基于混合深度学习模型的洪水过程概率预报研究.pdf
《基于混合深度学习模型的洪水过程概率预报研究.pdf》由会员分享,可在线阅读,更多相关《基于混合深度学习模型的洪水过程概率预报研究.pdf(10页珍藏版)》请在咨信网上搜索。
1、传统的人工神经网络模型无法量化洪水预报的不确定性,而且在多时段连续预报中未考虑输出的时间相关性。本文通过融合新安江()模型、基于外源输入编码 解码()结构的长短期记忆()神经网络和混合密度网络(),构建了 混合深度学习模型,以实现洪水过程概率预报。该模型在考虑预报洪水时间相关性的前提下,将解码过程产生的点估计转化为条件概率分布的估计;进一步采用最大似然估计法建立了损失函数,通过自适应矩估计()算法优选模型参数。在陆水和建溪两个流域的研究结果表明:该模型在不降低 模型预报精度的前提下,可有效反映预报洪水过程的不确定性,获得合理可靠的置信区间和优良的概率预报性能,为水库防洪调度等决策提供更多的风险
2、信息,同时为研究深度学习在洪水概率预报中的应用提供参考。关键词:概率预报;不确定性分析;长短期记忆神经网络;编码 解码结构;混合密度网络中图分类号:文献标识码:?引言随着人工智能技术快速发展,出现了能够有效处理非线性、非稳态时间序列的深度学习模型。长短期记忆()神经网络是最具代表性的模型之一 ,相较于传统的人工神经网络,它有更先进的理论基础和模型结构,能够在多时段洪水预报中取得较好的预报精度 。但深度学习模型缺少物理机制支撑,可解释性较低 ,而且无法量化预报不确定性,预报价值和可靠度较低 。近年来,概念性水文模型与深度学习耦合的混合模型引起水文学者的广泛关注 。混合模型可以在神经网络中学习概念
3、性模型的产汇流过程,一定程度上提高了 模型的可解释性和预报精度。随着深度学习的研究不断深入,出现了可以解决序列到序列问题的编码 解码结构 。耦合递归编码解码()结构的 神经网络,可以在编码和解码过程中将前一时刻提取的有效特征传递给后一时刻 ,在保证输出变量时间相关性的前提下,获得多时段洪水过程预报,具有较高的内部可解释性和适用性 。但 模型存在曝光偏差问题(即训练和验证过程不一致问题),使得模型性能不稳定,在多时段洪水过程预报的精度不佳。等 将新安江()模型预报流量过程输入到解码过程中代替递归过程,建立了基于外源输入编码 解码()结构的 模型,不仅可以学习 模型的产汇流过程,还克服了 模型的曝
4、光偏差问题,提高了预报精度。目前,深度学习模型输出形式多为确定性点估计,由于模型参数、结构和输入资料等不确定性因素的影响,水文预报不可避免地存在不确定性问题 ,仅提供点估计的深度学习模型为防洪决策提供的不确定性(或风险)信息是有限的。已有研究通过引入先进的不确定性量化技术或改进现有的神经网络构建了深度学习概率预报模型 ,。混合密度网络()是一种可以估计目标变量条件概率分布的神经网络。将神经网络与混合密度函数相结合,借助神经网络生成多个核函数的权重和参数,将核函数按照权重相加组合为混合密度函数,理论上可以表示任意条件概率分布 ,在能源、气象等领域获得广泛关注 ,其损失函数依据最大似然估计法构建
5、。当前,多数深度学习概率预报研究主要集中在单个时间步长的概率预报中,无法在考虑预报洪水过程时间相关性的前提下获得不确定性估计,缺乏可解释性和适用性。因此,有必要开展基于混合深度学习模型的多时段洪水过程概率预报研究,实现实时量化预报洪水过程的不确定性,为水库防洪调度等决策提供更多的风险信息。本文首先将 模型的预报流量过程嵌入 模型的解码过程;其次,将 耦合至 模型解码过程的输出层以实现概率分布转换,构建 混合深度学习模型;最后,依据最大似然估计法构建损失函数,以优化 模型的权重等参数。本文以陆水和建溪两个流域为案例,对 、和 模型进行对比验证,并分析了所提模型的不确定性量化性能。研究方法 模型长
6、短期记忆()神经网络由遗忘门、输入门、更新记忆单元状态和输出门等 个计算结构构成。模型结构见图 ()。模型是将 模型的预报流量作为 神经网络在预报时刻的输入。其中,模型参数率定方法和结果见文献 。模型预报流量与目标输出变量(即每一预见期对应的实测流量)有较强的相关性,因此期望其可引导神经网络产生较合理的预报流量过程。同时,模型预报流量增加了模型输入数量,可在一定程度上缓解过拟合问题。模型为单输出结构(与文献 相似),未在时间维度上考虑预报洪水间的相关性。模型基于外源输入编码 解码结构的 模型由编码过程(图 ()()和解码过程(图 ()()构成。为克服传统递归编码 解码结构的曝光偏差问题,将 模
7、型的预报流量过程与解码过程相耦合(图 ()()虚线框),以替代解码中的递归过程,使得解码过程的输入始终为编码过程提取的重要信息(即图 ()()中的中间向量 )和 模型的预报流量。模型可以在考虑输出变量时间相关性的前提下,实时预报多时段洪水过程,相对 模型更具可解释性和适用性。模型未考虑预见期内预报降雨数据,为保持输入变量一致,模型同样未考虑预报降雨数据,即 为 。混合深度学习模型本文将 耦合至 模型解码过程的输出层,即将 模型解码过程隐含层输出 作为混合密度网络()的输入,增加了概率预报过程(图()(),从而构建 混合深度学习模型。该模型可以在考虑输出变量时间相关性的前提下,将解码过程产生的点
8、估计转化为概率分布估计,能够反映预报过程的不确定性,提供更多的风险信息。模型输出多个核函数的权重 和参数 ,其中 通过 函数进行归一化,以确保核函数形成有效的分布函数,其他输出值可通过适当的函数处理(如指数函数),以确保其值在规定范围内。洪水预报序列一般为一维时间序列,给定 模型隐含层输出 时,目标变量 的条件概率密度函数 (,)为(,)()()(),()()()()()式中:为核函数的数量,一般采用试错法来确定 ,其范围一般为 ;函数 是第 个核函数;为 对应权重参数的输出信息。常用的核函数为高斯核函数,公式为:()槡()()式中:为期望值;为方差,采用指数函数处理,(),以保证为非负值函数
9、。的输出变量 元素个数为 。,()图 和 模型结构图图 展示了以 个高斯核函数为例的 计算过程示意图。混合密度函数直接取决于网络输入。神经网络每次收到新的输入时,混合密度函数的参数都会发生变化,这意味着可以获得目标变量的时变条件分布函数,即时变的不确定性信息。模型的确定性预报值为条件分布的期望值,并取 置信度预报区间量化预报不确定性。为防止密度泄露等 问题,采用标准化方法消除各个特征量纲的影响。()式中:和 分别为未标准化和标准化后的变量;和 分别为变量的均值和方差。在训练神经网络时,采用最大似然估计法构建损失函数 。不同于确定性输出深度学习的损失函数(如均方误差和平均绝对误差等),模型的损失
10、函数原理是通过量化目标变量图 包含 个高斯核函数的 计算过程示意图在网络输出条件分布函数 (,)中的概率密度大小来调整超参数。通过自适应矩估计()算法使得目标变量 在对数似然函数 (,)中概率密度最大。算法在反向传播算法中,总是朝损失函数减小速率最快的方向优化神经网络超参数,损失函数公式为 (,)()确定性预报结果采用纳什效率系数()、径流总量相对误差()和平均绝对误差()三个指标进行评价 。概率预报采用平均相对宽度()、平均覆盖率()、可靠度()和连续排位概率分数()四个指标进行评价。研究区域和数据 陆水流域陆水河是长江中游的一级支流(图 (),流域面积约为 ,地处亚热带季风气候区,年平均气
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 混合 深度 学习 模型 洪水 过程 概率 预报 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。