当前的最优隐藏层单元数目与学习率，计算不同分位点下的预测值，计算并比较CWC值。
(4.4)迭代次数加1，判断是否达到算法的最大迭代次数，若未达到最大迭代次数则进入(4.2)；否则，结束运行，输出最终运行结果。
步骤5：建立改进的SCA-QRGRU径流区间预测模型，利用测试集和预测模型对径流进行预测，输出得到不同分位点下的预测值。
为了证明所提发明的有效性和改进性，本文以金沙江中游的5座站点的径流流量和降雨量数据为例，五个站点分别为：石鼓、中江、阿海、金安桥和攀枝花。将石鼓、中江、阿海、金安桥的径流流量和降雨量以及攀枝花的降雨量作为样本集来预测攀枝花的径流流量。采用MATLAB语言编写算法程序，分别构建了本发明预测模型与三组对照预测模型。所使用的指标选择PICP和PINAW，其中PICP是越接近1越好，而PINAW越接近0越好。但是在具体实列中观察到足够大的PINAW可以提供足够优越的PICP值。因此，在此引入一个新的指标MC，并且MC的值就是越接近0则代表预测的精度越好，MC的计算公式为：
MC＝PINAW/PICP
此实施例选取了QRLSTM、QRGRU、SCA-QRGRU三个模型作为本发明提出的ISCA-QRGRU模型的对照组。利用5座站点的径流和降雨数据可得到表1的结果。
表1为本发明模型和对照组模型的结果性能指标统计表
由表1可知，在三个置信度中，QRGRU模型的MC值比QRGRU模型小，且PICP和PINAW值也几乎都优于QRLSTM。这证明了虽然GRU与LSTM有着相似的结构，但GRU模型比于LSTM模型更适合于径流预测。SCA-QRGRU的MC值在不同置信度中比QRGRU有着很大的提升，说明利用SCA算法优化QRGRU模型是具有很好的效果的。ISCA-QRGRU的预报效果优于SCA-QRGRU模型，说明了对于SCA算法提出的改进能有效的提高算法优化能力。
图2展示了ISCA-QRGRU和QRGRU两种模型的预测结果和真实值的对比图。图3展示了ISCA-QRGRU和SCA-QRGRU两种模型的预测结果和真实值的对比图。由图2可知，相比于QRGRU模型，ISCA-QRGRU模型能更好对日径流时间序列进行拟合。在所有阶段ISCA-QRGRU模型预测区间比QRGRU模型预测区间更接近实测曲线，进一步说明改进SCA算法对于QRGRU模型的优化取得了很好的效果。由图3可知，ISCA-QRGRU模型的预测结果比SCA-QRGRU模型更好。在低流量阶段，两种模型有着相似的预测结果；而在高流量阶段，ISCA-QRGRU模型的预测结果比SCA-QRGRU模型有着明显提升。进一步说明对SCA算法提出的改进取得了很好的效果。
基于相同的本发明构思本发明还提供一种基于改进SCA和QRGRU的径流区间预测方法及***，包括数据获取模块、数据预处理模块、特征提取模块、参数优化模块和区间预测模块五个模块。其中数据获取模块用于获取相关站点径流和降雨量的原始数据；数据预处理模块用于对已获取的原始数据进行预处理，对突变点与异常点进行平滑处理，同时将数据转换成为矩阵型数据；特征提取模块用于提取相关因素的数据中的特征，使用PSR的秩回归特性对需要预测站点的相关径流时间序列进行特征选择，利用RF模型对其余时间序列的进行特征选择，挑选出重要性高的时间序列组成数据集；参数优化模块，用于使用改进后的SCA算法去优化的QRGRU模型中的隐藏层单元数目和学习率，建立基于改进SCA算法优化QRGRU的区间预测模型；区间预测模块用ISCA-QRGRU模型对不同分位点的预测，最终获得区间预测的结果。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何根据本发明的技术方案及其发明构思加以等同替换或改变，均应包含在本发明保护范围之内。
Claims (4)
1.一种基于改进SCA和QRGRU的径流区间预测方法，其特征在于，包括以下步骤：
(1)采集目标站点以及附近站点的径流量与降雨量的历史数据，对获取的历史数据进行预处理，并将处理后的各项数据按时间序列转换成为矩阵型序列；
(2)基于相空间重构PSR方法对目标站点的相关径流时间序列进行特征选择，利用随机森林RF模型对其余降雨和径流的时间序列进行特征选择，挑选出RF中重要性高的时间序列与通过PSR重构出的多维序列组成数据集；并对数据集进行归一化处理，划分为训练集和测试集；
(3)初始化SCA的参数，采用混沌Tent初始化策略生成种群，使用非线性因子替换算法中的线性因子，并在更新位置后使用爬山算法对当前最优位置进行局部搜索，获得改进后的SCA算法；
(4)构建QRGRU模型，初始化模型的参数，确定改进后的SCA算法的目标函数，利用改进后的SCA算法对QRGRU模型的隐藏层单元数目n与学***均带宽PINAW结合起来的改进覆盖宽度准则CWC，计算公式分别为：
其中，N为样本总数，Nα为在预测区间内的预测点，Ui和Li为预测区间的上下界，Yi为径流序列的真实值，α用于避免PINAW过小导致的PICP的影响被忽略的问题，β为权重系数，η为惩罚系数，μ预先设置的预测区间置信度；
所述QRGRU模型的代价函数转化为如下式所示分位数回归的最小化损失函数：
其中，N为样本总数，q为分位点个数，为分位数的损失函数；
(5)建立改进的SCA-QRGRU径流区间预测模型，利用测试集和预测模型对径流时间序列进行预测，输出得到不同分位点下的预测值；
所述步骤(4)包括以下步骤：
(41)初始化正余弦算法的种群规模、迭代次数、上下限；
(42)计算种群中所有个体的适应度值，将适应度值最好的个体设为当前位置，并使用爬山搜索算法对当前的最优个体进行局部搜索，若搜索到比当前最优个体适应度值更高的个体则替换当前最优个体，然后通过下述公式更新所有个体的位置：
其中，表示个体在第t次迭代中的位置；Kj t代表当前种群的最优位置；r2、r3和r4是均匀分布的随机数；r2∈[0，2π]，r3∈[-2，2]，r4∈[0，1]，r1为控制参数，决定运动方向；
(43)将正余弦算法输出的最优解送给QRGRU模型，最优解为QRGRU模型当前的最优隐藏层单元数目与学习率，计算不同分位点下的预测值，计算CWC值；
(44)迭代次数加1，判断是否达到算法的最大迭代次数，若未达到最大迭代次数则进入(42)；否则，结束运行，输出最终运行结果。
2.根据权利要求1所述的基于改进SCA和QRGRU的径流区间预测方法，其特征在于，步骤(1)所述的预处理包括对数据的突变点与异常点的处理。
3.根据权利要求1所述的基于改进SCA和QRGRU的径流区间预测方法，其特征在于，所述步骤(2)实现过程如下：
对于径流的一组时间序列{x1,x2,…，xm}，通过提取前d个数据，按照延迟时间τ，获得d维重构相空间，得到如下相点：
其中，M为相点的个数，通过互信息法获取最优延迟时间τ、通过FNN法获得最佳嵌入维度d的值；
初始化随机森林RF模型，设置k＝1，在第k个bootstrap样本集上构建决策树Tk，记录bootstrap集对应的OOB数据集为并根据Tk对/>数据进行分类，统计正确分类的个数，记为/>随机改变/>中的特征xi的值，将扰动的OOB数据集记为/>然后用Tk对其进行分类，并统计正确分类的个数，记为/>对于k＝2,3,…,K，重复上述步骤，K为决策树的数量；最终可计算每个特征的重要性，公式如下：
其中，Qi是特征的重要性，K是决策树的数量，和/>是特征值变化前后正确统计分类的数量。
4.一种采用如权利要求1-3任一所述方法的基于改进SCA和QRGRU的径流流量区间预测***，其特征在于，包括数据获取模块、数据预处理模块、特征提取模块、参数优化模块和区间预测模块；
所述数据获取模块，用于获取相关站点径流和降雨量的原始数据；
所述数据预处理模块，用于对已获取的原始数据进行预处理，对突变点与异常点进行平滑处理，同时将数据转换成为矩阵型数据；
所述特征提取模块，用于提取相关因素的数据中的特征，使用PSR的秩回归特性对需要预测站点的相关径流时间序列进行特征选择，利用RF模型对其余时间序列的进行特征选择，挑选出重要性高的时间序列组成数据集；
所述参数优化模块，用于使用改进后的SCA算法去优化的QRGRU模型中的隐藏层单元数目和学习率，建立基于改进SCA算法优化QRGRU的区间预测模型；
所述区间预测模块，用ISCA-QRGRU模型对不同分位点的预测，最终获得区间预测的结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111500028.8A CN114282431B (zh) | 2021-12-09 | 2021-12-09 | 一种基于改进sca和qrgru的径流区间预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111500028.8A CN114282431B (zh) | 2021-12-09 | 2021-12-09 | 一种基于改进sca和qrgru的径流区间预测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114282431A CN114282431A (zh) | 2022-04-05 |
| CN114282431B true CN114282431B (zh) | 2023-08-18 |
Family
ID=80871556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111500028.8A Active CN114282431B (zh) | 2021-12-09 | 2021-12-09 | 一种基于改进sca和qrgru的径流区间预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114282431B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020024319A1 (zh) * | 2018-08-01 | 2020-02-06 | 苏州大学张家港工业技术研究院 | 用于交通流量预测的卷积神经网络多点回归预测模型 |
| CN110969290A (zh) * | 2019-11-18 | 2020-04-07 | 国电湖南巫水水电开发有限公司 | 一种基于深度学习的径流概率预测方法及*** |
| CN112465251A (zh) * | 2020-12-08 | 2021-03-09 | 上海电力大学 | 一种基于最简门控神经网络的短期光伏出力概率预测方法 |
| CN112733996A (zh) * | 2021-01-14 | 2021-04-30 | 河海大学 | 基于GA-PSO优化XGBoost的水文时间序列预测方法 |
| WO2021120788A1 (zh) * | 2019-12-19 | 2021-06-24 | 华中科技大学 | 一种基于机器学习的水文预报精度评价方法及*** |
| WO2021129039A1 (zh) * | 2019-12-25 | 2021-07-01 | 华中科技大学 | 一种跨水库流域河道径流演算方法和*** |
| CN113344261A (zh) * | 2021-05-28 | 2021-09-03 | 淮阴工学院 | 基于随机森林和isca优化relm的pm2.5浓度预测方法及*** |
| CN113468803A (zh) * | 2021-06-09 | 2021-10-01 | 淮阴工学院 | 一种基于改进的woa-gru洪水流量预测方法及*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11009625B2 (en) * | 2019-03-27 | 2021-05-18 | The Climate Corporation | Generating and conveying comprehensive weather insights at fields for optimal agricultural decision making |
-
2021
- 2021-12-09 CN CN202111500028.8A patent/CN114282431B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020024319A1 (zh) * | 2018-08-01 | 2020-02-06 | 苏州大学张家港工业技术研究院 | 用于交通流量预测的卷积神经网络多点回归预测模型 |
| CN110969290A (zh) * | 2019-11-18 | 2020-04-07 | 国电湖南巫水水电开发有限公司 | 一种基于深度学习的径流概率预测方法及*** |
| WO2021120788A1 (zh) * | 2019-12-19 | 2021-06-24 | 华中科技大学 | 一种基于机器学习的水文预报精度评价方法及*** |
| WO2021129039A1 (zh) * | 2019-12-25 | 2021-07-01 | 华中科技大学 | 一种跨水库流域河道径流演算方法和*** |
| CN112465251A (zh) * | 2020-12-08 | 2021-03-09 | 上海电力大学 | 一种基于最简门控神经网络的短期光伏出力概率预测方法 |
| CN112733996A (zh) * | 2021-01-14 | 2021-04-30 | 河海大学 | 基于GA-PSO优化XGBoost的水文时间序列预测方法 |
| CN113344261A (zh) * | 2021-05-28 | 2021-09-03 | 淮阴工学院 | 基于随机森林和isca优化relm的pm2.5浓度预测方法及*** |
| CN113468803A (zh) * | 2021-06-09 | 2021-10-01 | 淮阴工学院 | 一种基于改进的woa-gru洪水流量预测方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 丁学辉 等.基于CNN特征选择与QRGRU的电力负荷概率密度预测方法.《电力信息与通信技术》.2021,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114282431A (zh) | 2022-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114254561B (zh) | 一种内涝预测方法、***及存储介质 | |
| CA2821103C (en) | Method and system for adaptive forecast of wind resources | |
| Tahmasebifar et al. | A new hybrid model for point and probabilistic forecasting of wind power | |
| CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
| CN107133695A (zh) | 一种风电功率预测方法和*** | |
| CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和*** | |
| Ryu et al. | Residential load profile clustering via deep convolutional autoencoder | |
| CN116976529B (zh) | 基于供需预测动态校正的跨流域调水方法和*** | |
| Baïle et al. | Leveraging data from nearby stations to improve short-term wind speed forecasts | |
| CN115271253A (zh) | 一种水风光发电功率预测模型构建方法、装置及存储介质 | |
| Mararakanye et al. | Incorporating spatial and temporal correlations to improve aggregation of decentralized day-ahead wind power forecasts | |
| Al-Ja’afreh et al. | An enhanced CNN-LSTM based multi-stage framework for PV and load short-term forecasting: DSO scenarios | |
| CN114282431B (zh) | 一种基于改进sca和qrgru的径流区间预测方法及*** | |
| Lee et al. | Bayesian deep learning-based confidence-aware solar irradiance forecasting system | |
| Ramesh et al. | The predictability of tropical Pacific decadal variability: insights from attractor reconstruction | |
| CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及*** | |
| Li | Energy consumption forecasting with deep learning | |
| Karthikeyan et al. | Short-term wind speed forecasting using ensemble learning | |
| CN115456286A (zh) | 一种短期光伏功率预测方法 | |
| Wu et al. | Short-Term Prediction of Wind Power Considering the Fusion of Multiple Spatial and Temporal Correlation Features | |
| KR20230066927A (ko) | 발전량 예측 방법 및 장치 | |
| Junhuathon et al. | Deep-learning-based short-term photovoltaic power generation forecasting using improved self-organization map neural network | |
| CN116776921B (zh) | 一种基于改进patch-informer的太阳辐射预测方法及装置 | |
| CN117526316B (zh) | 一种基于GCN-CBAM-BiGRU组合模型的负荷预测方法 | |
| Zeng et al. | Uncovering Dominant Features in Short-term Power Load Forecasting Based on Multi-source Feature |
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 |