一种水文预报方法、系统、设备和介质与流程

本技术涉及水文预测，特别是涉及一种水文预报方法、系统、设备和介质。

背景技术：

1、当前水文预报技术在应对复杂自然条件下的径流预测时面临诸多挑战。传统的方法，如线性规划、动态规划以及大系统分解协调等，虽在理论层面已经成熟，但在实际应用中却受限于“维数灾难”，即随着问题复杂度的增加，算法的有效性和效率大幅下降。此外，这类方法在处理非线性、波动性及周期性等特征时，往往难以达到理想的预测精度。因此，现有技术中存在水文预报精确度低的问题。

技术实现思路

1、本技术实施例提供了一种水文预报方法、系统、设备和介质，以至少解决相关技术中存在水文预报精确度低的问题。

2、第一方面，本技术实施例提供了一种水文预报方法，包括：

3、根据历史径流数据，确定影响因子数目，基于所述影响因子数目，建立径流时间序列，根据所述径流时间序列，划分训练集和测试集；

4、基于所述训练集，通过合作搜索算法耦合孪生极限学习机，构建水文预报模型，其中，所述水文预报模型输入径流数据，输出预测的径流数据；所述合作搜索算法包括引入个人最佳位置进行联合搜索的团队沟通算子，以及引入动态扰动的反思学习算子；

5、根据当前径流数据，基于所述水文预报模型，获取径流点预报结果。

6、在一实施例中，所述基于所述训练集，通过合作搜索算法耦合孪生极限学习机，构建水文预报模型，包括：

7、设置合作搜索算法的参数，其中，所述参数包括员工个体规模、最大迭代次数、变量维数、变量的上下限和初始化员工个体的位置；

8、根据所述训练集、所述合作搜索算法的参数、拉格朗日乘数和优化条件，建立合作搜索算法耦合孪生极限学习机的初始水文预报模型，并将所述水文预报模型转化为对应的对偶优化问题；

9、将纳什-效率系数作为所述初始水文预报模型的目标函数，并获取每个所述员工个体的目标函数值；

10、获取多个所述目标函数值中最小的目标函数值，将最小的目标函数值对应的员工个体位置作为当前迭代的最优位置，通过团队沟通算子、反思学习算子和内部竞争算子，更新各个员工个体的位置，获取员工个体最优解；

11、将所述员工个体最优解作为初始水文预报模型的输入，迭代获取所述员工个体最优解，响应于达到预设迭代次数，获取员工个体最优参数组合，根据所述员工最优参数组合，获取水文预报模型。

12、在一实施例中，所述根据所述训练集、所述合作搜索算法的参数、拉格朗日乘数和优化条件，建立合作搜索算法耦合孪生极限学习机的初始水文预报模型，并将所述水文预报模型转化为对应的对偶优化问题，包括：

13、基于所述训练集的输入数据集x，输出数据集y，孪生极限学习机构建以下两个二次规划问题；

14、二次规划问题一：

15、

16、s.t.y-hβ1≥eε1-ξ,ξ≥0

17、二次规划问题二

18、

19、s.t.hβ2-y≥eε2-η,η≥0

20、式中，e为单位向量；h＝(h(x1)t,…,h(xn)t)t为训练集的隐含层；h(x)＝(h1(x),…,hl(x))t为隐含层相对于x的非线性随机特征映射，l为隐含层个数；wi和bi分别为权重和偏差；g为激活函数；ξ和η为误差向量；c1和c2为大于0的权衡参数；β1和β2分别为两个超平面的隐藏层和输出层之间的权重。

21、引入拉格朗日乘数α、γ，将所述二次规划问题一转化为：

22、

23、针对充要最优性条件，根据优化条件karush-kuhn-tucker表示如下：

24、-xt(y-hβ1-eε1)+xtα＝0

25、-et(y-hβ1-eε1)+etα＝0

26、c1e-α-γ＝0

27、y-hβ1≥eε1-ξ,ξ≥0

28、αt(y-hβ1-eε1+ξ)＝0,α≥0

29、γtξ＝0,γ≥0

30、引入正则化项δi，得到β1＝(hth+δi)-1ht(f-α)，获取对应的对偶优化问题：

31、

32、s.t.0≤α≤c1e

33、

34、s.t.0≤γ≤c2e

35、式中，δ为预设取值的正则化参数，i为预设维度的单位矩阵。由此可得β2＝(hth+δi)-1ht(g+γ)，g＝y+eε2。

36、

37、在一实施例中，所述通过团队沟通算子、反思学习算子和内部竞争算子，更新各个员工个体的位置，获取员工个体最优解，包括：

38、所述团队沟通算子通过以下公式确定：

39、

40、m＝1+max(floor(3·α·i·(1-t/(0.7·t))),0)

41、式中，为第k+1次迭代第i个员工群组更新后第j个变量取值；表示第k次迭代第i个员工历史最优决策的第j个变量取值；表示第k次迭代第ind个团队历史最优决策的第j个变量取值，其中ind从整数集合{1,2,…,m}随机选取，m表示团队历史最优决策的个数；分别表示从领导者、决策者和监督者得到的信息增益；α、β表示调整参数；t和t分别为当前迭代次数和全局迭代次数；floor是向下取整函数；

42、反思学习算子通过以下公式确定：

43、

44、式中，为第k+1次迭代第i个员工反思决策后第j个变量取值；randn是正态分布随机函数；rand是[0,1]随机取值函数。

45、内部竞争算子通过以下公式确定：

46、

47、式中，f(x)用于评估员工的工作表现，为待优化问题的适应度取值；

48、通过确定后的团队沟通算子、反思学习算子和内部竞争算子，更新各个员工个体的位置，获取员工个体最优解。

49、在一实施例中，所述根据历史径流数据，确定影响因子数目，基于所述影响因子数目，建立径流时间序列，包括：

50、对所述历史实测径流数据进行归一化处理；

51、对归一化处理后的所述历史实测径流数据采用偏自相关分析法确定前期影响因子数目；

52、对所述前期影响因子数目进行窗口化，建立径流时间序列。

53、在一实施例中，在根据所述员工最优参数组合，获取水文预报模型之前后，所述方法还包括：

54、通过测试集对所述预报模型进行测试，反归一化后获得径流点预报结果；

55、根据所述径流点预报结果，验证所述水文预报模型的精确度。

56、在一实施例中，将纳什效率系数作为所述初始水文预报模型的目标函数，并获取每个所述员工个体的目标函数值，包括：

57、选择纳什-效率系数作为模型的目标函数，计算每个员工个体的目标函数值，以此作为初始评估模型预测性能的指标，其中，纳什-效率系数通过以下公式确定：

58、

59、式中，qobs,t是第t时刻的实际观测值，qsim,t是第t时刻的模型预测值，是观测值的平均值，n是样本点的数量。

60、第二方面，本技术实施例提供了一种水文预报系统，所述系统包括划分训练集和测试集模块、构建水文预报模型模块、获取径流点预报结果模块，其中：

61、所述划分训练集和测试集模块，用于根据历史径流数据，确定影响因子数目，基于所述影响因子数目，建立径流时间序列，根据所述径流时间序列，划分训练集和测试集；

62、所述构建水文预报模型模块，用于基于所述训练集，通过合作搜索算法耦合孪生极限学习机，构建水文预报模型，其中，所述水文预报模型输入径流数据，输出预测的径流数据；所述合作搜索算法包括引入个人最佳位置进行联合搜索的团队沟通算子，以及引入动态扰动的反思学习算子；

63、所述获取径流点预报结果模块，用于根据当前径流数据，基于所述水文预报模型，获取径流点预报结果。

64、第三方面，本技术实施例提供了一种计算机设备，包括存储器、处理器以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，所述处理器执行所述计算机程序时实现如上述第一方面所述的一种水文预报方法。

65、第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的一种水文预报方法。

66、本技术实施例提供的一种水文预报方法、系统、设备和介质至少具有以下技术效果。

67、首先根据历史实测径流数据构建时间序列，并对序列进行预处理。

68、其次，引入孪生极限学习机以解决回归问题，同时采用改进的合作搜索算法优选模型参数，在提高全局搜索能力的同时保证局部勘探能力。

69、最终，向训练后的模型中输入测试集样本序列，可得到径流的预测结果。本技术弥补了合作搜索算法在处理问题时全局搜索方面的不足，扩展了孪生极限学习机的应用范围，构建了高精度的水文预报模型，解决相关技术中存在水文预报精确度低的问题。

70、本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。