欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025102493285
申请人: 河海大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于深度学习的中长期径流集成概率预测方法,其特征在于,包括以下步骤:收集径流数据,采用基于冲突度量和动态权重改进的Dempster-Shafer证据理论集成多种因子筛选方法的结果,获得用于径流预测模型的驱动因子集;

构建基于多尺度物理约束自适应损失函数的深度学习基模型,通过贝叶斯优化方法优选模型参数,获得训练好的深度学习径流预测基模型;

构建多模态自适应Stacking集成框架,将所述深度学习径流预测基模型作为第一层基学习器,决策树回归模型作为第二层元学习器,生成集成模型的径流单值预测结果;

采用改进的多层次Bootstrap-Quantile融合方法对所述单值预测结果进行不确定性量化,通过动态加权机制生成中长期径流概率预测方案;

采用SHAP事后解释方法进行可解释性分析,识别关键驱动因素。

2.根据权利要求1所述的基于深度学习的中长期径流集成概率预测方法,其特征在于,基于冲突度量和动态权重改进的Dempster-Shafer证据理论集成多种因子筛选方法的步骤包括:构建识别框架和证据集合,分别对应多个筛选方法筛选的预测因子集;

定义各筛选方法的基本信任函数,将各方法筛选出的预测因子对应的评价指标归一化为基本概率赋值;

进行证据融合与动态权重调整,采用Dempster-Shafer组合规则计算联合基本概率赋值,根据各筛选方法在验证集上的纳什效率系数动态调整权重,优化证据融合结果得到综合信任函数;

将综合信任函数值降序排列并计算累计贡献率,选择累计贡献率达到预设阈值的预测因子,生成最终的驱动因子集。

3.根据权利要求1所述的基于深度学习的中长期径流集成概率预测方法,其特征在于,所述多尺度物理约束自适应损失函数包含:多尺度分解项LDecompose=∑ωk•MSE(IMFtrue, IMFpred);ωk为第k个模态的权重;IMFtrue、IMFpred为真实径流序列和预测序列的模态分量;

物理约束项 LPhysics=||P-ET-Qpred-ΔS||2;P为降水量,ET为蒸散发量,ΔS为蓄水量变化;

趋势匹配项LTrend=1-Cov(▽Qtrue,▽Qpred) / (σ▽Qtrue•σ▽Qpred);

其中,▽Qtrue和 ▽Qpred分别表示真实径流序列Qtrue和预测序列Qpred的一阶差分,即趋势变化;Cov(▽Qtrue,▽Qpred)为两者的协方差,用于衡量两者趋势变化的一致性;σ▽Qtrue和σ▽Qpred分别表示真实序列趋势▽Qtrue 和预测序列趋势 ▽Qpred 的标准差;

动态权重参数,根据验证集表现自适应调整上述三项的权重系数。

4.根据权利要求3所述的基于深度学习的中长期径流集成概率预测方法,其特征在于,所述贝叶斯优化方法的步骤包括:定义优化目标函数与动态权重调整机制,将最小化训练样本的多尺度物理约束自适应损失函数均值设为优化目标;

设置模型超参数及损失函数权重参数的搜索空间;

采用贝叶斯优化算法迭代优化,通过代理模型构建、采集函数选择和迭代优化逐步逼近全局最优解;

基于验证集上的多指标评估结果,选取最佳超参数配置,生成深度学习模型的基模型预测结果。

5.根据权利要求1所述的基于深度学习的中长期径流集成概率预测方法,其特征在于,所述多模态自适应Stacking集成框架的步骤包括:根据丰水期、平水期、枯水期三个阶段将基学习器分为三组专家模型,并针对特殊水文事件动态调整基学习器权重;

将基学习器的预测结果汇总,引入水量平衡残差物理约束项及多模态数据,生成新的训练和测试数据集;

以新训练数据为输入,训练决策树回归模型作为三个阶段的元学习器,学习基学习器预测结果间的组合关系;分别针对枯水期、平水期和丰水期进行优化,并根据历史同期水文特征调整预测策略;

使用训练完成的元学习器结合新测试数据,生成最终的单值预测结果。

6.根据权利要求1所述的基于深度学习的中长期径流集成概率预测方法,其特征在于,所述改进的多层次Bootstrap-Quantile融合方法的步骤包括:采用交叉验证方法划分训练集和测试集,获取预测误差样本集;按径流量分位数进行分层抽样,并对历史洪峰和极端枯水事件进行过采样;

对每个时间段的预测结果进行多次Bootstrap重抽样,生成多个Bootstrap样本;

结合Quantile方法计算误差的概率分布,基于预测误差的均方根误差动态分配权重;构建水文极值敏感分布并引入峰度调整参数和偏度参数;

对加权后的预测结果计算联合分位数函数,得到特定置信水平下的径流预测区间。

7.根据权利要求1所述的基于深度学习的中长期径流集成概率预测方法,其特征在于,所述SHAP事后解释方法的步骤包括:计算各输入特征的SHAP值,量化其在不同时段和不同结构预测模型中的具体贡献;

采用SHAP可视化工具绘制Shapley值蜂群图和贡献排序图,从时间维度解析关键驱动因子,识别不同月份对径流预测具有重要影响的输入特征。

8.根据权利要求2所述的基于深度学习的中长期径流集成概率预测方法,其特征在于,所述基于冲突度量和动态权重改进的Dempster-Shafer证据理论的证据融合过程包括:采用冲突度量K计算不同筛选方法证据间的冲突程度,K值由各筛选方法基本概率赋值乘积的交集为空集的组合之和确定;

根据冲突度量K修正联合信任函数计算公式,使用m(Hj)=∑B∩C=Hj[wj•m1(B)•m2(C)•m3(C)]/(1-K)对高冲突证据进行校正;m1(B)、m2(C)、m3(C)为A1、A2、A3的基本信任函数,K为冲突度量;

当K值超过预设阈值时,触发自适应权重调整机制,增大筛选方法权重,确保证据融合结果的可靠性。

9.根据权利要求3所述的基于深度学习的中长期径流集成概率预测方法,其特征在于,所述多尺度分解项的变分模态分解过程包括:将真实径流序列Qtrue和预测序列Qpred通过变分模态分解算法分解为K个固有模态函数IMF;

对分解得到的模态分量实施差异化权重分配策略,低频模态分量赋予较高权重ωlow,高频模态分量赋予较低权重ωhigh,其中ωlow+ωhigh=1;

针对每个模态分量计算真实值与预测值之间的均方误差,得到加权误差LDecompose=∑ωk•MSE(IMFtrue, IMFpred);Ldecompose为通过变分模态分解后各模态分量误差的加权总和;k为变分模态分解(VMD)分解得到的模态分量总数;ωk为第k个模态分量的权重系数;IMFtrue为第k个模态的真实径流序列分量;IMFpred为第k个模态的预测径流序列分量;

通过动态调整低频与高频模态权重比例,增强模型对径流年际变化和季节性波动的识别能力。

10.根据权利要求1所述的基于深度学习的中长期径流集成概率预测方法,其特征在于,所述多种因子筛选方法的筛选过程包括:收集并预处理流域径流数据,剔除高缺失率因子,填补缺失值并标准化,得到预处理数据集;

采用改进时滞皮尔逊相关系数法,计算1-12个月滞后窗口内的相关系数,选取最显著因子构成方案集A1;

采用多尺度最大信息系数法,在月、季、年三个尺度上计算互信息值,选取最显著因子构成方案集A2;

采用物理约束随机森林特征重要性评分法,计算方差增量评分,选取最显著因子构成方案集A3。

11.根据权利要求1所述的基于深度学习的中长期径流集成概率预测方法,其特征在于,所述深度学习基模型为水文时序自适应混合神经网络架构,其构建过程包括:采用变分模态分解方法将原始径流序列分解为长期趋势分量、季节性分量和随机波动分量;

构建结构特化的神经网络,使用多层感知机MLP处理长期趋势分量,使用长短期记忆网络LSTM处理季节性分量,使用Transformer处理随机波动分量;

设计动态注意力融合层,根据预测目标时段的水文特性计算注意力权重系数α、β、γ,满足α+β+γ=1,其中α、β、γ分别为MLP、LSTM和Transformer模型的输出权重;

引入历史相似水文年特征作为辅助输入,通过计算欧氏距离选取k个最相似水文年径流数据,构建增强特征矩阵;

整合三个子模型的加权输出结果,生成最终径流预测值Q_pred = α·Q_MLP + β·Q_LSTM + γ·Q_Transformer,其中Q_MLP、Q_LSTM、Q_Transformer分别为三个模型的预测结果。

12.根据权利要求4所述的基于深度学习的中长期径流集成概率预测方法,其特征在于,所述贝叶斯优化方法为水文参数敏感度引导的贝叶斯优化方法,其优化过程还包括:构建水文参数敏感度矩阵S,通过Morris筛选法计算各超参数对模型性能的敏感度系数;

基于包括面积、坡度、植被覆盖率在内的流域特征建立超参数先验分布P;

构建多目标水文评价函数H(θ) = w1·NSE + w2·(1-|RC_bias|) + w3·(1-|WB_res|),其中NSE为纳什效率系数,RC_bias为径流系数偏差,WB_res为水量平衡残差,w1、w2、w3为权重系数且满足w1+w2+w3=1;

采用分阶段优化策略,对丰水期和枯水期分别优选超参数集θ_wet和θ_dry;

构建高斯过程代理模型GP(x),使用预期改进采集函数EI(x)选择下一组超参数;

根据不同预测月份的水文特性,切换相应的最优超参数集,生成最终的模型预测结果。