买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：清华大学

摘要：本发明提供一种中长期径流概率预报方法及系统，该方法包括：根据预见期、预报因子和所述预报因子对应的历史径流数据，构建目标区域内的预报因子集；将所述预报因子集输入到训练好的中长期径流预报模型中，得到径流概率预报正态分布结果，其中，所述训练好的中长期径流预报模型是基于样本预报因子集，对改进的支持向量回归模型进行训练得到的，所述改进的支持向量回归模型是由三层贝叶斯推断框架和支持向量回归模型耦合得到的；对所述径流概率预报正态分布结果进行数据处理，得到所述目标区域在所述预见期内的径流概率预报结果。本发明解决传统数据驱动模型无法产生中长期径流概率预报的问题，更好地反映未来径流的不确定性。

主权项：1.一种中长期径流概率预报方法，其特征在于，包括：根据预见期、预报因子和所述预报因子对应的历史径流数据，构建目标区域内的预报因子集；将所述预报因子集输入到训练好的中长期径流预报模型中，得到径流概率预报正态分布结果，其中，所述训练好的中长期径流预报模型是基于样本预报因子集，对改进的支持向量回归模型进行训练得到的，所述改进的支持向量回归模型是由三层贝叶斯推断框架和支持向量回归模型耦合得到的；对所述径流概率预报正态分布结果进行数据处理，得到所述目标区域在所述预见期内的径流概率预报结果；所述训练好的中长期径流预报模型通过以下步骤得到：基于预设的预见期和每个样本预报因子的滞后期，通过样本径流数据和所述样本预报因子，构建样本预报量和所述样本预报量对应的样本预报因子集；将所述样本预报量和所述样本预报因子集输入到改进的支持向量回归模型中进行训练，得到训练好的中长期径流预报模型；所述改进的支持向量回归模型的核函数为自动相关确定核函数；所述将所述样本预报量和所述样本预报因子集输入到改进的支持向量回归模型中进行训练，得到训练好的中长期径流预报模型，包括：基于初始核函数和初始正则化系数，根据所述样本预报量和所述样本预报因子集，对所述改进的支持向量回归模型进行训练；在每一轮次的训练中，根据训练结果和正则化系数公式，获取当前轮次的正则化系数，若当前轮次的正则化系数等于上一轮次的正则化系数，则得到所述改进的支持向量回归模型的最优正则化系数，否则，将当前轮次的正则化系数作为下一轮训练时的正则化系数，所述正则化系数公式为： 其中，γ′表示最优正则化系数，N表示样本个数，γeff表示有效参数个数，EW表示模型结构复杂度，ED表示拟合误差，α表示待计算的模型参数，…表示核函数矩阵，ei表示第i个样本的预测误差，yi表示预报量Y中第i个值；fxi表示拟合值，表示样本预报因子集X中第i个样本；Neff表示为M…M的非负特征值个数；λG,i表示为M…M的非负特征值由大到小排序后的第i个特征值，其中，为一个N阶的中心化矩阵；Neff表示有效样本个数；根据模型评估指标计算公式，获取当前轮次训练后改进的支持向量回归模型的评估指标，并对所述评估指标进行判断，若所述评估指标不满足收敛条件，则通过自动相关确定核函数计算公式，重新计算核函数，并将新的核函数用于下一轮训练；若所述评估指标满足收敛条件，得到目标核函数；根据所述目标核函数和所述最优正则化系数，基于模型参数公式，通过训练得到所述改进的支持向量回归模型的模型参数，在满足预设训练次数后，得到训练好的中长期径流预报模型，所述模型参数公式为： 其中，α和b为待计算的模型参数，Y为预报量，1v为N个1组成的列向量，IN为N阶单位矩阵，γ为设定的正则化系数；Ω为核函数矩阵，核函数矩阵中第i行第j列的值为Ωi，j＝Kxi，xj，其中，xi、xj分别为样本预报因子集X中第i个和第j个样本，Kxi，xj为核函数；所述自动相关确定核函数计算公式为： 其中，ninputs为选中的预报因子个数，xi，k表示样本预报因子集X中第i个样本的第k个预报因子值，xi，k表示样本预报因子集X中第j个样本的第k个预报因子值，σk为对应第k个预报因子的核函数参数；所述模型评估指标计算公式为： ζ＝μ*γ；其中，μ表示模型复杂度在最终训练中所占的权重，ζ表示模型拟合效果在最终训练中所占的权重；所述根据预见期、预报因子和所述预报因子对应的历史径流数据，构建目标区域内的预报因子集，包括：基于log-sinh变换，对历史径流数据进行预处理，得到预处理后的历史径流数据；根据预见期，将所述预处理后的历史径流数据置于对应月份的预报因子中，得到预报因子集。

全文数据：

权利要求：

百度查询： 清华大学 一种中长期径流概率预报方法及系统