新型河流流量监测模型,比以前的更准确!

   自动化那些事        

人工智能(AI)模型已经在一些工程应用中被有效地应用于预测某一变量,特别是该变量在本质上具有高度的随机性,并且利用经典的数学模型难以识别的情况下,如河流流量。然而,现有的人工智能模型,如多层感知器神经网络(MLP-NN),在应用于时间序列预测或预测时,基本难以理解,存在问题。


MLP-NN模型的一个主要缺点是,使用的默认优化算法[gradient decent algorithm (GDA)]能够在MLP-NN结构中搜索与每个神经元相关的最优权值和偏置值。


事实上,GDA是一种一阶迭代算法,通常陷于局部极小值,特别是在时间序列具有高度随机性的情况下,如河流流量历史记录。该研究以“Hybrid model to improve the river streamflow forecasting utilizing multi-layer perceptron-based intelligent water drop optimization algorithm”为题于2020年6月5日发布于《Soft Computing》杂志上。

新型河流流量监测模型,比以前的更准确!


研究背景


为了改进水资源管理的规划和应用,需要推导出最优的径流预测模型。在任何环境模拟中,对径流的精确估计都是一个重要的随机特征;因此,它在水资源的各种应用如水的运行、管理、维护、灌溉和农业管理、洪涝和干旱预警系统等方面获得了大量的研究兴趣。


从实际角度来看,流模型的表现需要一个特定的时间框架,可以是更长的时间(即每周、每月或季节),也可以是短的(即每小时或每天)。近20年来,研究人员在对水资源进行研究时,主要集中在这一因素上。


由于混沌流具有随机性、非线性和非平稳性等特性,很难推导出准确可靠的流模型,这些特性影响着流的流动行为,并与其复杂性有关。影响径流的因素有很多,如环境气象学的变异性、降雨模式、区域和地方级别的温度和降水强度、集水特性和人类活动的最大和最小模式。


沃嘉清华邦河流域位于越南中南部。它位于北纬14°55‘-16°04’与经度107°15‘-108°20’E之间。这一流域位于广南、大港和贡屯省相当大的一部分,流域面积为10,350公里。


该盆地由两条主要河流组成,即武格亚河和清华邦河。该地区的地形在上游狭窄的山区和下游平坦的沿海地区之间存在差异。海拔从河口的海平面到2598米不等,这条河位于热带季风区。年总降雨量在2000~4000 mm之间有相当大的变化,并由北向南增加。雨季由九月至十二月,约占总雨量的70%至75%。旱季持续9个月,由1月至8月,约占总雨量的25-30%。它在沿海地区造成了严重的盐水入侵和缺水问题。


该研究共使用了39年的历史数据(1978-2016年),将其分为训练数据和测试数据集。培训数据约占数据的75%,其余25%用于测试。

新型河流流量监测模型,比以前的更准确!


图为越南中部武贵亚清华湾流域两个流站的位置


最常用的人工神经网络之一是MLP网络。这是一种有效的技术,可以捕捉输出和输入之间的非线性关系。MLP的主要特点是根据神经元之间的交互关系完成信息处理,而不需要先进的数学模型设计。该网络已广泛应用于水文学、时间序列预测等领域。

新型河流流量监测模型,比以前的更准确!


图为多层感知器结构


WD算法基于流入湖泊、河流和海洋的水滴的运动。该算法是一种基于种群的元启发式算法,其中IWD通过相互合作得到了更好的解。该算法用于求解许多优化问题

新型河流流量监测模型,比以前的更准确!


图为提出的模型流程图


该方法旨在利用元启发式算法提高月尺度径流模拟的基本MLP模型效率,以训练模型各层间的隶属函数和权重参数。该方法将智能水滴(IWD)算法耦合到多层感知器(MLP-IWD)上,对多层感知器(MLP)参数进行优化。

新型河流流量监测模型,比以前的更准确!


图为原理图包括输入和输出以及MLP-IWD混合模型的细节


该研究试图利用过去几个月的流动量动态记忆,估计未来几个月的流动量是相同的。为此,作者考虑了流的动态记忆的短期和长期情景。

新型河流流量监测模型,比以前的更准确!


图为农子江站自相关函数分析


季节性对这条河流的影响最大,所以研究者在模拟场景中考虑了季节性的影响。径流的长期记忆(由36个月的时差)在第一个场景中使用,第二个场景根据自相关(36个月的时差和24个月的时差)将流的长期记忆设置为另一个最近的时间,研究者使用了两个场景来检查12个月时差和1个月时差的河流短记忆。


该研究旨在研究先进的混合算法MLP-IWD在河流水流预测中的应用能力,并利用独立的MLP模型对其有效性进行检验。为了实现这一目的,对两个不同的案例研究和四种不同的情景进行了调查和审查。为了检验所提出的模型和方案所取得的结果,绘制了在训练和测试期间流流的实际观测值和预测值。

新型河流流量监测模型,比以前的更准确!


图为基于MLP(多层前馈感知器)模型的农子站实际与预测流场和散点图

新型河流流量监测模型,比以前的更准确!


图为基于MLP-IWD(多层前馈感知器−智能水滴)模型的农子站实际与预测流场和散点图

新型河流流量监测模型,比以前的更准确!


图为使用MLP(多层前馈感知器)模型的Thanh My站实际和预测的流场和散点图

新型河流流量监测模型,比以前的更准确!


图为基于MLP(多层前馈感知器−智能水滴)模型的Thanh站实际流量与预测流通量和散点图

新型河流流量监测模型,比以前的更准确!


图为MLP-IWD模型的Taylor图


综上所述,描述了模型对河流流量的实际价值的高估,特别是当实际水流相对于中小范围。另一方面,可以看出,当河流流量大于1000 m时,所取得的结果低估了实际的河流流量值。在同一农子站使用相同的四种场景来可视化所提出的MLP-IWD模型的性能。首先,很明显,与MLP模型相比,该模型得到了显著的增强。与经典的MLP模型相比,该研究提出的MLP-IWD模型能够更好地检测极端事件.然而,MLP-IWD对河流流量的低值仍然提供了不准确的预测.此外,MLP-IWD模型还低估了低流量的河流流量,这与经典的MLP模型是相反的。


表明MLP-IWD在中、高事件下的输出一般是高度可靠的。此外,所提出的MLP-IWD模型与经典的MLP模型相比,散乱数据的分布更接近于同一性线,这证明了所提出的模型在利用来自另一条河流的不同数据集达到这一精度水平方面的可靠性。


最后,比较了提出的四种MLP-IWD模型在两个不同站的性能.Taylor图基于参考点的标准差、相关性和距离。半径上的数字表示决定值的系数。所有模型在不同站点上的性能都得到了较好的仿真结果,因为它更接近参考点,因而表现出最佳的性能。另外,所提出模型的方案4的标准差与实际流量的标准差更接近,表明该模型对整个数据集的浓度值的预测是一致的。


研究结论


多层感知器神经网络(MLP-NN)的一个问题是在调整训练算法的超参数时使用梯度得体算法来选择学习率值。一个小的学习率,你会花很长时间去达到最小值,而一个大的学习率,你会跳过最小值。


因此,该研究提出了智能水滴(IWD)技术来解决这一问题。耦合IWD-MLP模型使用越南中部农松站和Thanh My站两种不同的历史径流数据进行了测试。并与经典的MLP-NN模型进行了比较。


结果表明,所提出的MLP- iwd优于传统的MLP,并显著提高了所建议的各项性能指标。使用MLP-IWD模型,最大R2在Nong Son站从0.50增加到0.80,在Thanh My站从0.52增加到0.81。结果表明,该模型在河流流量预测方面有较大的改进。


可以看出,与经典的MLP-NN模型相比,增强算法MLP-IWD能够提高河流流量预测的精度,该模型可以推广应用于世界各地的河流。研究结果对于决策者准确预测水旱灾害具有重要意义。在寻找智能水滴算法中选择下一个节点的概率方面,未来的研究应该探索如何改进现有的适合度比例法。这样的研究可以产生比观测数据更一致的结果。


参考文献:Quoc Bao Pham, Haitham Abdulmohsin Afan, Babak Mohammadi, Ali Najah Ahmed, Nguyen Thi Thuy Linh, Ngoc Duong Vo, Roozbeh Moazenzadeh, Pao-Shan Yu & Ahmed El-Shafie Hybrid model to improve the river streamflow forecasting utilizing multi-layer perceptron-based intelligent water drop optimization algorithm   Soft Computing 18039–18056(2020)



最新评论(0)条评论
不吐不快,我来说两句

还没有人评论哦,抢沙发吧~

相关新闻推荐