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：福建中锐网络股份有限公司

摘要：本发明提出一种基于水位延时因子的流域水位延时影响时间预测模型，基于历史水位数据，通过计算上游测点测得的上游水位或泄洪量对下游测点的水位延时影响时间来搭建；所述模型基于上下游水位、风速、降雨量因素，对计算出的水位延时影响时间进行实时拟合以提高流域监测系统的准确性；预测模型中的测点设于流域的干流、支流、水坝或水闸处，所述上游测点与下游测点的设置位在流域水文空间结构上具有直接关联；影响下游测点水位的因素为上游测点处的历史水位、降雨量和泄洪量；上游测点处的历史水位、泄洪量对下游测点的影响具有延时性；模型的搭建包括构造水位延时因子标签、训练延时影响时间预测模型；本发明能提高流域监测系统的准确性。

主权项：1.一种基于水位延时因子的流域水位延时影响时间预测模型，其特征在于：所述模型基于历史水位数据，通过计算上游测点测得的上游水位或泄洪量对下游测点的水位延时影响时间来搭建；所述模型基于上下游水位、风速、降雨量因素，对计算出的水位延时影响时间进行实时拟合以提高流域监测系统的准确性；预测模型中的测点设于流域的干流、支流、水坝或水闸处，所述上游测点与下游测点的设置位在流域水文空间结构上具有直接关联；影响下游测点水位的因素为上游测点处的历史水位、降雨量和泄洪量；上游测点处的历史水位、泄洪量对下游测点的影响具有延时性；所述预测模型的搭建包括以下步骤；步骤一、构造水位延时因子标签；具体为：输入流域内每个测点的水位、泄洪量数据，使用z-score标准化方式消除不同值域、单位数据之间的量纲影响，再将数据按测点和固定的监测时间间隔划分为多段数据，按单个测点的每段数据为单位分别构造延时因子，延时因子表示上游水位或泄洪量经过多少个单位间隔监测时间作用到下游测点，构造时需要对齐求解，将延时因子构造的上游延时水位特征作为自变量，测点水位数据或泄洪量数据作为因变量，搭建多元线性回归模型进行拟合，拟合误差越小说明两者越接近，延时因子越接近真实值，再使用控制变量寻优法求解最接近真实值的延时因子，完成延时因子的构造；步骤二、训练延时影响时间预测模型；所述步骤一包括以下步骤；步骤1.1、输入当前的下游测点相关的上游测点的水位或泄洪量数据、下游测点水位数据；即：输入数据为流域内每个测点的水位、泄洪量数据，要求起始采集时间、采集间隔、结束采集时间都一致；步骤1.2、z-score标准化，即：以延时因子表示上游水位或泄洪量经过多少个单位间隔监测时间作用到测点，并对其求解，延时因子构造方式为：将测点数据按固定的时间间隔划分为多段数据，将a条数据划分为n份的划分方式如下： a,n∈Z*且公式一；其中代表下游测点d在T时间段的所有水位数据；使用上游相关测点水位或泄洪量数据构造延时因子，具体构造方式如下： 其中W代表水位，若上游相关测点为水坝或水闸则表示泄洪量，d代表下游测点，uk代表与d相关的k个上游测点，Ti代表划分后的第i段监测时间，tk表示第k个上游监测点的延时因子，即将第k个上游监测点数据延时tk个监测单位时间；步骤1.4、搭建线性回归模型，具体为：将延时因子构造的上游延时水位或泄洪量特征作为自变量，测点水位数据作为因变量，搭建多元线性回归模型进行训练拟合，拟合误差越小说明两者越接近，延时因子越接近真实值；步骤1.5、使用控制变量寻优法最小化线性回归模型拟合误差，即：基于步骤1.4的线性回归模型，使用控制变量寻优法，在不改变线性回归模型超参数的前提下，将延时因子作为寻优变量，拟合误差作为目标函数，进行迭代寻优；步骤1.5中，单个测点的延时因子控制变量寻优法分为初始化最优位置与最优目标函数、迭代寻优最优位置两个步骤；单个测点的初始化最优位置与最优目标函数，其具体步骤为：步骤S1：在初始位置，即所有维度的延时因子都为0时，将上游延时水位或泄洪量特征作为自变量，测点水位数据作为因变量，输入多元线性回归模型进行训练拟合，得到训练集MSE为初始位置目标函数；步骤S2：设测点的上游相关测点数量为n，寻优目标即是每个上游相关测点的时效因子，故寻优维度等于n，分别初始化每个维度的最优位置，令i＝1；步骤S3：在初始位置基础上，将维度i的位置增加m，重新构造上游延时水位或泄洪量的特征，输入多元线性回归模型进行训练拟合，计算目标函数；模型中，m为正整数，根据监测间隔时间和上游离下游的距离调整，监测间隔时间越短m越大，上游距离测点越远m也越大，当增大m时，会加快初始化速度，但会因跳过最优点而增多后续迭代次数；步骤S4：将此次目标函数值与上次的目标函数值做对比；若为每个维度的第一次判断，即维度i的位置为m，则和初始位置的目标函数值做对比；若此次目标函数小于上次的目标函数，则返回上一步骤S3，维度i的位置继续增加m；若此次目标函数大于上次的目标函数，则进入下一步骤S5；步骤S5：初始化维度i的个体历史最优位置为上次的位置；模型中，延时因子逐个增加时，线性回归模型的拟合准确度会逐渐提高，到达顶点后逐渐下降，然后再次升高降低，具有周期性，第一个顶点的拟合效果是最好的，即说明第一个顶点最接近真实的延时影响时间，通过采取该步骤的方法来初始化个体位置以有效减少后续迭代的次数；步骤S6：判断i是否等于n，即判断是否所有维度都完成初始化，是则执行S7，否则执行S6-1；步骤S6-1：将i替换为i+1，初始化下一维度的位置；步骤S7：初始化整体的最优位置为每个粒子的个体历史最优位置；步骤S8：使用最优位置延时因子参数组合构造上游延时水位或泄洪量的特征；单个测点的迭代寻优最优位置，具体包括以下步骤；步骤A1：设下游测点的上游相关测点数量为n，寻优目标即是每个上游相关测点的时效因子，故寻优维度等于n，分别初始化每个维度的最优位置，令i＝1；步骤A2：保持最优位置的其他维度值不变，将维度i分别+k和-k，使用变化后的两个延时因子构造新的上游相关测点特征，分别输入多元线性回归模型进行拟合，计算目标函数值；步骤A3：判断变化后的最小的目标函数值是否小于历史最小目标函数值，是则执行步骤A4，否则执行步骤A5；步骤A4：更新维度i的个体最优位置与个体最小目标函数值为最小的目标函数值和其对应的维度i位置；此处只记录每个维度的个体最优位置，并不直接更新到最优位置上；步骤A5：判断i是否等于n，即判断是否所有维度都完成个体最优位置的更新，是则执行步骤A6，否则执行步骤A5-1；步骤A5-1：将i替换为i+1，更新下一维度的个体最优位置；步骤A6：将所有维度个体最优位置组合,构造上游延时水位或泄洪量特征，输入多元线性回归模型进行训练拟合，计算目标函数；步骤A7：判断所有维度个体最优位置组合后是否与最优位置一致，即判断此次更新是否并未改变任何一个维度的位置；若为是则说明当前位置的延时因子组合即为最接近真实的延时影响时间，执行步骤A8；若为否则说明还需要继续迭代寻优，执行步骤A7-1；步骤A7-1：判断目标函数值是否小于最小目标函数值；若为是则说明当前的所有维度个体最优位置组合比最优位置更接近真实的延时因子参数组合，执行步骤A7-2；若为否则说明当前的所有维度个体最优位置组合比最优位置更远离真实的延时因子参数组合，执行步骤A7-3；步骤A7-2：更新最优位置与最小目标函数值为组合后的位置与其对应的目标函数值；步骤A7-3：更新最优位置与最小目标函数值为步骤A2-步骤A6所有维度中最小的个体最小目标函数值和其对应的位置；步骤A8：输出最优位置，该位置的延时因子组合即为最接近真实的延时影响时间。

全文数据：

权利要求：

百度查询： 福建中锐网络股份有限公司 一种基于水位延时因子的流域水位延时影响时间预测模型