1.一种中小河流实时洪水预报智能模型预报方法,其特征在于,包括以下步骤:步骤一,收集研究的中小流域的水文数据,然后将收集到的所述水文数据存入水文历史数据库;
步骤二,对所述水文历史数据库中的水文数据进行预处理,所述预处理包括数据清洗、数据变换、数据集划分;
步骤三,构建实时预报智能模型,所述智能模型的第一阶段初始建模,使用基于支持向量机的数据驱动模型预报洪水;
步骤四,所述智能模型的第二阶段情势优化,采用马尔科夫方法对初始预报模型的状态进行智能化调整;
步骤五,所述智能模型的第三阶段预报过程线形状控制,在洪水模式库中采用水文多元融合算法对各洪水特征因子的时间序列模式进行相似性度量,寻找与实时洪水过程相同的历史洪水流量模式,然后对实时预报的洪水过程线进行整体形态的调整;
步骤六,使用测试集数据评估智能模型性能;
步骤七,实时预报,将所述步骤二中预处理后的水文数据作为智能模型输入,未来24小时流域出口断面流量为智能模型输出。
2.根据权利要求1所述的一种中小河流实时洪水预报智能模型预报方法,其特征在于:在所述步骤一中,收集研究的中小流域的水文数据包括流域内历史降雨数据、流域出口断面的历史流量数据及流域历史蒸发数据,然后把收集到的所述水文数据存入水文历史数据库。
3.根据权利要求1所述的一种中小河流实时洪水预报智能模型预报方法,其特征在于:在所述步骤二中,对所述水文历史数据库中的水文数据进行预处理,所述数据清洗包括去除离群噪声数据和重复数据,且补全缺失数据;数据清洗及补全通过统计学原理自动实现。
4.根据权利要求1所述的一种中小河流实时洪水预报智能模型预报方法,其特征在于:在所述步骤二中,对所述水文历史数据库中的水文数据进行预处理,所述数据变换为通过规范化方式将数据转换成适用于模型训练的方式,具体方法为标准归一化。
5.根据权利要求4所述的一种中小河流实时洪水预报智能模型预报方法,其特征在于:在所述步骤二中,归一化处理后的数据集划分为训练集和测试集,其中,数据集划分方法为选取其中一场洪水数据作为测试集,剩下的洪水场次作为训练集;训练数据集采用交叉验证法训练防止模型过拟合。
6.根据权利要求1所述的一种中小河流实时洪水预报智能模型预报方法,其特征在于:在所述步骤三中,所述支持向量机的模型选取核函数为径向基核函数;智能模型初始建模阶段支持向量机的参数采用LIBSVM库网格寻优函数SVMcgForRegress函数自动生成。
7.根据权利要求1所述的一种中小河流实时洪水预报智能模型预报方法,其特征在于:在所述步骤四中,构建实时预报智能模型,智能模型第二阶段情势优化,采用马尔科夫方法对初始预报模型的状态进行智能化调整;所述的智能化调整指马尔科夫方法在所述步骤三的预报结果的基础上,通过计算状态转移概率矩阵,得到预报下一时刻的残差值来评估预报值与观测值的匹配程度,校正预报结果。
8.根据权利要求1所述的一种中小河流实时洪水预报智能模型预报方法,其特征在于:在所述步骤五中,所述智能模型第三阶段构建的洪水模式库是基于多元一维具有相关性的水文时间序列数据,所述水文时间序列数据包括时段面雨量时间序列数据、累积时段面雨量数据、降雨趋势时间序列数据以及土壤含水量时间序列数据,然后采用水文多元融合算法对各洪水特征因子的时间序列模式进行相似性度量;所述智能模型第三阶段构建的洪水模式库所匹配出来的历史洪水流量模式对所述智能模型第二阶段马尔科夫校正的预报结果进行形状上的调整;所述对实时预报的洪水过程线进行整体形态的调整采用最小二乘法进行最终预报结果的校正。
9.根据权利要求1所述的一种中小河流实时洪水预报智能模型预报方法,其特征在于:在所述步骤六中,使用测试集数据评估智能模型性能,具体为使用四种评估标准评估所述智能模型的三阶段实时洪水预报结果,分别为洪峰峰值相对误差Qmax[%]、峰现时间相对误2
差Δtmax[h]、均方根误差RMSE、决定系数R。
10.根据权利要求9所述的一种中小河流实时洪水预报智能模型预报方法,其特征在于:在所述步骤六中,所述四种评估标准的公式如下:
1)洪峰峰值相对误差Qmax[%]:
其中,Qmax——洪峰流量实际值,为地面水文站测量的历史数据; 洪峰流量预报值,为所述智能模型的三阶段实时洪水预报结果;
2)峰现时间相对误差Δtmax[h]:
其中,tmax——实际洪水洪峰时刻, ——预报流量洪峰时刻;
3)均方根误差RMSE:
2
4)决定系数R:
其中,Qi——在i时刻洪水流量观测值, ——在i时刻洪水流量预报值, ——洪水流量平均观测值, ——洪水流量平均预报值,N——测试样本总数,i为1到N时刻。