CN116167526A - 径流量预测方法、装置、电子设备及存储介质 - Google Patents
径流量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116167526A CN116167526A CN202310391493.5A CN202310391493A CN116167526A CN 116167526 A CN116167526 A CN 116167526A CN 202310391493 A CN202310391493 A CN 202310391493A CN 116167526 A CN116167526 A CN 116167526A
- Authority
- CN
- China
- Prior art keywords
- model
- runoff
- prediction
- period
- target main
- 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
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000013528 artificial neural network Methods 0.000 claims description 62
- 230000007787 long-term memory Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 41
- 230000015654 memory Effects 0.000 claims description 26
- 238000001556 precipitation Methods 0.000 claims description 24
- 230000005855 radiation Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000001704 evaporation Methods 0.000 claims description 13
- 230000008020 evaporation Effects 0.000 claims description 13
- 230000006403 short-term memory Effects 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 11
- 238000004880 explosion Methods 0.000 abstract description 6
- 230000008030 elimination Effects 0.000 abstract description 4
- 238000003379 elimination reaction Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 23
- 239000004575 stone Substances 0.000 description 12
- 239000010151 yanghe Substances 0.000 description 12
- 230000008859 change Effects 0.000 description 9
- 230000007547 defect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 239000005431 greenhouse gas Substances 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 241001494479 Pecora Species 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010792 warming 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
- G06Q10/04—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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种径流量预测方法、装置、电子设备及存储介质,属于数据处理技术领域,包括:获取待预测时段内目标干流相关的每一关键支流在任一气候场景下的气象参数值;根据气象参数值,确定与目标干流相关的特征变量;将特征变量输入至径流量预测模型,以获取径流量预测结果;其中,径流量预测模型是由LSTM模型和LightGBM模型为模型基础联合构建的。本发明通过将能够解决网络模型存在的梯度消失和梯度***问题的LSTM模型和具有降低计算复杂度及计算成本的LightGBM模型结合,构建径流量预测模型,以用于对目标干流在待预测时段内的径流量进行预测,实现高精度径流量预测,为水资源管理及生态环境治理提供数据支持。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种径流量预测方法、装置、电子设备及存储介质。
背景技术
径流量的变化对水资源的开发、配置及管理影响越来越大。
目前主要通过定性分析法、物理驱动模型以及数据驱动模型三种方法进行径流量预测。
其中,定性分析法是以人的主观经验为主,根据获得的信息判断事情发展的结果,存在主观性较强导致预测精度较低的缺陷;物理驱动模型则是基于物理模型进行预测,存在容易受到多种复杂因素影响而导致预测精度较低的缺陷;数据驱动模型是通过分析数据,运用数据中的规律进行模拟,然而存在容易受到径流量预测中存在的多重不确定性问题以及数据的非线性和复杂性增添了径流量预测的难度导致预测精度不稳定的缺陷。
因此,业界亟需一种径流量预测方法,来克服现有的方法在实现径流量预测时的缺陷,进一步提升预测的精度。
发明内容
本发明提供一种径流量预测方法、装置、电子设备及存储介质,用以解决现有技术中径流量预测精度较低的缺陷。
第一方面,本发明提供一种径流量预测方法,包括:获取待预测时段内目标干流相关的每一关键支流在任一气候场景下的气象参数值;根据所述气象参数值,确定与所述目标干流的径流量相关的特征变量;将所述特征变量输入至径流量预测模型,以获取由所述径流量预测模型输出的所述目标干流在所述待预测时段内的径流量预测结果;其中,所述关键支流的历史月均径流量与所述目标干流的历史月均径流量之间的比值大于第一预设值;所述径流量预测模型是由长短期记忆人工神经网络模型和轻量梯度提升模型为模型基础联合构建的。
根据本发明提供的一种径流量预测方法,所述获取待预测时段内目标干流相关的每一关键支流在任一气候场景下的气象参数值,包括:从CanESM2气候模型、GFDL-ESM2M气候模型、HadGEM2-ES气候模型以及IPSL-CM5A-LR气候模型中选择任一气候模型作为目标气候模型;从所述目标气候模型所对应的气候情景中确定目标气候情景,所述目标气候情景为RCP2.6气候情景、RCP4.5气候情景、RCP6.0气候情景、以及RCP8.5气候情景中的一种;利用所述目标气候模型和所述目标气候情景,预测每一所述关键支流在待预测时段内的气象参数值。
根据本发明提供的一种径流量预测方法,所述气象参数值包括降水量、平均气温、最高气温、最低气温和平均相对湿度。
根据本发明提供的一种径流量预测方法,所述与所述目标干流的径流量相关的特征变量,包括所述目标干流所在区域的平均降水量和平均气温、所有关键支流的径流量,以及所述目标干流的历史平均径流量。
根据本发明提供的一种径流量预测方法,所述根据所述气象参数值,确定与所述目标干流的径流量相关的特征变量,包括:获取任一关键支流在所述待预测时段内的天顶辐射值;根据所述任一关键支流在所述待预测时段内的所述天顶辐射值、所述平均气温、所述最高气温和所述最低气温,计算出所述任一关键支流在所述待预测时段内的作物蒸发量;将所述任一关键支流在所述待预测时段内的作物蒸发量、降水量、平均气温和平均相对湿度,输入至多元线性回归预测模型,获取所述任一关键支流在待预测时段内的径流量;获取所述目标干流所在区域在待预测时段内的平均降水量和平均气温以及所述目标干流的历史平均径流量。
根据本发明提供的一种径流量预测方法,所述将所述特征变量输入至径流量预测模型,以获取由所述径流量预测模型输出的所述目标干流在所述待预测时段内的径流量预测结果,包括:将所述特征变量输入至所述长短期记忆人工神经网络模型,获取由所述长短期记忆人工神经网络模型输出的第一预测结果;将所述特征变量输入至所述轻量梯度提升模型,获取由所述轻量梯度提升模型输出的第二预测结果;确定构建所述径流量预测模型时,所述长短期记忆人工神经网络模型的第一权重以及所述轻量梯度提升模型的第二权重;根据所述第一预测结果、所述第二预测结果、所述第一权重和所述第二权重,确定所述径流量预测结果。
根据本发明提供的一种径流量预测方法,所述径流量预测模型是基于以下步骤训练得到的:获取多个连续历史时段内与所述目标干流的径流量相关的特征变量,并获取每个所述历史时段内所述目标干流的径流量;将任一历史时段内的特征变量以及所述任一历史时段的前一历史时段内的径流量作为样本,将所述任一历史时段内的径流量作为样本标签组建成一组训练样本,构建第一特征变量样本集;利用所述第一特征变量样本集对所述长短期记忆人工神经网络模型进行预训练;获取多个历史时段内与所述目标干流的径流量相关的特征变量,并获取每个所述历史时段内所述目标干流的径流量;将任一历史时段内的特征变量作为样本,将所述任一历史时段内的径流量作为所述样本对应的样本标签,组建成一组训练样本,构建第二特征变量样本集;利用所述第二特征变量样本集对所述轻量梯度提升模型进行预训练。
根据本发明提供的一种径流量预测方法,所述确定构建所述径流量预测模型时,所述长短期记忆人工神经网络模型的第一权重以及所述轻量梯度提升模型的第二权重,包括:在利用所述第一特征变量样本集对所述长短期记忆人工神经网络模型进行预训练后,获取所述长短期记忆人工神经网络模型的第一预测误差;在利用所述第二特征变量样本集对所述轻量梯度提升模型进行预训练后,获取所述轻量梯度提升模型的第二预测误差;基于所述第二预测误差与所述第一预测误差之间的比值,确定所述第一权重和所述第二权重;所述第一权重与所述第二权重的和为1。
第二方面,本发明还提供一种径流量预测装置,包括:气象参数确定单元,用于获取待预测时段内目标干流相关的每一关键支流在任一气候场景下的气象参数值;特征变量提取单元,用于根据所述气象参数值,确定与所述目标干流的径流量相关的特征变量;径流量预测单元,所述径流量预测单元中装载有径流量预测模型,用于接收输入的所述特征变量,以输出所述目标干流在所述待预测时段内的径流量预测结果;其中,所述关键支流的历史月均径流量与所述目标干流的历史月均径流量之间的比值大于第一预设值;所述径流量预测模型是由长短期记忆人工神经网络模型和轻量梯度提升模型为模型基础联合构建的。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述径流量预测方法的步骤。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述径流量预测方法的步骤。
第五方面,本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述径流量预测方法的步骤。
本发明提供的径流量预测方法、装置、电子设备及存储介质,通过将能够解决网络模型存在的梯度消失和梯度***问题的LSTM模型和具有降低计算复杂度及计算成本的LightGBM模型结合,构建径流量预测模型,以用于对目标干流在待预测时段内的径流量进行预测,实现高精度径流量预测,为水资源管理及生态环境治理提供数据支持。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的径流量预测方法的流程示意图之一;
图2是本发明提供的LSTM模型的自循环单元的结构示意图;
图3是本发明提供的径流量预测方法的流程示意图之二;
图4是本发明提供的径流量预测装置的结构示意图;
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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,本领域普通技术人员在没有作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。
需要说明的是,在本发明实施例的描述中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本申请中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。
下面结合图1至图5描述本发明实施例所提供的径流量预测方法、装置、电子设备及存储介质。
图1是本发明提供的径流量预测方法的流程示意图之一,如图1所示,包括但不限于以下步骤:
步骤101:获取待预测时段内目标干流相关的每一关键支流在任一气候场景下的气象参数值。
其中,关键支流的历史月均径流量与目标干流的历史月均径流量之间的比值大于第一预设值。
具体地,对目标干流在待预测时段内的径流量进行预测时,首先获取在待预测时段内,与目标干流相关的每一关键支流在任一气候场景下的气象参数值。待预测时段可以是未来的某一年,例如2030年;也可以是未来的某一个月,例如2030年1月;还可以是未来的某一天,例如2030年1月1日。
其中,关键支流的历史月均径流量与目标干流的历史月均径流量之间的比值大于第一预设值,第一预设值可以根据具体场景需求预先设定好。由于目标干流会有较多支流,因此需要通过比较每一支流的历史月均径流量与目标干流的历史月均径流量之间的比值和第一预设值,从而确定出对目标干流的径流量影响程度较高的关键支流。
进一步地,确定好关键支流后,便可获取每一关键支流在任一气候场景下的气象参数值。其中,任一气候场景可以通过选取不同的气候模型以及不同的气候情景确定,例如可以从CanESM2气候模型、GFDL-ESM2M气候模型等气候模型中随机选取一种气候模型,以及从RCP4.5气候情景、RCP8.5气候情景等气候情景中随机选取一种气候情景组合作为目标干流以及每一关键支流所在的气候场景。
可选地,可以随机选取出CanESM2气候模型作为气候模型,再随机选取出RCP4.5气候情景作为气候情景,从而组合作为气候场景。
通过确定目标干流以及每一关键支流所在的气候场景,进而可以直接从中获取到与目标干流相关的每一关键支流在该气候场景下的气象参数值。其中,气象参数值可以包括有日最高气温、日最低气温、降水量等气象参数。
步骤102:根据气象参数值,确定与目标干流的径流量相关的特征变量。
具体地,当获取到与目标干流相关的每一关键支流在任一气候场景下的气象参数值后,可以进一步根据获取到的气象参数值确定与目标干流的径流量相关的特征变量。
其中,与目标干流的径流量相关的特征变量可以包括有每一关键支流的径流量,目标干流所在区域的降水量、气温等特征变量。
步骤103:将特征变量输入至径流量预测模型,以获取由径流量预测模型输出的目标干流在待预测时段内的径流量预测结果。
其中,径流量预测模型是由长短期记忆人工神经网络模型和轻量梯度提升模型为模型基础联合构建的。
具体地,获取到与目标干流的径流量相关的特征变量后,可以输入至径流量预测模型中,从而获取到由径流量预测模型输出的目标干流在待预测时段内的径流量预测结果。
其中,径流量预测模型是由长短期记忆人工神经网络(Long Short-Term Memory,LSTM)模型和轻量梯度提升(Light Gradient Boosting Machine,LightGBM)模型为模型基础联合构建的。
LSTM模型能够通过自循环单元实现记忆长期序列,以及实现解决梯度消失和梯度***的问题。
图2是本发明提供的LSTM模型的自循环单元的结构示意图,如图2所示,其中,自循环单元通过遗忘门(f t )、输入门(i t )和输出门(o t )控制自循环单元的功能,以实现对序列数据的记忆和预测。
其中,t-1时刻的特征变量Xt-1输入进LSTM自循环单元后,其输出结果ht-1以及LSTM自循环单元的细胞状态Ct-1也将输入至下一时刻的LSTM自循环单元。LSTM自循环单元中的遗忘门由一个σ神经网络层以及一个按位乘操作组成;输入门由一个σ神经网络层、一个tanh双曲正切函数、一个按位乘操作以及一个按位加操作组成;输出门由一个σ神经网络层、一个tanh双曲正切函数以及一个按位乘操作组成。
具体地,t时刻的自循环单元通过遗忘门、输入门和输出门,将基于t时刻的输入特征变量Xt、t-1时刻的输出结果ht-1以及LSTM自循环单元的细胞状态Ct-1获得输出结果ht,并更新LSTM自循环单元的细胞状态为Ct,并将t时刻的输出结果ht以及LSTM自循环单元的细胞状态Ct输入至t+1时刻的LSTM自循环单元。
LightGBM模型是一个基于分布式的、高性能的梯度提升框架算法搭建的网络模型,相较于传统的梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型,LightGBM模型通过引入正则化以防止过拟合的问题,同时还采用基于Histogram的决策树算法以及带深度限制的Leaf-wise的叶子生长策略以提高运行速度,减少内存消耗,提高预测结果的准确率。
本发明充分利用LSTM模型和LightGBM模型在内进行特征提取以及特征分析处理中的优点,通过将两者的优点相结合,联合构建出径流量预测模型。
进一步地,将特征变量输入至径流量预测模型后,可以基于LSTM模型的输出结果以及LightGBM模型的输出结果确定目标干流在待预测时段内的径流量预测结果。
因此,相较于现有技术,本发明通过采用可以解决梯度消失和梯度***问题的LSTM模型,以及可以降低计算复杂度和计算成本的LightGBM模型,能够有效克服现有技术因为采用单一模型而导致在径流量预测中存在多重不确定性问题而引起的预测精度较低的缺陷,还能有效克服径流量预测中所用到的数据的非线性和复杂性而引起的预测精度不稳定的缺陷。
本发明提供的径流量预测方法,通过将能够解决网络模型存在的梯度消失和梯度***问题的LSTM模型和具有降低计算复杂度及计算成本的LightGBM模型结合,构建径流量预测模型,以用于对目标干流在待预测时段内的径流量进行预测,实现高精度径流量预测,为水资源管理及生态环境治理提供数据支持。
基于上述实施例的内容,作为一种可选实施例,获取待预测时段内目标干流相关的每一关键支流在任一气候场景下的气象参数值,包括:
从CanESM2气候模型、GFDL-ESM2M气候模型、HadGEM2-ES气候模型以及IPSL-CM5A-LR气候模型中选择任一气候模型作为目标气候模型。
从目标气候模型所对应的气候情景中确定目标气候情景,目标气候情景为RCP2.6气候情景、RCP4.5气候情景、RCP6.0气候情景、以及RCP8.5气候情景中的一种。
利用目标气候模型和目标气候情景,预测每一关键支流在待预测时段内的气象参数值。
具体地,当获取待预测时段内目标干流相关的每一关键支流在任一气候场景下的气象参数值的时候,从CanESM2气候模型、GFDL-ESM2M气候模型、HadGEM2-ES气候模型以及IPSL-CM5A-LR气候模型中选择任一气候模型作为目标气候模型。
其中,CanESM2气候模型是加拿大气象中心开发的全球气候模型。它是一种耦合模型,基于物理原理和数值方法,使用复杂的数学方程组来模拟气候***的行为,可以模拟大气、海洋、陆地和海冰***之间的相互作用,并预测未来几十年或几百年的气候变化。
GFDL-ESM2M气候模型是美国地球物理流体动力学实验室开发的全球气候模型,可以基于物理方程和地球***的基本过程,模拟全球气候变化的各个方面,包括温度、降水、海平面上升等。
HadGEM2-ES气候模型是英国气象局开发的全球气候模型,也是一个基于物理过程的复杂模型,用于研究全球气候变化和对人类活动的响应。
IPSL-CM5A-LR气候模型是法国国家科学研究中心的气候与环境科学实验室开发的全球气候模型,是基于海洋-大气-陆地相互作用的全球气候模型,可以用来模拟和预测全球气候***的变化和反应。
进一步地,确定好目标气候模型后,还需要选择与目标气候模型对应的气候情景,例如CanESM2气候模型对应的气候情景有RCP4.5气候情景以及RCP8.5气候情景,GFDL-ESM2M气候模型对应的气候情景有RCP2.6气候情景、RCP4.5气候情景、RCP6.0气候情景、以及RCP8.5气候情景,HadGEM2-ES气候模型对应的气候情景有RCP4.5气候情景以及RCP8.5气候情景,IPSL-CM5A-LR气候模型对应的气候情景有RCP2.6气候情景、RCP4.5气候情景、RCP6.0气候情景、以及RCP8.5气候情景。
典型浓度路径(Representative Concentration Pathways,RCP)气候情景描述了四种可能的温室气体排放、大气浓度、空气污染物排放和土地利用综合发展路径。RCP气候情景没有固定的人口、技术和经济等发展假设,而是以未来的辐射强迫和浓度为目标,强调各种温室气体和气溶胶的排放路径和相当于CO2浓度的综合结果。四种RCP气候情景分别为RCP8.5、RCP6.0、RCP4.5和RCP2.6。
其中,RCP2.6气候情景是温室气体排放和辐射强迫最低的气候情景,对应于2C的增温阈值,辐射强迫达到3Wm-2的峰值后开始减小,并在2100年达到2.6Wm-2左右。在2070年以后CO2排放将为负值,2010-2100年累积温室气体排放比基准年减少70%。
RCP4.5气候情景是一种中等偏低强迫的气候情景,在该气候情景下,CO2排放增长缓慢,并在2040年前后达到峰值后开始下降。
RCP6.0气候情景是一种中等偏高强迫的气候情景,在该气候情景下,CO2排放在2060年前后达到峰值后开始下降。
RCP8.5气候情景是一种温室气体高排放气候情景,被认为是最极端的,并且是对气候变化最不理想的预测,在该气候情景下,CO2排放将持续增加。
进一步地,当确定好目标气候模型和目标气候情景,便可基于目标气候模型和目标气候情景对全球气候***的变化的预测,获取每一关键支流在待预测时段内的气象参数值。
作为一种可选的实施例,基于目标气候模型和目标气候情景对全球气候***的变化的预测,获取每一关键支流在待预测时段内的气象参数值时,获取到的气象参数值包括降水量、平均气温、最高气温、最低气温和平均相对湿度,其中可以以日为单位,也可以以月为单位,还可以以年为单位。
需要说明的是,本发明可以通过选择不同的气候模型与不同的气候情景,最终提供总共12种气候场景,而与12种气候场景对应的12种径流量预测结果,则表示在待预测时段内,目标干流的径流量有着12种可能性结果,且这12种可能性结果均有可能发生。
因此,通过获取不同的气候模型与不同的气候情景下目标干流的径流量预测结果,有助于为水资源管理及生态环境治理提供数据支持。
本发明提供的径流量预测方法,根据确定好的目标气候模型和目标气候情景作为气候场景,获取每一关键支流在待预测时段内的气象参数值,最终获取到目标干流的多种径流量预测结果,有助于为水资源管理及生态环境治理提供数据支持。
基于上述实施例的内容,作为一种可选实施例,与目标干流的径流量相关的特征变量,包括目标干流所在区域的平均降水量和平均气温、所有关键支流的径流量,以及目标干流的历史平均径流量。
具体地,通过气象参数值确定与目标干流的径流量相关的特征变量时,主要包括目标干流所在区域的平均降水量和平均气温,所有关键支流的径流量,以及目标干流的历史平均径流量。其中,目标干流的历史平均径流量也是一个重要的参考因素,可以是通过获取预设的历史时长内目标干流的月均径流量而得到的,也可以是通过获取预设的历史时长内目标干流的年均径流量来得到的,预设的历史时长可以根据具体的场景使用需求预先确定的。
例如,以石羊河作为目标干流为例,则获取与石羊河的径流量相关的特征变量时,主要获取东大河径流量、黄羊河径流量、西营河径流量、古浪河径流量、金塔河径流量、杂木河径流量、石羊河的历史平均径流量以及石羊河所在区域武威市的平均降水量和平均气温,其中,石羊河的历史平均径流量可以是石羊河在2000年到2010年之间的月均径流量。上述特征变量均能够在一定程度上影响石羊河的径流量。
本发明提供的径流量预测方法,通过获取目标干流所在区域的平均降水量和平均气温,以及所有关键支流的径流量,能够有效提高径流量预测模型的预测精度,以便于为水资源管理及生态环境治理提供数据支持。
基于上述实施例的内容,作为一种可选实施例,根据气象参数值,确定与目标干流的径流量相关的特征变量,包括:
获取任一关键支流在待预测时段内的天顶辐射值。
根据任一关键支流在待预测时段内的天顶辐射值、平均气温、最高气温和最低气温,计算出任一关键支流在待预测时段内的作物蒸发量。
将任一关键支流在待预测时段内的作物蒸发量、降水量、平均气温和平均相对湿度,输入至多元线性回归预测模型,获取任一关键支流在待预测时段内的径流量。
获取目标干流所在区域在待预测时段内的平均降水量和平均气温以及目标干流的历史平均径流量。
具体地,根据气象参数值,确定与目标干流的径流量相关的特征变量时,首先获取任一关键支流在待预测时段内的天顶辐射值,可由以下公式(1)计算得到:
进一步地,获取到任一关键支流在待预测时段内的天顶辐射值后,便可根据该天顶辐射值、平均气温、最高气温和最低气温,计算出任一关键支流在待预测时段内的作物蒸发量,可由哈格里夫斯公式,即公式(2)计算出:
当获取到任一关键支流在待预测时段内的作物蒸发量后,便可将任一关键支流在待预测时段内的作物蒸发量、降水量、平均气温和平均相对湿度,输入至多元线性回归预测(Multiple Linear Regression,MLR)模型,获取任一关键支流在待预测时段内的径流量。
其中,MLR模型是一种基于线性模型的机器学习算法,可以用于建立因变量和一个或多个自变量之间的关系。
通过将上述作物蒸发量、降水量、平均气温和平均相对湿度输入至预先设定好参数的MLR模型,便可获取任一关键支流在待预测时段内的径流量。
例如,通过MLR模型计算古浪河的径流量时,根据预先确定好的b0、b1、b2、b3、b4总计五个参数,分别为1.7159、0.0050、-0.2849、-0.0004、0.0134,获取到古浪河在2030年的降水量为444.74、平均气温为-0.59、作物蒸发量为57.59、平均相对湿度为62.83,则可以计算出古浪河的流速为:
444.74×b1+-0.59×b2+57.59×b3+62.83×b4+b0=4.92m³/s。
进而可以计算出古浪河2030年径流量为1.55亿立方米。
遍历所有关键支流后,便可获取到所有关键支流在待预测时段内的径流量,进一步还可以通过预先确定好的气候模型以及气候情景,获取到目标干流所在区域在待预测时段内的平均降水量和平均气温以及通过目标干流的历史径流量数据,获取到目标干流的历史平均径流量。
本发明提供的径流量预测方法,可以通过计算出天顶辐射值以确定作物蒸发量,从而最终计算出任一关键支流在待预测时段内的径流量,从而最终获取到用于输入至径流量预测模型的特征变量,以便于获取目标干流在待预测时段内的径流量预测结果。
基于上述实施例的内容,作为一种可选实施例,将特征变量输入至径流量预测模型,以获取由径流量预测模型输出的目标干流在待预测时段内的径流量预测结果,包括:
将特征变量输入至长短期记忆人工神经网络模型,获取由长短期记忆人工神经网络模型输出的第一预测结果。
将特征变量输入至轻量梯度提升模型,获取由轻量梯度提升模型输出的第二预测结果。
确定构建径流量预测模型时,长短期记忆人工神经网络模型的第一权重以及轻量梯度提升模型的第二权重。
根据第一预测结果、第二预测结果、第一权重和第二权重,确定径流量预测结果。
具体地,将特征变量输入至径流量预测模型,以获取由径流量预测模型输出的目标干流在待预测时段内的径流量预测结果时,可以将特征变量输入至长短期记忆人工神经网络模型,从而获取到由长短期记忆人工神经网络模型输出的第一预测结果。
同样还可以将特征变量输入至轻量梯度提升模型,从而获取由轻量梯度提升模型输出的第二预测结果。
进一步地,可以在构建径流量预测模型时,预先设置长短期记忆人工神经网络模型的第一权重以及轻量梯度提升模型的第二权重。其中,第一权重和第二权重可以是根据具体场景使用需求预先设定好的,例如可以设置长短期记忆人工神经网络模型的第一权重为0.4,轻量梯度提升模型的第二权重为0.6。
最后,可以根据第一预测结果、第二预测结果、第一权重和第二权重,确定径流量预测模型输出的径流量预测结果。例如,当第一预测结果为100、第二预测结果为120、第一权重为0.4以及第二权重为0.6时,则可以确定径流量预测模型输出的径流量预测结果为:
100×0.4+120×0.6=112。
本发明提供的径流量预测方法,可以通过设置长短期记忆人工神经网络模型的第一权重以及轻量梯度提升模型的第二权重,从而综合长短期记忆人工神经网络模型的第一预测结果以及轻量梯度提升模型的第二预测结果,进一步提高径流量预测模型的预测精度,克服了单一模型容易受到径流量预测中存在的多重不确定性问题的缺陷。
基于上述实施例的内容,作为一种可选实施例,径流量预测模型是基于以下步骤训练得到的:
获取多个连续历史时段内与目标干流的径流量相关的特征变量,并获取每个历史时段内目标干流的径流量。
将任一历史时段内的特征变量以及任一历史时段的前一历史时段内的径流量作为样本,将任一历史时段内的径流量作为样本标签组建成一组训练样本,构建第一特征变量样本集。
利用第一特征变量样本集对长短期记忆人工神经网络模型进行预训练。
获取多个历史时段内与目标干流的径流量相关的特征变量,并获取每个历史时段内目标干流的径流量。
将任一历史时段内的特征变量作为样本,将任一历史时段内的径流量作为样本对应的样本标签,组建成一组训练样本,构建第二特征变量样本集。
利用第二特征变量样本集对轻量梯度提升模型进行预训练。
具体地,径流量预测模型中的长短期记忆人工神经网络模型可以通过以下步骤进行预训练。
首先,获取多个连续历史时段内与目标干流的径流量相关的特征变量,并获取每个历史时段内目标干流的径流量。例如,可以获取1955年至2017年每年与石羊河的径流量相关的特征变量(例如东大河径流量、黄羊河径流量、西营河径流量、古浪河径流量、金塔河径流量、杂木河径流量以及石羊河所在区域武威市的平均降水量和平均气温),并获取每年石羊河的实际径流量。
将任一历史时段内的特征变量以及该任一历史时段的前一历史时段内的径流量作为样本(例如可以将2010年时段内的特征变量以及2009年的径流量作为样本),将任一历史时段内的径流量作为样本标签组建成一组训练样本,构建第一特征变量样本集。
可选地,也可以将任一历史时段内的特征变量以及该任一历史时段的前任意个历史时段内的径流量作为样本,例如可以将2010年时段内的特征变量以及2009年、2008年、2007年的径流量作为样本,也可以将2010年时段内的特征变量以及2009年、2008年、2007年、2006年的径流量作为样本。
可选地,也可以通过获取多组训练样本,以构建第一特征变量样本集。
通过第一特征变量样本集对长短期记忆人工神经网络模型进行预训练,根据长短期记忆人工神经网络模型的每一次输出结果对长短期记忆人工神经网络模型的模型参数进行调整,最终完成长短期记忆人工神经网络模型的预训练过程。
其中,可以是达到预先设定好的预训练次数后,视为完成长短期记忆人工神经网络模型的预训练过程;也可以是当长短期记忆人工神经网络模型的训练输出结果收敛,视为完成长短期记忆人工神经网络模型的预训练过程。
进一步地,也可以多个历史时段内与目标干流的径流量相关的特征变量,并获取每个历史时段内目标干流的实际径流量。
将任一历史时段内的特征变量作为样本(如可以将2010年时段内的特征变量作为样本),将任一历史时段内的径流量作为样本标签组建成一组训练样本,构建第二特征变量样本集。
通过第二特征变量样本集对轻量梯度提升模型进行预训练,根据轻量梯度提升模型的每一次输出结果对轻量梯度提升模型的模型参数进行调整,最终完成轻量梯度提升模型的预训练过程。
其中,可以是达到预先设定好的预训练次数后,视为完成轻量梯度提升模型的预训练过程;也可以是当轻量梯度提升模型的训练输出结果收敛,视为完成轻量梯度提升模型的预训练过程。
作为一种可选的实施例,在完成对长短期记忆人工神经网络模型以及轻量梯度提升模型的预训练过程后,还可以通过使用排列重要性法对长短期记忆人工神经网络模型进行可解释性研究,以及通过使用SHAP值对轻量梯度提升模型进行可解释性研究。
其中,可解释性研究是指解释模型预测中的物理过程,能够有助于提高模型可靠性以及修改模型中的权重参数。
排列重要性法主要是通过观测对比当预测精度在减少输入某一特征变量后的变化程度,从而反映出该特征变量的重要性,例如当输入9个特征变量后,获取到长短期记忆人工神经网络模型的第一次预测结果,并与实际径流量比较获取预测精度,然后去除一个特征变量,即输入8个特征变量后,获取长短期记忆人工神经网络模型的第二次预测结果,并获取与第二次预测结果对应的预测精度,并比较前后预测精度的变化幅度,从而确定该特征变量的重要性。
可选地,也可以多次进行上述获取前后预测精度的变化幅度,并取平均值作为最终的预测精度的变化幅度,以反映该特征变量的重要性。
可选地,该预测精度可以是通过纳什系数作为评价标准,以验证模型模拟结果的好坏,具体的预测精度计算如公式(3)所示:
进一步地,还可以通过SHAP值对轻量梯度提升模型进行可解释性研究。其中,SHAP值是一种用于解释机器学习模型预测的方法。SHAP值是基于Shapley值的概念而开发的,该概念起源于合作博弈论。SHAP值通过考虑每个特征变量对预测结果的贡献来为每个特征变量分配一个重要性得分。
使用SHAP值,可以确定哪些特征变量对模型的预测结果具有最大的影响,以及这些特征变量如何影响模型的预测。SHAP值可用于比较模型中不同特征变量的重要性,以及对模型的后续优化和改进的指导提供数据支持。
因此,通过对长短期记忆人工神经网络模型以及轻量梯度提升模型进行可解释性研究,能够进一步提高长短期记忆人工神经网络模型以及轻量梯度提升模型的模型参数合理性,从而提高模型的预测精度,有助于为水资源管理及生态环境治理提供更高精度的数据支持。
本发明提供的径流量预测方法,通过获取历史数据特征变量样本以及实际径流量构建训练数据集,对长短期记忆人工神经网络模型以及轻量梯度提升模型进行预训练,从而提高径流量预测模型的预测精度,有助于为水资源管理及生态环境治理提供更高精度的数据支持。
基于上述实施例的内容,作为一种可选实施例,确定构建径流量预测模型时,长短期记忆人工神经网络模型的第一权重以及轻量梯度提升模型的第二权重,包括:
在利用第一特征变量样本集对长短期记忆人工神经网络模型进行预训练后,获取长短期记忆人工神经网络模型的第一预测误差。
在利用第二特征变量样本集对轻量梯度提升模型进行预训练后,获取轻量梯度提升模型的第二预测误差。
基于第二预测误差与第一预测误差之间的比值,确定第一权重和第二权重。
第一权重与第二权重的和为1。
具体地,在构建径流量预测模型时,可以通过获取长短期记忆人工神经网络模型在预训练过程中的第一预测误差,以及轻量梯度提升模型在预训练过程中的第二预测误差,来确定长短期记忆人工神经网络模型的第一权重以及轻量梯度提升模型的第二权重。
其中,第一预测误差可以是长短期记忆人工神经网络模型在预训练过程中的均方根误差RMSE,也可以是长短期记忆人工神经网络模型在预训练过程中的平均绝对误差MAE;第二预测误差可以是轻量梯度提升模型在预训练过程中的均方根误差RMSE,也可以是轻量梯度提升模型在预训练过程中的平均绝对误差MAE。
可选地,可以基于第二预测误差与第一预测误差之间的比值,确定第一权重和第二权重,且第一权重和第二权重的和为1。
例如,长短期记忆人工神经网络模型在预训练过程中的均方根误差为0.111,轻量梯度提升模型在预训练过程中的均方根误差为0.089,则可以通过以下公式(4)以及公式(5)确定第一权重、第二权重:
则可以依据公式(4)和公式(5)计算出第一权重为0.445以及第二权重为0.555。
本发明提供的径流量预测方法,通过获取长短期记忆人工神经网络模型和轻量梯度提升模型在预训练过程中的预测误差,进而根据该预测误差确定长短期记忆人工神经网络模型和轻量梯度提升模型的权重,能够使得预测精度更高的模型在确定径流量预测结果时候的权重值更大,进而相对应地提高径流量预测模型预测结果的精确度,有助于为水资源管理及生态环境治理提供更高精度的数据支持。
最后,为了更清晰地说明本发明提供的径流量预测方法、装置、电子设备及存储介质,提供以下实施例进行说明。
图3是本发明提供的径流量预测方法的流程示意图之二,如图3所示,主要包括但不限于以下步骤:
首先,确定目标气候模型以及目标气候情景作为气候场景;其中,总共有12种气候场景,可以随机选取其中一种作为气候场景。
从气候场景中获取每一关键支流的气象参数值,进而根据每一关键支流的气象参数值获取与目标干流的径流量相关的特征变量(例如东大河月均径流量、黄羊河月均径流量、西营河月均径流量、古浪河月均径流量、金塔河月均径流量、杂木河月均径流量、石羊河历史月均径流量以及石羊河所在区域武威市的月均降水量和月均气温)。
进一步地,将上述特征变量输入至径流量预测模型,基于LSTM模型和LightGBM模型的预测结果以及两个模型的权重,获取径流量预测结果。其中,LSTM模型和LightGBM模型的权重可以是通过评价指标RMSE、纳什系数NSE、平均绝对误差MAE以及峰值误差EP值中的任一种评价指标来确定的。
可选地,还可以通过排列重要性法对LSTM模型,以及通过SHAP值对LightGBM模型进行可解释性研究,以提高模型参数的合理性,进而提高径流量预测模型的预测精度。
图4是本发明提供的径流量预测装置的结构示意图,如图4所示,主要包括:气象参数确定单元41、特征变量提取单元42和径流量预测单元43,其中:
气象参数确定单元41,用于获取待预测时段内目标干流相关的每一关键支流在任一气候场景下的气象参数值。
特征变量提取单元42,用于根据所述气象参数值,确定与所述目标干流的径流量相关的特征变量。
径流量预测单元43,所述径流量预测单元中装载有径流量预测模型,用于接收输入的所述特征变量,以输出所述目标干流在所述待预测时段内的径流量预测结果。
其中,所述关键支流的历史月均径流量与所述目标干流的历史月均径流量之间的比值大于第一预设值;所述径流量预测模型是由长短期记忆人工神经网络模型和轻量梯度提升模型为模型基础联合构建的。
需要说明的是,本发明实施例提供的径流量预测装置,在具体运行时,可以执行上述任一实施例所述的径流量预测方法,对此本实施例不作赘述。
本发明提供的径流量预测装置,通过将能够解决网络模型存在的梯度消失和梯度***问题的LSTM模型和具有降低计算复杂度及计算成本的LightGBM模型结合,构建径流量预测模型,以用于对目标干流在待预测时段内的径流量进行预测,实现高精度径流量预测,为水资源管理及生态环境治理提供数据支持。
图5是本发明提供的电子设备的结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行径流量预测方法,该方法包括:获取待预测时段内目标干流相关的每一关键支流在任一气候场景下的气象参数值;根据所述气象参数值,确定与所述目标干流的径流量相关的特征变量;将所述特征变量输入至径流量预测模型,以获取由所述径流量预测模型输出的所述目标干流在所述待预测时段内的径流量预测结果;其中,所述关键支流的历史月均径流量与所述目标干流的历史月均径流量之间的比值大于第一预设值;所述径流量预测模型是由长短期记忆人工神经网络模型和轻量梯度提升模型为模型基础联合构建的。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各实施例所提供的径流量预测方法,该方法包括:获取待预测时段内目标干流相关的每一关键支流在任一气候场景下的气象参数值;根据所述气象参数值,确定与所述目标干流的径流量相关的特征变量;将所述特征变量输入至径流量预测模型,以获取由所述径流量预测模型输出的所述目标干流在所述待预测时段内的径流量预测结果;其中,所述关键支流的历史月均径流量与所述目标干流的历史月均径流量之间的比值大于第一预设值;所述径流量预测模型是由长短期记忆人工神经网络模型和轻量梯度提升模型为模型基础联合构建的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的径流量预测方法,该方法包括:获取待预测时段内目标干流相关的每一关键支流在任一气候场景下的气象参数值;根据所述气象参数值,确定与所述目标干流的径流量相关的特征变量;将所述特征变量输入至径流量预测模型,以获取由所述径流量预测模型输出的所述目标干流在所述待预测时段内的径流量预测结果;其中,所述关键支流的历史月均径流量与所述目标干流的历史月均径流量之间的比值大于第一预设值;所述径流量预测模型是由长短期记忆人工神经网络模型和轻量梯度提升模型为模型基础联合构建的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种径流量预测方法,其特征在于,包括:
获取待预测时段内目标干流相关的每一关键支流在任一气候场景下的气象参数值;
根据所述气象参数值,确定与所述目标干流的径流量相关的特征变量;
将所述特征变量输入至径流量预测模型,以获取由所述径流量预测模型输出的所述目标干流在所述待预测时段内的径流量预测结果;
其中,所述关键支流的历史月均径流量与所述目标干流的历史月均径流量之间的比值大于第一预设值;所述径流量预测模型是由长短期记忆人工神经网络模型和轻量梯度提升模型为模型基础联合构建的。
2.根据权利要求1所述的径流量预测方法,其特征在于,所述获取待预测时段内目标干流相关的每一关键支流在任一气候场景下的气象参数值,包括:
从CanESM2气候模型、GFDL-ESM2M气候模型、HadGEM2-ES气候模型以及IPSL-CM5A-LR气候模型中选择任一气候模型作为目标气候模型;
从所述目标气候模型所对应的气候情景中确定目标气候情景,所述目标气候情景为RCP2.6气候情景、RCP4.5气候情景、RCP6.0气候情景、以及RCP8.5气候情景中的一种;
利用所述目标气候模型和所述目标气候情景,预测每一所述关键支流在待预测时段内的气象参数值。
3.根据权利要求1所述的径流量预测方法,其特征在于,所述气象参数值包括降水量、平均气温、最高气温、最低气温和平均相对湿度。
4.根据权利要求3所述的径流量预测方法,其特征在于,所述与所述目标干流的径流量相关的特征变量,包括所述目标干流所在区域的平均降水量和平均气温、所有关键支流的径流量,以及所述目标干流的历史平均径流量。
5.根据权利要求4所述的径流量预测方法,其特征在于,所述根据所述气象参数值,确定与所述目标干流的径流量相关的特征变量,包括:
获取任一关键支流在所述待预测时段内的天顶辐射值;
根据所述任一关键支流在所述待预测时段内的所述天顶辐射值、所述平均气温、所述最高气温和所述最低气温,计算出所述任一关键支流在所述待预测时段内的作物蒸发量;
将所述任一关键支流在所述待预测时段内的作物蒸发量、降水量、平均气温和平均相对湿度,输入至多元线性回归预测模型,获取所述任一关键支流在待预测时段内的径流量;
获取所述目标干流所在区域在待预测时段内的平均降水量和平均气温以及所述目标干流的历史平均径流量。
6.根据权利要求1-5任一项所述的径流量预测方法,其特征在于,所述将所述特征变量输入至径流量预测模型,以获取由所述径流量预测模型输出的所述目标干流在所述待预测时段内的径流量预测结果,包括:
将所述特征变量输入至所述长短期记忆人工神经网络模型,获取由所述长短期记忆人工神经网络模型输出的第一预测结果;
将所述特征变量输入至所述轻量梯度提升模型,获取由所述轻量梯度提升模型输出的第二预测结果;
确定构建所述径流量预测模型时,所述长短期记忆人工神经网络模型的第一权重以及所述轻量梯度提升模型的第二权重;
根据所述第一预测结果、所述第二预测结果、所述第一权重和所述第二权重,确定所述径流量预测结果。
7.根据权利要求6所述的径流量预测方法,其特征在于,所述径流量预测模型是基于以下步骤训练得到的:
获取多个连续历史时段内与所述目标干流的径流量相关的特征变量,并获取每个所述历史时段内所述目标干流的径流量;
将任一历史时段内的特征变量以及所述任一历史时段的前一历史时段内的径流量作为样本,将所述任一历史时段内的径流量作为样本标签组建成一组训练样本,构建第一特征变量样本集;
利用所述第一特征变量样本集对所述长短期记忆人工神经网络模型进行预训练;
获取多个历史时段内与所述目标干流的径流量相关的特征变量,并获取每个所述历史时段内所述目标干流的径流量;
将任一历史时段内的特征变量作为样本,将所述任一历史时段内的径流量作为所述样本对应的样本标签,组建成一组训练样本,构建第二特征变量样本集;
利用所述第二特征变量样本集对所述轻量梯度提升模型进行预训练。
8.根据权利要求7所述的径流量预测方法,其特征在于,所述确定构建所述径流量预测模型时,所述长短期记忆人工神经网络模型的第一权重以及所述轻量梯度提升模型的第二权重,包括:
在利用所述第一特征变量样本集对所述长短期记忆人工神经网络模型进行预训练后,获取所述长短期记忆人工神经网络模型的第一预测误差;
在利用所述第二特征变量样本集对所述轻量梯度提升模型进行预训练后,获取所述轻量梯度提升模型的第二预测误差;
基于所述第二预测误差与所述第一预测误差之间的比值,确定所述第一权重和所述第二权重;
所述第一权重与所述第二权重的和为1。
9.一种径流量预测装置,其特征在于,包括:
气象参数确定单元,用于获取待预测时段内目标干流相关的每一关键支流在任一气候场景下的气象参数值;
特征变量提取单元,用于根据所述气象参数值,确定与所述目标干流的径流量相关的特征变量;
径流量预测单元,所述径流量预测单元中装载有径流量预测模型,用于接收输入的所述特征变量,以输出所述目标干流在所述待预测时段内的径流量预测结果;
其中,所述关键支流的历史月均径流量与所述目标干流的历史月均径流量之间的比值大于第一预设值;所述径流量预测模型是由长短期记忆人工神经网络模型和轻量梯度提升模型为模型基础联合构建的。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述径流量预测方法的步骤。
11.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述径流量预测方法的步骤。
12.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述径流量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310391493.5A CN116167526A (zh) | 2023-04-13 | 2023-04-13 | 径流量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310391493.5A CN116167526A (zh) | 2023-04-13 | 2023-04-13 | 径流量预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116167526A true CN116167526A (zh) | 2023-05-26 |
Family
ID=86420318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310391493.5A Pending CN116167526A (zh) | 2023-04-13 | 2023-04-13 | 径流量预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167526A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490366A (zh) * | 2019-07-15 | 2019-11-22 | 西安理工大学 | 基于变分模态分解和迭代决策树的径流量预测方法 |
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*** |
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*** |
CN113344254A (zh) * | 2021-05-20 | 2021-09-03 | 山西省交通新技术发展有限公司 | 一种基于LSTM-LightGBM-KNN的高速公路服务区车流预测方法 |
CN114219131A (zh) * | 2021-11-24 | 2022-03-22 | 江西省水利科学院 | 一种基于lstm的流域径流预测方法 |
CN115049135A (zh) * | 2022-06-22 | 2022-09-13 | 麦紫君 | 基于vmd和注意力机制前置的lstm中长期径流量预测方法 |
WO2023275599A1 (en) * | 2021-07-01 | 2023-01-05 | Telefonaktiebolaget Lm Ericsson (Publ) | Training a machine learning model to identify a relationship between data items |
-
2023
- 2023-04-13 CN CN202310391493.5A patent/CN116167526A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490366A (zh) * | 2019-07-15 | 2019-11-22 | 西安理工大学 | 基于变分模态分解和迭代决策树的径流量预测方法 |
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*** |
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*** |
CN113344254A (zh) * | 2021-05-20 | 2021-09-03 | 山西省交通新技术发展有限公司 | 一种基于LSTM-LightGBM-KNN的高速公路服务区车流预测方法 |
WO2023275599A1 (en) * | 2021-07-01 | 2023-01-05 | Telefonaktiebolaget Lm Ericsson (Publ) | Training a machine learning model to identify a relationship between data items |
CN114219131A (zh) * | 2021-11-24 | 2022-03-22 | 江西省水利科学院 | 一种基于lstm的流域径流预测方法 |
CN115049135A (zh) * | 2022-06-22 | 2022-09-13 | 麦紫君 | 基于vmd和注意力机制前置的lstm中长期径流量预测方法 |
Non-Patent Citations (2)
Title |
---|
王愈轩 等: "基于CNN-LSTM-lightGBM组合的超短期风电功率预测方法", 科学技术与工程, vol. 22, no. 36, pages 16067 - 16074 * |
赵军凯;李九发;蒋陈娟;李立现;赵追;张爱社;曹铭: "长江中下游河湖水量交换过程", 水科学进展, vol. 24, no. 006 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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*** | |
Huan et al. | Prediction of dissolved oxygen in aquaculture based on gradient boosting decision tree and long short-term memory network: A study of Chang Zhou fishery demonstration base, China | |
CN107909206B (zh) | 一种基于深层结构循环神经网络的pm2.5预测方法 | |
Beven et al. | Concepts of information content and likelihood in parameter calibration for hydrological simulation models | |
CN106022521B (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
Wang et al. | Fast domain-aware neural network emulation of a planetary boundary layer parameterization in a numerical weather forecast model | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN110928993A (zh) | 基于深度循环神经网络的用户位置预测方法及*** | |
CN106960252A (zh) | 基于长短时记忆神经网络的电力负荷预测方法 | |
CN111260030A (zh) | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 | |
CN112651665A (zh) | 一种基于图神经网络的地表水水质指标预测方法和装置 | |
CN107346459B (zh) | 一种基于遗传算法改进的多模式污染物集成预报方法 | |
CN109214579B (zh) | 基于bp神经网络的盐碱地稳定性预测方法及*** | |
CN112396152A (zh) | 一种基于cs-lstm的洪水预报方法 | |
CN113516304B (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
CN114254127A (zh) | 学生能力画像方法、学习资源推荐方法及装置 | |
CN112163671A (zh) | 一种新能源场景生成方法及*** | |
CN107798431A (zh) | 一种基于改进Elman神经网络的中长期径流预报方法 | |
CN114723188A (zh) | 水质预测方法、装置、计算机设备和存储介质 | |
Yilmaz et al. | Prediction of suspended sediment loading by means of hybrid artificial intelligence approaches | |
Ghorbani et al. | Inter-comparison of an evolutionary programming model of suspended sediment time-series with other local models | |
CN112560633A (zh) | 基于深度学习的植物关键物候期时间点预测方法及*** | |
CN116167526A (zh) | 径流量预测方法、装置、电子设备及存储介质 | |
CN110852415A (zh) | 基于神经网络算法的植被指数预测方法、***及设备 |
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 |