CN117114523A - 基于条件互信息的径流预报模型构建和径流预报方法 - Google Patents
基于条件互信息的径流预报模型构建和径流预报方法 Download PDFInfo
- Publication number
- CN117114523A CN117114523A CN202311371132.0A CN202311371132A CN117114523A CN 117114523 A CN117114523 A CN 117114523A CN 202311371132 A CN202311371132 A CN 202311371132A CN 117114523 A CN117114523 A CN 117114523A
- Authority
- CN
- China
- Prior art keywords
- predictor
- data
- runoff
- key
- predictors
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 25
- 238000013277 forecasting method Methods 0.000 title abstract description 11
- 238000012360 testing method Methods 0.000 claims description 93
- 238000000034 method Methods 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 44
- 230000015654 memory Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003908 quality control method 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及水文预报技术领域,公开了基于条件互信息的径流预报模型构建和径流预报方法,径流预报模型构建方法基于不同预报因子数据与径流数据之间条件互信息的二阶近似值确定不同预报因子中的潜在关键预报因子,对潜在关键预报因子建立单个假设检验,基于建立的单个假设检验判断潜在关键预报因子是否为关键预报因子,若潜在关键预报因子是关键预报因子,则提取剩余不同预报因子中的潜在关键预报因子,判断该潜在预报因子是否为关键预报因子,直至剩余不同预报因子中的潜在关键预报因子为非关键预报因子,得到目标关键因子集合,筛选得到的关键预报因子的可信度更高,使得最终基于目标关键因子集合构建得到的径流预报模型的预报精度更高。
Description
技术领域
本发明涉及水文预报技术领域,具体涉及基于条件互信息的径流预报模型构建和径流预报方法。
背景技术
中长期径流预报是水资源高效利用、综合管理的重要基础,在水生态保护、供水、发电等领域发挥着重要作用,但是其预报精度一直是水文学的重点与难点之一。基于数据驱动的中长期径流预报方法一般采用大气环流、海温指数等多个全球水文-气象因子作为径流预报的预报因子,与径流之间进行关系拟合构建径流预报模型,基于构建的径流预报模型进而实现径流的中长期预报。然而,由于中长期水文预报使用的数据时间尺度较大,导致数据样本较少。对于高维预报因子,数据样本较少时无法建立有效的预报模型。因此,如何从预报因子中筛选出关键预报因子,降低预报因子的维度,对于提升径流预报模型的预报精度至关重要。
相关技术中,一般是通过计算每个预报因子与径流变化数据之间的条件互信息,将每个预报因子对应的条件互信息与预设阈值进行比较,将条件互信息大于预设阈值的预报因子作为关键预报因子。然而,预设阈值一般是基于人为经验确定的,使得筛选得到的关键预报因子的可信度较低;基于筛选后得到的关键预报因子构建径流预报模型,会导致构建得到的模型的预报精度较低。
发明内容
有鉴于此,本发明提供了一种基于条件互信息的径流预报模型构建和径流预报方法,以解决相关技术中由于筛选得到的关键预报因子的可信度较低导致构建得到的模型的预报精度较低的问题。
第一方面,本发明提供了一种基于条件互信息的径流预报模型构建方法,该方法包括:获取多个不同预报因子数据以及径流数据;分别计算不同预报因子数据与径流数据之间条件互信息的二阶近似值;基于不同预报因子数据与径流数据之间条件互信息的二阶近似值提取多个不同预报因子中的潜在关键预报因子;对潜在关键预报因子建立单个假设检验;基于潜在关键预报因子对应条件互信息的二阶近似值以及单个假设检验判断潜在关键预报因子是否为关键预报因子,得到判断结果;若潜在关键预报因子为关键预报因子,将关键预报因子纳入关键预报因子集合中;提取剩余不同预报因子中的潜在关键预报因子,返回对潜在关键预报因子建立单个假设检验的步骤,直至剩余不同预报因子中提取到的潜在关键预报因子为非关键预报因子,得到目标关键预报因子集合;基于目标关键预报因子集合与径流数据构建径流预报模型。
本发明提供的一种基于条件互信息的径流预报模型构建方法,基于不同预报因子数据以及径流数据计算不同预报因子数据与径流数据之间条件互信息的二阶近似值;基于不同预报因子数据与径流数据之间条件互信息的二阶近似值提取多个不同预报因子中的潜在关键预报因子;对潜在关键预报因子建立单个假设检验;基于潜在关键预报因子对应条件互信息的二阶近似值以及单个假设检验判断潜在关键预报因子是否为关键预报因子,若潜在关键预报因子为关键预报因子,将关键预报因子纳入关键预报因子集合中;提取剩余不同预报因子中的潜在关键预报因子,返回对潜在关键预报因子建立单个假设检验的步骤,直至剩余不同预报因子中提取到的潜在关键预报因子为非关键预报因子,得到目标关键预报因子集合。本发明提供的方法,基于不同预报因子数据与径流数据之间条件互信息的二阶近似值确定不同预报因子中的潜在关键预报因子,对潜在关键预报因子建立单个假设检验,基于建立的单个假设检验判断潜在关键预报因子是否为关键预报因子,若潜在关键预报因子是关键预报因子,则提取剩余不同预报因子中的潜在关键预报因子,判断该潜在预报因子是否为关键预报因子,直至剩余不同预报因子中的潜在关键预报因子为非关键预报因子,得到目标关键因子集合,筛选得到的关键预报因子的可信度更高,使得最终基于目标关键因子集合构建得到的径流预报模型的预报精度更高。
在一种可选的实施方式中,基于潜在关键预报因子对应条件互信息的二阶近似值以及单个假设检验判断潜在关键预报因子是否为关键预报因子的步骤,包括:基于单个假设检验确定检验统计量的分布;基于检验统计量的分布以及潜在关键预报因子对应条件互信息的二阶近似值,确定潜在关键预报因子的假设检验p值;基于潜在关键预报因子的假设检验p值判断潜在关键预报因子是否为关键预报因子。
在一种可选的实施方式中,获取多个不同预报因子数据以及径流数据的步骤,包括:获取多个不同预报因子的原始连续数据以及原始径流连续数据;基于预设离散规则分别对不同预报因子的连续数据进行离散化处理,得到多个不同预报因子数据;基于预设离散规则对原始径流连续数据进行离散化处理,得到径流数据。
本可选实施方式提供的方法,通过将原始数据进行离散化处理,便于后续关键预报因子的筛选。
在一种可选的实施方式中,分别计算不同预报因子数据与径流数据之间条件互信息的二阶近似值的步骤,包括:计算每个预报因子数据与径流数据之间对应的第一频数估计密度函数值;计算每个预报因子数据分别与其他预报因子数据之间对应的第二频数估计密度函数值;计算每个预报因子数据、其他预报因子数据以及径流数据之间的第三频数估计密度函数值,其他预报因子为多个预报因子中除当前预报因子以外的预报因子;基于不同预报因子分别对应的第一频数估计密度函数、第二频数估计密度函数以及第三频数估计密度函数确定不同预报因子数据与径流数据之间条件互信息的二阶近似值。
本可选实施方式提供的方法,在计算不同预报因子数据与径流数据之间条件互信息的二阶近似值时,考虑了各预报因子与其它预报因子之间的相关关系,使得后续基于条件互信息筛选得到的关键预报因子中的冗余因子较少。
在一种可选的实施方式中,基于潜在关键预报因子的假设检验p值判断潜在关键预报因子是否为关键预报因子,包括:获取预设显著性水平;将预设显著性水平与潜在关键预报因子的假设检验p值进行比对,得到比对结果;基于比对结果判断潜在关键预报因子是否为关键预报因子,得到判断结果。
本可选实施方式提供的方法,基于预设显著性水平确定关键预报因子,有效提高了关键预报因子的可信度。
在一种可选的实施方式中,基于目标关键预报因子集合与径流数据构建径流预报模型的步骤,包括:将目标关键预报因子集合中每个关键预报因子数据与径流数据进行关联,得到关联数据集;基于关联数据集对预设模型进行训练,直至满足预设模型精度要求,得到径流预报模型。
第二方面,本发明提供了一种径流预报方法,该方法包括:获取目标不同关键预报因子对应的数据;将目标不同关键预报因子对应的数据输入到预先构建的径流预报模型中,使得径流预报模型输出对应得到径流变化信息,径流预报模型通过如第一方面或其对应的任一实施方式的基于条件互信息的径流预报模型构建方法构建得到。
本发明提供的径流预报方法,利用预先构建的径流预报模型进行径流预测,使得预测结果更为准确。
第三方面,本发明提供了一种基于条件互信息的径流预报模型构建装置,该装置包括:第一获取模块,用于获取多个不同预报因子数据以及径流数据;计算模块,用于分别计算不同预报因子数据与径流数据之间条件互信息的二阶近似值;提取模块,用于基于不同预报因子数据与径流数据之间条件互信息的二阶近似值提取多个不同预报因子中的潜在关键预报因子;建立模块,用于对潜在关键预报因子建立单个假设检验;判断模块,基于潜在关键预报因子对应条件互信息的二阶近似值以及单个假设检验判断潜在关键预报因子是否为关键预报因子,得到判断结果第一确定模块,用于若潜在关键预报因子为关键预报因子,将关键预报因子纳入关键预报因子集合中;第二确定模块,提取剩余不同预报因子中的潜在关键预报因子,返回对潜在关键预报因子建立单个假设检验的步骤,直至剩余不同预报因子中提取到的潜在关键预报因子为非关键预报因子,得到目标关键预报因子集合;构建模块,用于基于目标关键预报因子集合与径流数据构建径流预报模型。
在一种可选的实施方式中,判断模块,包括:第一确定子模块,用于基于单个假设检验确定检验统计量的分布;第二确定子模块,用于基于检验统计量的分布以及潜在关键预报因子对应条件互信息的二阶近似值,确定潜在关键预报因子的假设检验p值;判断子模块,用于基于潜在关键预报因子的假设检验p值判断潜在关键预报因子是否为关键预报因子。
在一种可选的实施方式中,第一获取模块,包括:第一获取子模块,用于获取多个不同预报因子的原始连续数据以及原始径流连续数据;第一处理子模块,用于基于预设离散规则分别对不同预报因子的连续数据进行离散化处理,得到多个不同预报因子数据;第二处理子模块,用于基于预设离散规则对原始径流连续数据进行离散化处理,得到径流数据。
在一种可选的实施方式中,计算模块包括:第三计算子模块,用于计算每个预报因子数据与径流数据之间对应的第一频数估计密度函数值;第四计算子模块,用于计算每个预报因子数据分别与其他预报因子数据之间对应的第二频数估计密度函数值;第五计算子模块,用于计算每个预报因子数据、其他预报因子数据以及径流数据之间的第三频数估计密度函数值,其他预报因子为多个预报因子中除当前预报因子以外的预报因子;第三确定子模块,用于基于不同预报因子分别对应的第一频数估计密度函数、第二频数估计密度函数以及第三频数估计密度函数确定不同预报因子数据与径流数据之间条件互信息的二阶近似值。
在一种可选的实施方式中,判断子模块包括:获取单元,用于获取预设显著性水平;比对单元,用于将预设显著性水平与潜在关键预报因子的假设检验p值进行比对,得到比对结果;判断单元,用于基于比对结果判断潜在关键预报因子是否为关键预报因子,得到判断结果。
第四方面,本发明提供了一种径流预报装置,该装置包括:第二获取模块,用于获取目标不同关键预报因子对应的数据;第二确定模块,用于将目标不同关键预报因子对应的数据输入到预先构建的径流预报模型中,使得径流预报模型输出对应得到径流变化信息,径流预报模型通过如第一方面或其对应的任一实施方式的基于条件互信息的径流预报模型构建方法构建得到。
第五方面,本发明提供了一种计算机设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的基于条件互信息的径流预报模型构建方法,或执行上述第二方面的径流预报方法。
第六方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的基于条件互信息的径流预报模型构建方法,或执行上述第二方面的径流预报方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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是根据本发明实施例的基于条件互信息的径流预报模型构建方法的流程示意图;
图2是根据本发明实施例的另一基于条件互信息的径流预报模型构建方法的流程示意图;
图3是根据本发明实施例的又一基于条件互信息的径流预报模型构建方法的流程示意图;
图4是根据本发明实施例的径流预报方法的流程示意图;
图5是根据本发明实施例的基于条件互信息的径流预报模型构建装置的结构框图;
图6是根据本发明实施例的径流预报装置的结构框图;
图7是本发明实施例的计算机设备的硬件结构示意图。
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。
相关技术中,一般是通过计算每个预报因子与径流变化数据之间的条件互信息,将每个预报因子对应的条件互信息与预设阈值进行比较,将条件互信息大于预设阈值的预报因子作为关键预报因子。然而,预设阈值一般是基于人为经验确定的,使得筛选得到的关键预报因子的可信度较低;基于筛选后得到的关键预报因子构建径流预报模型,会导致构建得到的模型的预报精度较低。
本发明实施例提供的一种基于条件互信息的径流预报模型构建方法,可应用于一处理器,实现径流预报模型的构建。本发明提供的方法,基于不同预报因子数据与径流数据之间条件互信息的二阶近似值确定各预报因子对应的检验统计量信息,基于预先建立的假设检验、筛选规则以及各预报因子对应的检验统计量信息从多个不同预报因子中筛选得到由关键预报因子组成的目标关键因子集合,筛选得到的关键预报因子的可信度更高,使得最终基于目标关键因子集合构建得到的径流预报模型的预报精度更高。
根据本发明实施例,提供了一种基于条件互信息的径流预报模型构建方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种基于条件互信息的径流预报模型构建方法,可用于上述的处理器,图1是根据本发明实施例的基于条件互信息的径流预报模型构建方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,获取多个不同预报因子数据以及径流数据。
示例性地,预报因子可以包括但不限于大气环流、海温指数等多个全球水文-气象因子;径流数据为径流变化数据;本申请实施例中,为了实现中长期水文预报,不同预报因子数据对应的第一时段和径流数据对应的第二时段不同,第一时段早于第二时段,例如:第一时段可以是A年的前半年,第二时段可以是A年的后半年,具体提前时间取决于径流与预报因子之间的超前滞后相关性。
步骤S102,分别计算不同预报因子数据与径流数据之间条件互信息的二阶近似值。
示例性地,可以基于各预报因子数据与径流数据之间的二阶互信息计算得到对应预报因子数据与径流数据之间条件互信息的二阶近似值。本申请实施例中,在给定已筛选的关键预报因子下标集合的条件下,计算/>的补集/>中待筛选的预报因子/>与径流/>之间条件互信息的二阶近似值/>。其中,/>,1,…,/>,/>,/>。的计算方式如下式所示:
其中,是/>下标集对应的预报因子以及/>与/>之间的互信息,是/>下标集对应的预报因子与/>之间的互信息;/>是考虑/>与/>的交互信息的二阶互信息;/>的计算过程如下式所示:
其中,表示关键预报因子下标集合/>中的任一预报因子数据,/>表示/>的补集中待筛选的预报因子数据,/>表示径流数据,/>表示考虑/>与/>的交互信息的二阶互信息,/>表示/>和/>之间的一阶互信息,/>表示/>和/>之间的一阶互信息,/>表示/>和/>之间的一阶互信息;
为了同时考虑预报因子与径流之间的互信息以及预报因子之间的交互信息,也为了简化运算,记 =/>来近似替代/>,以下简称/>为条件互信息/>的二阶近似,/>可以通过下式计算得到:
通过上式可以计算得到各预报因子分别对应的条件互信息的值。
步骤S103,基于不同预报因子数据与径流数据之间条件互信息的二阶近似值提取多个不同预报因子中的潜在关键预报因子。
示例性地,本申请实施例中,将不同预报因子中条件互信息的二阶近似值最大的预报因子作为潜在关键预报因子。
步骤S104,对潜在关键预报因子建立单个假设检验。
示例性地,对潜在预报因子建立的单个假设检验包括该潜在预报因子对应的检验统计量信息以及原假设成立时检验统计量的分布信息,本申请实施例中,假设潜在关键预报因子为,对/>建立单个假设检验,建立的假设检验如下:
原假设:给定的条件下,/>与/>独立;
备择假设:给定的条件下,/>与/>不独立;
由于原假设成立时,即给定的条件下,/>与/>独立,则对应此时的检验统计量服从自由度/>的卡方分布,即:
其中为卡方分布的自由度,满足:
上式中为集合/>中元素的个数,/>为预报因子离散取值的个数,/>为径流离散取值的个数。
步骤S105,基于潜在关键预报因子对应条件互信息的二阶近似值以及单个假设检验判断潜在关键预报因子是否为关键预报因子,得到判断结果。
示例性地,本申请实施例中,基于潜在关键预报因子对应条件互信息的二阶近似值以及单个假设检验判断是否接受原假设,如果不接受,则满足备择假设,确定该潜在关键预报因子为关键预报因子。
步骤S106,若潜在关键预报因子为关键预报因子,将关键预报因子纳入关键预报因子集合中。
示例性的,若该潜在关键预报因子为关键预报因子,则将该关键预报因子纳入关键预报因子集合中;若该潜在关键预报因子为非关键预报因子,则停止不同预报因子中关键预报因子的筛选。
步骤S107,提取剩余不同预报因子中的潜在关键预报因子,返回对潜在关键预报因子建立单个假设检验的步骤,直至剩余不同预报因子中提取到的潜在关键预报因子为非关键预报因子,得到目标关键预报因子集合。
示例性地,剩余不同预报因子为除了确定的关键预报因子以外的其他预报因子,基于剩余不同预报因子分别对应条件互信息的二阶近似值确定其中的一个潜在关键预报因子,并判断该潜在预报因子是否为关键预报因子,直至剩余不同预报因子中的潜在关键预报因子为非关键预报因子。本申请实施例中,计算获取当前关键预报因子集之外的潜在关键预报因子/>,该潜在关键预报因子可以通过下式确定。
其中,是样本个数,/>是所有下标集/>对应的预报因子,/>是/>的补集/>中的元素/>对应的预报因子,/>为潜在关键预报因子对应的下标。
若接受原假设,则停止关键预报因子筛选,将作为最终的关键预报因子集;若拒绝原假设,将/>作为一个新的关键预报因子纳入关键预报因子集合,返回确定剩余不同不报因子中潜在关键预报因子的步骤(更新/>),直到停止筛选,获得最终的关键预报因子集合。
步骤S108,基于目标关键预报因子集合与径流数据构建径流预报模型。
示例性地,本申请实施例中,基于目标关键预报因子集合中各关键预报因子的数据以及径流数据构建得到径流预报模型,得到的径流预报模型可以准确进行中长期径流预报。
本实施例提供的基于条件互信息的径流预报模型构建方法,基于不同预报因子数据与径流数据之间条件互信息的二阶近似值确定不同预报因子中的潜在关键预报因子,对潜在关键预报因子建立单个假设检验,基于建立的单个假设检验判断潜在关键预报因子是否为关键预报因子,若潜在关键预报因子是关键预报因子,则提取剩余不同预报因子中的潜在关键预报因子,判断该潜在预报因子是否为关键预报因子,直至剩余不同预报因子中的潜在关键预报因子为非关键预报因子,得到目标关键因子集合,筛选得到的关键预报因子的可信度更高,使得最终基于目标关键因子集合构建得到的径流预报模型的预报精度更高。
在本实施例中提供了一种基于条件互信息的径流预报模型构建方法,可用于上述的处理器,图2是根据本发明实施例的基于条件互信息的径流预报模型构建方法的流程图,如图2所示,该流程包括如下步骤:
步骤S201,获取多个不同预报因子数据以及径流数据。详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S202,分别计算不同预报因子数据与径流数据之间条件互信息的二阶近似值。详细请参见图1所示实施例的步骤S102,在此不再赘述。
步骤S203,基于不同预报因子数据与径流数据之间条件互信息的二阶近似值提取多个不同预报因子中的潜在关键预报因子。详细请参见图1所示实施例的步骤S103,在此不再赘述。
步骤S204,对潜在关键预报因子建立单个假设检验。详细请参见图1所示实施例的步骤S104,在此不再赘述。
步骤S205,基于潜在关键预报因子对应条件互信息的二阶近似值以及单个假设检验判断潜在关键预报因子是否为关键预报因子,得到判断结果。详细请参见图1所示实施例的步骤S105,在此不再赘述。
具体地,上述步骤S205包括:
步骤S2051,基于单个假设检验确定检验统计量的分布。
示例性地,基于建立的单个假设检验可以确定预设的检验统计量分布。
步骤S2052,基于检验统计量的分布以及潜在关键预报因子对应条件互信息的二阶近似值,确定潜在关键预报因子的假设检验p值。
示例性地,本申请实施例中,基于潜在关键预报因子对应条件互信息的二阶近似值可以确定对应的检验统计量的值,基于该检验统计量的值以及检验统计量的分布,可以确定该潜在关键预报因子是否为关键预报因子。
步骤S2053,基于潜在关键预报因子的假设检验p值判断潜在关键预报因子是否为关键预报因子。
示例性地,本申请实施例中,可以将潜在关键预报因子数据的假设检验p值与预设的检测阈值进行比较,若小于该检测阈值,则确定该潜在关键预报因子为关键预报因子。
在一些可选的实施方式中,上述步骤S2053包括:
步骤a1,获取预设显著性水平。示例性地,预设显著性水平是假设检验中一个控制错误率的阈值,本申请实施例中,预设显著性水平阈值可以为0.05。
步骤a2,将预设显著性水平与潜在关键预报因子的假设检验p值进行比对,得到比对结果。示例性地,判断潜在预报因子对应的假设检验p值与预设显著性水平之间的大小关系。
步骤a3,基于比对结果判断潜在关键预报因子是否为关键预报因子,得到判断结果。示例性地,本申请实施例中,若潜在预报因子对应的假设检验p值小于预设显著性水平,则可以确定该潜在预报因子为关键预报因子。
本申请实施例中,假设当前待筛选的预报因子为,对/>建立单个假设检验,建立的假设检验如下:
原假设:给定的条件下,/>与/>独立;
备择假设:给定的条件下,/>与/>不独立;
由于原假设成立时,即给定的条件下,/>与/>独立,则对应此时的检验统计量服从自由度/>的卡方分布,即:
其中为卡方分布的自由度,满足:
上式中为集合/>中元素的个数,/>为预报因子离散取值的个数,/>为径流离散取值的个数。计算此时的自由度/>的卡方分布的上侧0.05分位数为/>。
计算此时的假设检验p值为:
。
利用单个检验的p值判断是否为关键预报因子。若/>,则原假设成立,/>与/>独立,即/>不是径流关键预报因子;若/>,则拒绝原假设,/>与/>不独立,即/>是径流关键预报因子。
步骤S206,若潜在关键预报因子为关键预报因子,将关键预报因子纳入关键预报因子集合中。详细请参见图1所示实施例的步骤S106,在此不再赘述。
步骤S207,提取剩余不同预报因子中的潜在关键预报因子,返回对潜在关键预报因子建立单个假设检验的步骤,直至剩余不同预报因子中提取到的潜在关键预报因子为非关键预报因子,得到目标关键预报因子集合。详细请参见图1所示实施例的步骤S107,在此不再赘述。
步骤S208,基于目标关键预报因子集合与径流数据构建径流预报模型。详细请参见图1所示实施例的步骤S108,在此不再赘述。
在本实施例中提供了一种基于条件互信息的径流预报模型构建方法,可用于上述的处理器,图3是根据本发明实施例的基于条件互信息的径流预报模型构建方法的流程图,如图3所示,该流程包括如下步骤:
步骤S301,获取多个不同预报因子数据以及径流数据。详细请参见图1所示实施例的步骤S101,在此不再赘述。
具体地,上述步骤S301包括:
步骤S3011,获取多个不同预报因子的原始连续数据以及原始径流连续数据。示例性地,本申请实施例中,通过数据进行校正、质量控制等预处理,如将日径流数据合并为月径流数据,得到原始径流连续数据;多个不同预报因子的原始连续数据为研究区共个时刻的径流/>以及大气-气象等/>个预报因子数据/>。
步骤S3012,基于预设离散规则分别对不同预报因子的连续数据进行离散化处理,得到多个不同预报因子数据。
步骤S3013,基于预设离散规则对原始径流连续数据进行离散化处理,得到径流数据。
示例性地,利用等宽法将径流以及预报因子的连续数据进行离散化处理,对于径流指定箱子个数为/>,将/>划分为等差的/>个区间。若原始径流/>的取值落在区间的范围内,将/>的取值重新记为/>。对于预报因子/>,指定每个预报因子划分区间的个数为/>,将所有的预报因子划分为等差的/>个区间,若的取值落入区间/>,将/>的取值分别记为/>。
步骤S302,分别计算不同预报因子数据与径流数据之间条件互信息的二阶近似值。详细请参见图1所示实施例的步骤S102,在此不再赘述。
具体地,上述步骤S302包括:
步骤S3021,计算每个预报因子数据与径流数据之间对应的第一频数估计密度函数值。
步骤S3022,计算每个预报因子数据分别与其他预报因子数据之间对应的第二频数估计密度函数值。
步骤S3023,计算每个预报因子数据、其他预报因子数据以及径流数据之间的第三频数估计密度函数值,其他预报因子为多个预报因子中除当前预报因子以外的预报因子。
示例性地,基于频数估计密度函数值可以计算得到和/>,计算过程如下式所示:
其中,为预报因子/>和预报因子/>之间的第一频数估计密度函数值,为预报因子/>和径流/>之间的第二频数估计密度函数值,/>为预报因子/>、预报因子/>以及径流/>之间的第三频数估计密度函数值,其他的变量的含义同理。
步骤S3024,基于不同预报因子分别对应的第一频数估计密度函数、第二频数估计密度函数以及第三频数估计密度函数确定不同预报因子数据与径流数据之间条件互信息的二阶近似值。示例性地,本申请实施例中,对于离散取值的预报因子以及径流数据,利用频数估计密度函数以及/>,计算一阶互信息/>以及/>,最终计算得到/>。
步骤S303,基于不同预报因子数据与径流数据之间条件互信息的二阶近似值提取多个不同预报因子中的潜在关键预报因子。详细请参见图1所示实施例的步骤S103,在此不再赘述。
步骤S304,对潜在关键预报因子建立单个假设检验。详细请参见图1所示实施例的步骤S104,在此不再赘述。
步骤S305,基于潜在关键预报因子对应条件互信息的二阶近似值以及单个假设检验判断潜在关键预报因子是否为关键预报因子,得到判断结果。详细请参见图1所示实施例的步骤S105,在此不再赘述。
步骤S306,若潜在关键预报因子为关键预报因子,将关键预报因子纳入关键预报因子集合中。详细请参见图1所示实施例的步骤S106,在此不再赘述。
步骤S307,提取剩余不同预报因子中的潜在关键预报因子,返回对潜在关键预报因子建立单个假设检验的步骤,直至剩余不同预报因子中提取到的潜在关键预报因子为非关键预报因子,得到目标关键预报因子集合。详细请参见图1所示实施例的步骤S107,在此不再赘述。
步骤S308,基于目标关键预报因子集合与径流数据构建径流预报模型。详细请参见图1所示实施例的步骤S108,在此不再赘述。
具体地,上述步骤S308包括:
步骤b1,将目标关键预报因子集合中每个关键预报因子数据与径流数据进行关联,得到关联数据集。
步骤b2,基于关联数据集对预设模型进行训练,直至满足预设模型精度要求,得到径流预报模型。示例性地,本申请实施例中,预设模型可以包括但不限于机器学习模型。
在本实施例中提供了一种径流预报方法,可用于上述的处理器,图4是根据本发明实施例的径流预报方法的流程图,如图4所示,该流程包括如下步骤:
步骤S401,获取目标不同关键预报因子对应的数据。
示例性地,本申请实施例中,目标不同关键预报因子对应的数据可以是目标时段的关键预报因子对应的数据,目标时段可以是任一历史时段。
步骤S402,将目标不同关键预报因子对应的数据输入到预先构建的径流预报模型中,使得径流预报模型输出对应得到径流变化信息,径流预报模型通过上述实施例中基于条件互信息的径流预报模型构建方法构建得到。示例性地,输入给径流预报模型输入目标时段的关键预报因子数据,使得模型输出待预测时段的径流变化信息。
本发明提供的径流预报方法,利用预先构建的径流预报模型进行径流预测,使得预测结果更为准确。
在本实施例中还提供了一种基于条件互信息的径流预报模型构建装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种基于条件互信息的径流预报模型构建装置,如图5所示,包括:
第一获取模块501,用于获取多个不同预报因子数据以及径流数据;
计算模块502,用于分别计算不同预报因子数据与径流数据之间条件互信息的二阶近似值;
提取模块503,用于基于不同预报因子数据与径流数据之间条件互信息的二阶近似值提取多个不同预报因子中的潜在关键预报因子;
建立模块504,用于对潜在关键预报因子建立单个假设检验;
判断模块505,基于潜在关键预报因子对应条件互信息的二阶近似值以及单个假设检验判断潜在关键预报因子是否为关键预报因子,得到判断结果;
第一确定模块506,用于若潜在关键预报因子为关键预报因子,将关键预报因子纳入关键预报因子集合中;
第二确定模块507,提取剩余不同预报因子中的潜在关键预报因子,返回对潜在关键预报因子建立单个假设检验的步骤,直至剩余不同预报因子中提取到的潜在关键预报因子为非关键预报因子,得到目标关键预报因子集合;
构建模块508,用于基于目标关键预报因子集合与径流数据构建径流预报模型。
在一些可选的实施方式中,判断模块505,包括:
第一确定子模块,用于基于单个假设检验确定检验统计量的分布;
第二确定子模块,用于基于检验统计量的分布以及潜在关键预报因子对应条件互信息的二阶近似值,确定潜在关键预报因子的假设检验p值;
判断子模块,用于基于潜在关键预报因子的假设检验p值判断潜在关键预报因子是否为关键预报因子。
在一些可选的实施方式中,第一获取模块501,包括:
第一获取子模块,用于获取多个不同预报因子的原始连续数据以及原始径流连续数据;
第一处理子模块,用于基于预设离散规则分别对不同预报因子的连续数据进行离散化处理,得到多个不同预报因子数据;
第二处理子模块,用于基于预设离散规则对原始径流连续数据进行离散化处理,得到径流数据。
在一些可选的实施方式中,计算模块502包括:
第三计算子模块,用于计算每个预报因子数据与径流数据之间对应的第一频数估计密度函数值;
第四计算子模块,用于计算每个预报因子数据分别与其他预报因子数据之间对应的第二频数估计密度函数值;
第五计算子模块,用于计算每个预报因子数据、其他预报因子数据以及径流数据之间的第三频数估计密度函数值,其他预报因子为多个预报因子中除当前预报因子以外的预报因子;
第三确定子模块,用于基于不同预报因子分别对应的第一频数估计密度函数、第二频数估计密度函数以及第三频数估计密度函数确定不同预报因子数据与径流数据之间条件互信息的二阶近似值。
在一些可选的实施方式中,判断子模块包括:
获取单元,用于获取预设显著性水平;
比对单元,用于将预设显著性水平与潜在关键预报因子的假设检验p值进行比对,得到比对结果;
判断单元,用于基于比对结果判断潜在关键预报因子是否为关键预报因子,得到判断结果。
在一些可选的实施方式中,构建模块508,包括:
关联子模块,用于将目标关键预报因子集合中每个关键预报因子数据与径流数据进行关联,得到关联数据集;
训练子模块,用于基于关联数据集对预设模型进行训练,直至满足预设模型精度要求,得到径流预报模型。
本发明实施例还提供了一种径流预报装置,如图6所示,该装置包括:
第二获取模块601,用于获取目标不同关键预报因子对应的数据;
第二确定模块602,用于将目标不同关键预报因子对应的数据输入到预先构建的径流预报模型中,使得径流预报模型输出对应得到径流变化信息,径流预报模型通过上述实施例中基于条件互信息的径流预报模型构建方法构建得到。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本实施例中的基于条件互信息的径流预报模型构建装置或径流预报装置是以功能单元的形式来呈现,这里的单元是指ASIC(Application Specific IntegratedCircuit,专用集成电路)电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备,具有上述图5所示的基于条件互信息的径流预报模型构建装置,或具有上述图6所示的径流预报装置。
请参阅图7,图7是本发明可选实施例提供的一种计算机设备的结构示意图,如图7所示,该计算机设备包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图7中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,存储器20存储有可由至少一个处理器10执行的指令,以使至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30,用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质,上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (15)
1.一种基于条件互信息的径流预报模型构建方法,其特征在于,所述方法包括:
获取多个不同预报因子数据以及径流数据;
分别计算不同预报因子数据与所述径流数据之间条件互信息的二阶近似值;
基于所述不同预报因子数据与所述径流数据之间条件互信息的二阶近似值提取多个不同预报因子中的潜在关键预报因子;
对所述潜在关键预报因子建立单个假设检验;
基于所述潜在关键预报因子对应条件互信息的二阶近似值以及所述单个假设检验判断所述潜在关键预报因子是否为关键预报因子,得到判断结果;
若所述潜在关键预报因子为关键预报因子,将所述关键预报因子纳入关键预报因子集合中;
提取剩余不同预报因子中的潜在关键预报因子,返回对所述潜在关键预报因子建立单个假设检验的步骤,直至剩余不同预报因子中提取到的潜在关键预报因子为非关键预报因子,得到目标关键预报因子集合;
基于目标关键预报因子集合与所述径流数据构建径流预报模型。
2.根据权利要求1所述的方法,其特征在于,基于所述潜在关键预报因子对应条件互信息的二阶近似值以及所述单个假设检验判断所述潜在关键预报因子是否为关键预报因子的步骤,包括:
基于所述单个假设检验确定检验统计量的分布;
基于检验统计量的分布以及所述潜在关键预报因子对应条件互信息的二阶近似值,确定所述潜在关键预报因子的假设检验p值;
基于所述潜在关键预报因子的假设检验p值判断所述潜在关键预报因子是否为关键预报因子。
3.根据权利要求1所述的方法,其特征在于,获取多个不同预报因子数据以及径流数据的步骤,包括:
获取多个不同预报因子的原始连续数据以及原始径流连续数据;
基于预设离散规则分别对不同预报因子的连续数据进行离散化处理,得到所述多个不同预报因子数据;
基于预设离散规则对所述原始径流连续数据进行离散化处理,得到所述径流数据。
4.根据权利要求3所述的方法,其特征在于,分别计算不同预报因子数据与所述径流数据之间条件互信息的二阶近似值的步骤,包括:
计算每个预报因子数据与所述径流数据之间对应的第一频数估计密度函数值;
计算每个预报因子数据分别与其他预报因子数据之间对应的第二频数估计密度函数值;
计算每个预报因子数据、其他预报因子数据以及所述径流数据之间的第三频数估计密度函数值,其他预报因子为多个预报因子中除当前预报因子以外的预报因子;
基于不同预报因子分别对应的第一频数估计密度函数、第二频数估计密度函数以及第三频数估计密度函数确定所述不同预报因子数据与所述径流数据之间条件互信息的二阶近似值。
5.根据权利要求2所述的方法,其特征在于,基于所述潜在关键预报因子的假设检验p值判断所述潜在关键预报因子是否为关键预报因子,包括:
获取预设显著性水平;
将所述预设显著性水平与所述潜在关键预报因子的假设检验p值进行比对,得到比对结果;
基于所述比对结果判断所述潜在关键预报因子是否为关键预报因子,得到判断结果。
6.根据权利要求1所述的方法,其特征在于,基于目标关键预报因子集合与所述径流数据构建径流预报模型的步骤,包括:
将目标关键预报因子集合中每个关键预报因子数据与所述径流数据进行关联,得到关联数据集;
基于关联数据集对预设模型进行训练,直至满足预设模型精度要求,得到所述径流预报模型。
7.一种径流预报方法,其特征在于,所述方法包括:
获取目标不同关键预报因子对应的数据;
将所述目标不同关键预报因子对应的数据输入到预先构建的径流预报模型中,使得所述径流预报模型输出对应得到径流变化信息,所述径流预报模型通过如权利要求1至6任一项所述的基于条件互信息的径流预报模型构建方法构建得到。
8.一种基于条件互信息的径流预报模型构建装置,其特征在于,所述装置包括:
第一获取模块,用于获取多个不同预报因子数据以及径流数据;
计算模块,用于分别计算不同预报因子数据与所述径流数据之间条件互信息的二阶近似值;
提取模块,用于基于所述不同预报因子数据与所述径流数据之间条件互信息的二阶近似值提取多个不同预报因子中的潜在关键预报因子;
建立模块,用于对所述潜在关键预报因子建立单个假设检验;
判断模块,基于所述潜在关键预报因子对应条件互信息的二阶近似值以及所述单个假设检验判断所述潜在关键预报因子是否为关键预报因子,得到判断结果;
第一确定模块,用于若所述潜在关键预报因子为关键预报因子,将所述关键预报因子纳入关键预报因子集合中;
第二确定模块,提取剩余不同预报因子中的潜在关键预报因子,返回对所述潜在关键预报因子建立单个假设检验的步骤,直至剩余不同预报因子中提取到的潜在关键预报因子为非关键预报因子,得到目标关键预报因子集合;
构建模块,用于基于目标关键预报因子集合与所述径流数据构建径流预报模型。
9.根据权利要求8所述的装置,其特征在于,所述判断模块,包括:
第一确定子模块,用于基于所述单个假设检验确定检验统计量的分布;
第二确定子模块,用于基于检验统计量的分布以及所述潜在关键预报因子对应条件互信息的二阶近似值,确定所述潜在关键预报因子的假设检验p值;
判断子模块,用于基于所述潜在关键预报因子的假设检验p值判断所述潜在关键预报因子是否为关键预报因子。
10.根据权利要求8所述的装置,其特征在于,所述第一获取模块,包括:
第一获取子模块,用于获取多个不同预报因子的原始连续数据以及原始径流连续数据;
第一处理子模块,用于基于预设离散规则分别对不同预报因子的连续数据进行离散化处理,得到所述多个不同预报因子数据;
第二处理子模块,用于基于预设离散规则对所述原始径流连续数据进行离散化处理,得到所述径流数据。
11.根据权利要求10所述的装置,其特征在于,所述计算模块包括:
第三计算子模块,用于计算每个预报因子数据与所述径流数据之间对应的第一频数估计密度函数值;
第四计算子模块,用于计算每个预报因子数据分别与其他预报因子数据之间对应的第二频数估计密度函数值;
第五计算子模块,用于计算每个预报因子数据、其他预报因子数据以及所述径流数据之间的第三频数估计密度函数值,其他预报因子为多个预报因子中除当前预报因子以外的预报因子;
第三确定子模块,用于基于不同预报因子分别对应的第一频数估计密度函数、第二频数估计密度函数以及第三频数估计密度函数确定所述不同预报因子数据与所述径流数据之间条件互信息的二阶近似值。
12.根据权利要求9所述的装置,其特征在于,所述判断子模块包括:
获取单元,用于获取预设显著性水平;
比对单元,用于将所述预设显著性水平与所述潜在关键预报因子的假设检验p值进行比对,得到比对结果;
判断单元,用于基于所述比对结果判断所述潜在关键预报因子是否为关键预报因子,得到判断结果。
13.一种径流预报装置,其特征在于,所述装置包括:
第二获取模块,用于获取目标不同关键预报因子对应的数据;
第二确定模块,用于将所述目标不同关键预报因子对应的数据输入到预先构建的径流预报模型中,使得所述径流预报模型输出对应得到径流变化信息,所述径流预报模型通过如权利要求1至6任一项所述的基于条件互信息的径流预报模型构建方法构建得到。
14.一种计算机设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1至6中任一项所述的基于条件互信息的径流预报模型构建方法,或执行如权利要求7所述的径流预报方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机指令,所述计算机指令用于使计算机执行权利要求1至6中任一项所述的基于条件互信息的径流预报模型构建方法,或执行如权利要求7所述的径流预报方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311371132.0A CN117114523B (zh) | 2023-10-23 | 2023-10-23 | 基于条件互信息的径流预报模型构建和径流预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311371132.0A CN117114523B (zh) | 2023-10-23 | 2023-10-23 | 基于条件互信息的径流预报模型构建和径流预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117114523A true CN117114523A (zh) | 2023-11-24 |
CN117114523B CN117114523B (zh) | 2024-02-02 |
Family
ID=88804223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311371132.0A Active CN117114523B (zh) | 2023-10-23 | 2023-10-23 | 基于条件互信息的径流预报模型构建和径流预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114523B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463993A (zh) * | 2017-08-04 | 2017-12-12 | 贺志尧 | 基于互信息‑核主成分分析‑Elman网络的中长期径流预报方法 |
CN109492825A (zh) * | 2018-11-26 | 2019-03-19 | 中国水利水电科学研究院 | 基于互信息和主成分分析筛选因子的中长期预报方法 |
CN110555561A (zh) * | 2019-09-06 | 2019-12-10 | 清华大学 | 一种中长期径流集合预报方法 |
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*** |
CN112036604A (zh) * | 2020-07-29 | 2020-12-04 | 大连理工大学 | 一种考虑多时序过程因子的中期径流预报方法 |
KR20210044092A (ko) * | 2019-10-14 | 2021-04-22 | 울산대학교 산학협력단 | 실시간 앙상블 유량 예보 방법 및 장치 |
CN113159224A (zh) * | 2021-05-17 | 2021-07-23 | 中国水利水电科学研究院 | 一种径流预报模型构建方法、装置、电子设备和介质 |
CN113868939A (zh) * | 2021-08-27 | 2021-12-31 | 广西电网有限责任公司 | 一种风功率的概率密度评估方法、装置、设备及介质 |
-
2023
- 2023-10-23 CN CN202311371132.0A patent/CN117114523B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463993A (zh) * | 2017-08-04 | 2017-12-12 | 贺志尧 | 基于互信息‑核主成分分析‑Elman网络的中长期径流预报方法 |
CN109492825A (zh) * | 2018-11-26 | 2019-03-19 | 中国水利水电科学研究院 | 基于互信息和主成分分析筛选因子的中长期预报方法 |
CN110555561A (zh) * | 2019-09-06 | 2019-12-10 | 清华大学 | 一种中长期径流集合预报方法 |
KR20210044092A (ko) * | 2019-10-14 | 2021-04-22 | 울산대학교 산학협력단 | 실시간 앙상블 유량 예보 방법 및 장치 |
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*** |
CN112036604A (zh) * | 2020-07-29 | 2020-12-04 | 大连理工大学 | 一种考虑多时序过程因子的中期径流预报方法 |
CN113159224A (zh) * | 2021-05-17 | 2021-07-23 | 中国水利水电科学研究院 | 一种径流预报模型构建方法、装置、电子设备和介质 |
CN113868939A (zh) * | 2021-08-27 | 2021-12-31 | 广西电网有限责任公司 | 一种风功率的概率密度评估方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117114523B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Najafi et al. | Ensemble combination of seasonal streamflow forecasts | |
CN106685674B (zh) | 网络事件预测以及建立网络事件预测模型的方法和装置 | |
CN104866926B (zh) | 基于气象因素和时间序列分析的配电网故障数量预测方法 | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和*** | |
CN111144451B (zh) | 一种图像分类模型的训练方法、装置及设备 | |
CN114285728A (zh) | 一种预测模型训练方法、流量预测方法、装置及存储介质 | |
CN113409167B (zh) | 一种水质异常分析方法及装置 | |
CN112381610A (zh) | 一种群租风险指数的预测方法及计算机设备 | |
CN117078048A (zh) | 基于数字孪生的智慧城市资源管理方法及*** | |
JP5014522B1 (ja) | 流入量予測装置、流入量予測方法及びプログラム | |
CN108694472B (zh) | 预测误差极值分析方法、装置、计算机设备和存储介质 | |
CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
CN106530198A (zh) | 基于参数拟合安全容量的自适应批量隐写方法 | |
CN117114523B (zh) | 基于条件互信息的径流预报模型构建和径流预报方法 | |
CN113962874A (zh) | 母线负荷模型的训练方法、装置、设备及存储介质 | |
CN111080037A (zh) | 一种基于深度神经网络的短期电力负荷预测方法及装置 | |
CN116706884A (zh) | 光伏发电量的预测方法、装置、终端及存储介质 | |
CN116340883A (zh) | 配电网数据资源融合方法、装置、设备及存储介质 | |
CN117132176B (zh) | 基于预报因子筛选的径流预报模型构建和径流预报方法 | |
CN113780356B (zh) | 基于集成学习模型的水质预测方法及*** | |
CN117132177B (zh) | 基于多重假设检验的径流预报模型构建和径流预报方法 | |
CN116049765A (zh) | 数据分析处理方法、装置及设备 | |
Zhang et al. | A combinational QoS-prediction approach based on RBF neural network | |
Ashkar et al. | Cramér-von Mises and Anderson-Darling goodness-of-fit tests for the two-parameter kappa distribution | |
CN117057174B (zh) | 一种缺资料地区径流预测的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |