基于時間序列神經網絡的河流水位預測

劉 達，羅維平

基于時間序列神經網絡的河流水位預測

劉 達，羅維平*

（武漢紡織大學 機械工程與自動化學院，湖北 武漢 430200）

針對我國每年頻繁發生的洪澇災害及河流航道通行困難等問題，構建了一個基于時間序列神經網絡的高精度的河流水位預報模型，該模型能夠有效預測河流水位值，進而及時做出應急處理，減少對生命財產造成的損失。該模型采用湖北省武漢市某水位站2019年7月29日至2020年5月28日的逐時水位時間序列作為訓練樣本進行訓練, 2020年5月29日至2021年8月28日的逐時水位組成的500個數據為測試樣本進行檢驗。該模型的預測水位值與真實水位值之間的平均絕對誤差為0.00663，均方根誤差為0.08143，平均絕對百分比誤差為0.23785%，預測精度極高，具有較強實際應用前景。

BP神經網絡；時間序列；水位預測

0 引言

我國洪澇災害頻發，2018年至2020年年均出現了34次暴雨天氣過程[1-3]，極易引發洪澇災害，對社會秩序、經濟發展、生命財產安全以及生態系統等方面造成極大的破壞，對受災地區造成深遠影響[4]。在此背景下，對經常遭受洪澇災害地區主要河流的水位進行預測，在水位超過警戒值后進行預警就顯得極為重要。河流水位數據是分析受災流域范圍的重要數據，提前進行河流水位的預報，能夠及時有效的對汛情進行處置，做出提前進行人員轉移、加固河堤等工作安排，保護人民的生命財產安全。河流水位預測也不僅僅只是用于防汛工作，對水路運輸的安全通航也有著重大指導意義，航道尺度的大小取決于水位數值的高低，精確的水位預測可以進一步提升航道綜合服務能力，提高航道通行能力，保障船舶安全航行等[5]。目前，航道部門通過設置水位觀測站等方式，可以獲取大量的水位數據。本文基于這些數據，建立一個時間序列的神經網絡模型對河流水位進行預測研究。

1 研究現狀

BP神經網絡及其改進算法目前大量應用于水文信息預測研究。劉光星等[6]利用粒子群算法優化的BP神經網絡對地下水位進行預測，該模型相比BP神經網絡具有更好的收斂性，全局尋優能力更強，預測精度更高，其模型的平均絕對百分比誤差為3.89%。馬輝等[7]將灰色模型與BP神經網絡進行組合對贛江外州水文站的水位進行預測，其平均誤差為0.37%。韓卓慧等[4]將主成分分析法（Principal Component Analysis，PCA）引入基于遺傳算法（Genetic Algorithm，GA）的BP神經網絡構成PG-BP神經網絡模型，將該模型對大沽河流域的汛期水位進行預測，其擬合精度較高，具有一定適用性，但得到的均方根誤差仍為0.15。以上這些研究方法均存在精度低、誤差大等不足。

針對上述問題，本文采用湖北省武漢市某水位站的歷史數據作為數據集，采用MATLAB軟件選取不同結構參數的神經網絡模型，對其進行分析，從而選擇最優的網絡結構建立時間序列神經網絡模型。利用該模型對2020年5月29日至2021年8月28日的逐時水位進行預測，驗證模型的有效性和準確性，達到對河流水位的精確預測。

2 時間序列神經網絡

要對河流水位進行精確的預測，就必須找到一個最恰當的函數對歷史數據進行擬合分析，尋找這個函數的方法就是建立一個時間序列模型[8]。

BP(Back Propagation)神經網絡是一種按誤差逆傳播算法進行訓練的多層前饋網絡，也是目前應用最廣泛的一種神經網絡模型[9, 10]，由輸入層、輸出層以及兩者之間的隱含層三部分組成[11]。其特點為信號前向傳播，而誤差反向傳播。信號經過逐層處理到達輸出層時，發現結果未達到期望值，于是原路返回進行反向傳播，同時對各層權重等值進行修正，調整誤差，直至輸出結果為期望值[12]。

BP算法計算流程如下：

（4）設定迭代終止條件，當輸出誤差小于一定值或學習次數達到要求時，算法終止，輸出結果。

假設神經網絡隱含層的神經元數量為任意個數，其特性函數任意階可導，則構建的3層BP神經網絡模型可任意精度逼近任意連續函數[13]。因此選取合理的結構參數就能夠利用神經網絡推導出最優的非線性函數。

3 建立模型

3.1 數據集的來源

本文的數據來源于武漢市公共數據開放平臺（http://data.wuhan.gov.cn/page/data/data_set_details.html?cataId=4d6ac7b12a024aad83fb5e4968e1eb5b），收集采用了位于湖北省武漢市某水位站2019年7月29日至2021年8月29日的逐時水位時間序列作為數據集。

3.2 生成樣本集

3.3 結構參數的設置

3.4 模型評價指標

4 模型驗證及結果分析

圖1 訓練曲線圖

由于神經網絡容易出現過擬合現象，因此，需要分別對訓練集的預測值與真實值，驗證集的預測值與真實值和測試集的預測值與真實值進行線性擬合，擬合結果如圖2所示。訓練集的擬合系數R=0.99998，極為接近1，說明此模型的訓練效果極好，預測精度極高。驗證集的擬合系數R=0.99997，測試集的擬合系數R=0.99941，同樣極為接近1，說明該模型在測試集中同樣具有極高的預測精度。對整個模型綜合驗證回歸參數如圖2所示，所得擬合系數R=0.99993，擬合效果極好。綜上所述，該時間序列神經網絡模型準確率高，具有良好的可行性。

圖2 訓練集、驗證集、測試集和綜合驗證的回歸曲線

該時間序列神經網絡模型對500個測試樣本的檢驗對比結果如圖3所示，預測值與真實值極為接近，離群點極少，預測精度極高。預測誤差如圖4所示，神經網絡預測的水位值與真實水位值的誤差絕對值絕大部分小于0.2，最大相對誤差為0.3543，平均絕對誤差0.00663，均方根誤差0.081434，平均絕對百分比誤差0.23785%，在水位達到極值附近預測值的誤差波動相對較大，其他時刻誤差極小，說明該時間序列神經網絡模型預測精度極高，對河流水位的預測有著重要參考意義。

圖3 測試集真實值和預測值的對比

圖4 測試集的預測誤差

5 結語

本文采用了湖北省武漢市某水位站2019年7月29日至2021年8月29日的逐時水位時間序列作為數據集，使用MATLAB軟件建立了一個基于時間序列神經網絡的水位預測模型，該模型的平均絕對誤差0.00663，均方根誤差0.08143，平均絕對百分比誤差0.23785%，精確預測了武漢某水位站2020年5月29日至2021年8月28日的逐時水位，能夠為河流防汛預警工作和航道綜合通行能力等方面提供參考。

[1] 周星妍，曾紅玲，王遵婭，等. 2018年中國氣候主要特征及主要天氣氣候事件[J]. 氣象，2019, 45(04): 543- 552.

[2] 李瑩，曾紅玲，王國復，等. 2019年中國氣候主要特征及主要天氣氣候事件[J]. 氣象，2020, 46(04): 547-555.

[3] 代潭龍，王秋玲，王國復，等. 2020年中國氣候主要特征及主要天氣氣候事件[J]. 氣象, 2021, 47(04): 478- 487.

[4] 韓卓慧，閆長青. 基于PG-BP神經網絡的流域洪澇預測及仿真[J]. 軟件導刊，2021, 20(05): 50-55.

[5] 卞寧. 改進型灰色系統在航道水位預測中的應用[J]. 中國水運．航道科技，2018, (05): 75-80.

[6] 劉光星，李巧花. 基于粒子群算法的BP神經網絡在地下水位預測中的研究[J]. 電子測試，2019, (07)：51-52.

[7] 馬輝，孫潁桃，肖艷，等. 基于灰色－BP神經網絡組合模型的水位預測案例[J]. 人民黃河, 2016, 38(12)：89-92

[8] 田錚. 時間序列的理論與方法[M]. 北京：高等教育出版社, 200l. 355-357．

[9] 鐘穎, 汪秉文. 基于遺傳算法的BP神經網絡時間序列預測模型[J]. 系統工程與電子技術, 2002, (4): 9-11.

[10] 叢爽. 面向MATLAB工具箱的神經網絡理論與應用[M].合肥: 中國科學技術大學出版社, 1998．

[11] 鄭君里，楊行峻. 人工神經網絡[M]. 北京：高等教育出版社，1992. 15-30．

[12] 王小川, 史峰, 郁磊，等．MATLAB神經網絡43個案例分析[M]. 北京：北京航空航天大學出版社, 2013. 344-345．

[13] 黃俊，周申范，唐婉瑩. TNT生化降解時間序列的人工神經網絡預報模型[J]. 環境科學研究, 2000, (2): 3-5.

Based on Time Series Neural Network Prediction of River Water Level

LIU Da, LUO Wei-ping

(School of Mechanical Engineering and Automation, Wuhan Textile University, Wuhan Hubei 430200, China)

In view of the frequent flood disasters and difficulties in the passage of river waterways in China every year, a high-precision water level prediction model based on time series neural network is constructed, which can effectively predict the water level of the river, and then it makes emergency treatment in time to reduce the loss of life and property. The model uses the hourly water level time series of a water level station in Wuhan City, Hubei Province from July 29, 2019 to May 28, 2020 as training samples for training, and the hourly water level time series from May 29, 2020 to August 28, 2021. The data of 500 samples composed of the time water level are tested as the test sample. The average absolute error between the predicted water level value and the real water level value of the model is 0.00663, the root mean square error is 0.08143, and the average absolute percentage error is 0.23785%. The prediction accuracy is extremely high and has strong practical application prospects.

BP neural network; time series; water level prediction

TP275

A

2095－414X(2022)04－0043－05

通訊作者：羅維平（1967-），女，教授，研究方向：檢測技術與智能控制、信號與信息處理.