(19)中华 人民共和国 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 202111353582.8 (22)申请日 2021.11.16 (71)申请人 南昌工程学院 地址 330200 江西省南昌市高新区天祥大 道289号 (72)发明人 吴绍飞　贺淼　康传雄　黄彬彬　 王奇　桂发亮　 (74)专利代理 机构 南昌大牛知识产权代理事务 所(普通合伙) 36135 代理人 李梦雅 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/02(2020.01) (54)发明名称 一种基于VECGM的径流预测方法 (57)摘要 本发明公开了一种基于VECGM的径流预测方 法。 该方法首先通过VMD处理径流序列的非平稳 性， 将原始径流序列拆解为不同频率分量， 拆解 后震荡强烈的高频分量采取组合耦合网络CNN ‑ GRU模型进行预测， 并通过ESMA优化组合模型的 超参数； 然后变化平缓的低频分量通过MLR建模 预测； 最后将各模态分量的预测输出叠加重构为 完整预测结果。 本发明提出的VECGM模型相比于 单一模型CNN、 GRU和RF， 组合网络ESMA ‑CNN‑GRU (ECG)的模型预测误差MAE、 MAPE和RMSE更低， 模 拟拟合指数R2和KGE值更高， 证明该组合网络性 能优异， 更加适合处理波动性强、 非线性平稳的 径流序列。 权利要求书1页 说明书6页 附图6页 CN 114036850 A 2022.02.11 CN 114036850 A 1.一种基于VE CGM的径流预测方法， 其特 征在于， 包括以下步骤： 步骤1、 将原始径流序列数据进行VMD分解， 分解为K个本征模态分量； 根据过零率划分 为高频模态分量和低频模态分量， 过零率大于10％为高频模态分量， 反之则为低频模态分 量， 过零率计算公式如下： 其中， Z表示 过零率； nzero表示过零次数， 即若相邻信号值异号， 则表示 一次过零； N表示信号长度； 步骤2、 对高频模态分量采用CNN ‑GRU耦合网络进行训练预测， CNN ‑GRU耦合网络的结构 参数采用ES MA进行寻优； 对低频模态分量采用ML R进行训练预测， 输入变量为与低频模态分 量的相关系数绝对值大于0.3的特征， 所述特征为APVAI、 APVII、 EATII、 TPR1I、 TPR2I、 WPSHA、 WPSHI、 AZC、 EATP、 WP、 TNH、 30hPaZW、 50hPaZ W、 850hPaWPTW、 CAA、 WNPTN、 NLTC、 月降雨， 并根据输入变量的PACF确定滞后天数； 步骤3、 将步骤2中得到的各模态分量的预测结果重构求和， 得到实际预测结果。 2.根据权利要求1所述的径流预测方法， 其特征在于， CNN ‑GRU耦合网络主要包括： 2层 卷积ConvlD、 1层池化MaxPoolinglD、 1扁平层Flatten、 2层GRU内嵌一个Dropout、 1全连接和 1Dense输出层， 其中使用Adam优化器训练， 选取网络训练20次后MAE的均值作为阈值， 设定 适应度函数。 3.根据权利要求1所述的径流预测方法， 其特 征在于， K的取值范围为[2， 10]。 4.根据权利要求1所述的径流预测方法， 其特征在于， ESMA进行寻优的参数为： 卷积网 络的卷积核filters、 核的大小kernel_size、 池化大小pool_size、 GRU网络神经元数unit、 Dense层神经元数， 其设定的超参数空间分别为[32， 128]、 [1， 5]、 [1， 5]、 [32， 256]、 [32， 256]； ESMA基本参数为： 种群规模Populati on＝25， 迭代Iterati on＝80。权　利　要　求　书 1/1 页 2 CN 114036850 A 2一种基于VECGM的径流预测方 法 技术领域 [0001]本发明属于水质预测技 术领域， 具体涉及一种基于VE CGM的径流预测方法。 背景技术 [0002]径流预测作为水资源合理规划利用的重要组成部分目前依然是一个研究热点。 伴 随着人工智能、 数理计算方法的蓬勃发展， 大批传统机器学习 方法组合智能优化算法的学 习模型被提出。 相比传统 回归预测模型， 机器学习方法应用较多， 其中赵雪花等基于序列分 解提出使用最小二乘法优化支持向量机的(VMD ‑LSSVM)径流预测模型， 模拟结果相比其他 模型有所提升； 考虑到传统机器学习 方法的不足和智能算法的高效寻优性， 胡顺强研究对 比了传统算法粒子群(PSO)等优化神经网络的径流预测模型， 最终提出了以海洋捕食者算 法优化长 短期记忆网络参数(MAP ‑LSTM)的径 流预测模 型， 实验达到预期效果； 然而， 目前径 流预测模型研究较多的是使用单一深度学习网络复合各种算法优化， 以及基于序列分解前 提下的组合预测， 其 准确性还 存在不足的缺 点。 发明内容 [0003]本文发明的目的是提供一种基于VMD ‑ESMA‑CNN‑GRU‑MLR(VECGM)的径流预测方 法， 具体方案如下： [0004]一种基于VE CGM的径流预测方法， 包括以下步骤： [0005]步骤1、 将原始径流序列数据进行VMD分解， 分解为K个本征模态分量； 根据过零率 划分为高频模态分量和低频模态分量， 过零率大于10％为高频模态分量， 反之则为低频模 态分量， 过零 率计算公式如下： [0006] 其中， Z表示过零率； nzero表示过零次数， 即若相邻信号值异号， 则表示一次过零； N表示信号长度； [0007]步骤2、 对高频模态分量采用CNN ‑GRU耦合网络进行训练预测， CNN ‑GRU耦合网络的 结构参数采用ES MA进行寻优； 对低频模态分量采用MLR进 行训练预测， 输入变量为与低频模 态分量的相关系数绝对值大于0.3的特征， 所述特征为APVAI、 APVII、 EATII、 TPR1I、 TP R2I、 WPSHA、 WPSHI、 AZC、 EATP、 WP、 TNH、 30hPaZW、 50hPaZ W、 850hPaWPTW、 CAA、 WNPTN、 NLTC、 月降雨， 并根据输入变量的PACF确定滞后天数； [0008]步骤3、 将步骤2中得到的各模态分量的预测结果重构求和， 得到实际预测结果。 [0009]本发明首先引入变分模态分解(VMD)处理径流序列的非平稳性， 将原始径流序列 拆解为不同频率分量(IMFs)以避免出现模态分量混叠； 其次拆解后震 荡强烈的高频分量采 取组合耦合网络CNN ‑GRU模型进行预测以强化特征提取和时序信息传递问题， 并提出精英 反向黏菌算法(ES MA)优化组合模 型的超参数； 然后变化平缓的低频分量选取多 元线性回归 (MLR)建模预测； 最后 将各模态分量的预测输出叠加重构为完整 预测结果， 最 终提出新组合 化径流预测模型VMD ‑ESMA‑CNN‑GRU‑MLR(VECGM)。说　明　书 1/6 页 3 CN 114036850 A 3