(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 202111500028.8 (22)申请日 2021.12.09 (71)申请人 淮阴工学院 地址 223003 江苏省淮安市经济技 术开发 区枚乘东路1号 (72)发明人 彭甜　嵇春雷　花磊　赵环宇　 张楚　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 代理人 柏尚春 (51)Int.Cl. G06F 30/27(2020.01) G06N 20/20(2019.01) G06K 9/62(2022.01) G06N 7/08(2006.01)G06F 111/10(2020.01) (54)发明名称 一种基于改进SCA和QRGRU的径流区间预测 方法及系统 (57)摘要 本发明公开了一种基于改进SCA和QRGRU的 径流区间预测方法及系统， 包 括： (1)对预先 获取 的原始数据进行预处理， 并将处理后的各项数据 按时间转换成为矩阵型序列； (2)利用PSR方法与 RF模型对时间训练进行特征选 择， 挑选出 RF中重 要性高的时间序列与 PSR重构出的多维序列组成 数据集； (3)采用混沌Tent映射和 非线性因子对 SCA算法进行改进， 并利用改进后的SCA算法对 GRU模型的隐藏层单元数目与学习率进行寻优； (4)构建QRGRU模型， 初 始化模型的参数； (5)建立 QRGRU的径流区间预测模型， 对径流时间序列进 行预测， 输出误差与区间预测的结果。 本发明用 QRGRU模型的对径流进行区间预测， 预测结果能 够描述确定性预测难以反映的不确定性问题， 且 其结果具有更高的可信度。 权利要求书3页 说明书7页 附图2页 CN 114282431 A 2022.04.05 CN 114282431 A 1.一种基于改进SCA和QRGRU的径流区间预测方法， 其特 征在于， 包括以下步骤： (1)采集目标站点以及附近站点的径流量与降雨量的历史数据， 对获取的历史数据进 行预处理， 并将处 理后的各项数据按时间序列转换成为矩阵型序列； (2)基于相空间重构PSR方法对目标站点的相关径流时间序列进行特征选择， 利用随机 森林RF模型对其余降雨和径流的时间序列进 行特征选择， 挑选出RF中重要性高的时间序列 与通过PSR重构出的多维序列组成数据集； 并对 数据集进 行归一化处理， 划分为训练集和测 试集； (3)初始化SCA的参数， 采用混沌Tent初始化策略生成种群， 使用非线性因子替换算法 中的线性因子， 并在更新位置后使用爬山算法对当前最优位置进行局部搜索， 获得改进后 的SCA算法； (4)构建QRGRU模型， 初始化模型的参数， 确定改进后的SCA算法的目标函数， 利用改进 后的SCA算法对QRGRU模型的隐藏层单 元数目n与学习率 ε进行寻优； (5)建立改进的SCA ‑QRGRU径流区间预测模型， 利用测试集和预测模型对径流时间序列 进行预测， 输出 得到不同分位 点下的预测值。 2.根据权利 要求1所述的基于改进SCA和QRGRU的径流区间预测方法， 其特征在于， 步骤 (1)所述的预处 理包括对数据的突变点与异常点的处 理。 3.根据权利 要求1所述的基于改进SCA和QRGRU的径流区间预测方法， 其特征在于， 所述 步骤(2)实现过程如下： 对于径流的一组时间序列{x1,x2,…， xn}， 通过提取前d个数据， 按照延迟时间τ， 获得d 维重构相空间， 得到如下相点： 其中， N为相点的个数， 通过互信息法获取最优延迟时间τ、 通过FNN法获得最佳嵌入维 度d的值； 初始化随机森林RF模型， 设置k＝1， 在第k个bootstrap样本集上构建决策树Tk， 记录 bootstrap集对应的OOB数据集为 并根据Tk对 数据进行分类， 统计正确分类的个数， 记为 随机改变 中的特征xi的值， 将扰动的OOB数据集记 为 然后用Tk对其进行分 类， 并统计正确分类的个数， 记为 对于k＝2,3, …,K， 重复上述步骤， K为决策树的数 量； 最终可计算每 个特征的重要性， 公式如下： 其中， Qi是特征的重要性， K是决策树的数量， 和 是特征值变化前后正确统计分 类的数量。权　利　要　求　书 1/3 页 2 CN 114282431 A 24.根据权利 要求1所述的基于改进SCA和QRGRU的径流区间预测的方法， 其特征在于， 步 骤(4)所述 QRGRU模型的代价 函数转化为如下式所示分位数回归的最小化损失函数： 其中， N为样本总数， q为分位 点个数， 为分位数的损失函数。 5.根据权利 要求1所述的基于改进SCA和QRGRU的径流区间预测的方法， 其特征在于， 步 骤(4)所述改进SCA算法的目标函数为分位数回归(QR)中常用的预测区间覆盖率(PICP)和 预测区间平均带宽(PI NAW)结合 起来的改进覆盖 宽度准则(CWC)， 计算公式分别为： 其中， N为样本总数， Nα为在预测区间内的预测点， Ui和Li为预测区间的上下界， Yi为风速 序列的真实值， α用于避免PINAW过小导致的PICP的影 响被忽略的问题， β 为权重系数， η为惩 罚系数， μ预 先设置的预测区间置信度。 6.根据权利 要求1所述的基于改进SCA和QRGRU的径流区间预测的方法， 其特征在于， 所 述步骤(4)包括以下步骤： (41)初始化 正余弦算法(SCA)的种群规模、 迭代次数、 上 下限； (42)计算种群中所有个体的适应度值， 将是适应度值最好的个体设为当前位置， 并使 用爬山搜索算法对当前的最优个体进 行局部搜索， 若搜索到比当前最优个体适应度值更高 的个体则替换当前最优个 体， 然后通过 下述公式更新所有个 体的位置： 其中， 表示个体在第t次迭代中的位置； 代表当前种群的最优 位置； r2、 r3和r4是均 匀分布的随机数； r2∈[0， 2 π ]， r3∈[‑2， 2]， r4∈[0， 1]， r1为控制参数， 决定运动方向； (43)将正余弦算法输出的最优解送给QRGRU模型， 最优解为QRGRU模型当前的最优隐藏 层单元数目与学习率， 计算 不同分位 点下的预测值， 计算CWC值； (44)迭代次数加1， 判断是否达到算法的最大迭代次数， 若未达到最大迭代次数则进入 (42)； 否则， 结束运行， 输出最终运行 结果。 7.一种采用如权利 要求1‑6任一所述方法的基于改进SCA和QRGRU的径流流量区间预测 系统， 其特征在于， 包括数据获取模块、 数据预 处理模块、 特征提取模块、 参数优化模块和区 间预测模块； 所述数据获取模块， 用于获取相关站点径流和降雨 量的原始数据； 所述数据预处理模块， 用于对已获取的原始数据进行预处理， 对突变点与异常点进行权　利　要　求　书 2/3 页 3 CN 114282431 A 3