(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211206170.6 (22)申请日 2022.09.30 (71)申请人 河海大学 地址 210098 江苏省南京市 鼓楼区西康路1 号 (72)发明人 徐斌　莫然　孙雨　岳浩　徐孙钰　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 徐红梅 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种“输入-结构-参数 ”全要素分层组合优 选的中长期径流时变概 率预测方法 (57)摘要 本发明公开了一种 “输入‑结构‑参数”全要 素分层组合优选的中长期径流时变概率预测方 法， 包括构建径流预测因子集， 对预测因子筛选 并自由组合得到驱动因子集， 生成中长期径流单 值预测方案集； 以信息熵作为评价单值预测方案 集信息价值的指标， 采用具有内外层循环嵌套结 构的逐步回归对 方案集中的方案组合进行优选， 对最优子集生成同时包含单值过程与概率区间 的径流集合预测方案； 对径流集合预测误差进行 精细表征并生成误差情景序列， 得到考虑误差校 正的径流时变概率预测方案。 本发 明提出全要素 分层优选的中长期径流预测方法， 为水资源规划 与管理提供精准、 可靠、 稳定的预报方案信息 。 权利要求书5页 说明书14页 附图2页 CN 115496290 A 2022.12.20 CN 115496290 A 1.一种“输入‑结构‑参数”全要素分层组合优选的中长期径流时变概率预测方法， 其特 征在于， 包括以下步骤： S1、 作为“输入‑结构‑参数”全要素分层组合优选的第一层， 对模型输入进行优选： 收集 研究区长系列中长期气象、 水文因子数据资料构建径流预测初始因子集， 基于copula熵与 径流成因分析筛选预测因子组合得到驱动因子集， 采用基于深度学习的长 短期记忆神经网 络LSTM模型生成中长期径流单值预测方案集； S2、 作为“输入‑结构‑参数”全要素分层组合优选的第二层， 对模型结构进行优选： 以信 息熵作为评价单值预测方案集信息价值的指标， 采用具有内外层循环嵌套 结构的逐步回归 对单值预测方案集中的方案组合进行优选， 对最优子集采用贝叶斯模型平均BMA的方式生 成同时包 含单值过程与概 率区间的径流 集合预测方案； S3、 作为“输入‑结构‑参数”全要素分层组合优选的第三层， 对模型参数进行优选： 基于 广义自回归条件异方差模型GARCH对径流预测误差进行精细表征， 利用误差的相依关系进 行实时误差校正， 结合蒙特卡洛抽样生成校正后的误差情景序列， 叠加至步骤S2中的单值 过程上得到考虑误差校正的径流时变概率预测方案， 依据径流预测 “精准度‑可靠性‑稳定 性”多维评价指标体系对得到的概 率预测方案进行评价。 2.根据权利要求1所述的一种 “输入‑结构‑参数”全要素分层组合优选的中长期径流 时 变概率预测方法， 其特 征在于， 步骤S1包括以下步骤： S11、 径流预测初始因子集 生成； 根据研究区域气象条件， 确定控制研究区域降雨、 径流的主要天气要素， 选取相应的指 标与前期降雨、 蒸散发量以及径流 量共同组成径流预测初始因子集； S12、 基于 copula熵与径流成因分析的驱动因子识别； 设N维随机变量(X1,X2,...,XN)具有边缘分布ui＝Fi(xi),i＝1,2,...,N， 其中F为累积 概率密度函数， copula熵定义 为： 其中， CE为copula熵， C为copula函数， 基于copula熵对所有与径流成因有关的预测因 子进行关联度排序， 选取排序靠前的若干因子作为驱动因子集； S13、 基于LSTM模型的径流单值预测方案集 生成； 采用LSTM对各月的入湖径流进行预测， 以不同因子组合作 为因变量进行学习、 训练、 模 拟并进行 预测， 获得 单值预测方案集。 3.根据权利要求2所述的一种 “输入‑结构‑参数”全要素分层组合优选的中长期径流 时 变概率预测方法， 其特 征在于， 步骤S13中LSTM的计算方法为： (a)遗忘门： ft＝σ(Wf·[ht‑1,xt]+bf) 其中， ft为当前时段的遗忘门门控， 表示控制部分历史输出信息转换为当前时段的输 入， 反映历史信息在当前时段的丢失程度， Wf为遗忘门的权重矩阵， bf为Wf的偏置项， σ 为激 活函数； (b)输入门： it＝σ(Wi·[ht‑1,xt]+bi)权　利　要　求　书 1/5 页 2 CN 115496290 A 2其中， it为当前时段的输入门门控， 表示控制部分当前时段的输入转化为系统状态变 量， 反映当前时段的信息 输入效率， Wi为输入门的权 重矩阵， bi为Wi的偏置项； (c)当前输入的长期状态ct'： ct'＝tanh(Wc·[ht‑1,xt]+bc) 其中， Wc为当前输入的长期状态的权 重矩阵， bc为Wc的偏置项， tanh为激活函数； (d)当前时刻的长期状态ct： ct＝ft·ct‑1+it·ct' (e)输出门： ot＝σ(Wo·[ht‑1,xt]+bo) 其中， ot为当前时段的输出门门控， 表示控制部分系统状态变量转化为当前时段的输 出， 反映当前时段的信息 输出效率， Wo为输出门的权 重矩阵， bo为Wo的偏置项； (f)LSTM的输出值ht： ht＝ot·tanh(ct) 将计算时段划分为训练期与校验期， 将训练期中经步骤S12中识别的驱动因子集W作为 上述计算步骤中的输入项xt， 将径流量作为其中的输出项 ht， 经神经网络的训练后率定得到 参数Wf、 bf、 Wi、 bi、 Wo、 bo， 并与校验期的输入项xt一同代入模型中计算得到对应的输出项ht， 得到一组单值预测过程， 构成单值预测方案集。 4.根据权利要求1所述的一种 “输入‑结构‑参数”全要素分层组合优选的中长期径流 时 变概率预测方法， 其特 征在于， 步骤S2包括以下步骤： S21、 基于信息熵与逐步回归的方案集组合优选； 信息熵的表达式为： 其中， H为信息熵， X为一个具有N个离散取值的随机变量， X＝{x1,x2,...,xN}， 其概率分 布列 此外， 对于一个二元随机变量(X,Y)， 其信息 熵又称为联合熵， 定义 为： 其中， p(x,y)为随机变量X与Y的联合概率密度函数； 联合熵表示多个随机变量包含 的 信息总量， 而其信息同量被定义 为互信息， 即： T(X,Y)＝H(X)+H(Y) ‑H(X,Y) 因此， 用信 息熵中的联合熵与互信 息分别描述单值预测方案集中各候选方案间的信 息 总量与信息同量， 并以此作为方案组合优选的依据； S22、 基于BMA的径流单值 ‑概率集合预测方案生成； 设y为预测变量， yobs为实测样本序列， f＝{f1,f2,...,fk}为候选模型空间， 其中K表示 步骤S21中优选的单值预测方案组合内的候选方案组数； 根据贝叶斯理论， 假定实测与预报 序列均服从正态分布， 进一 步细化：权　利　要　求　书 2/5 页 3 CN 115496290 A 3