陶春華，時(shí)焱紅，王甫志

(1.國(guó)能大渡河大數(shù)據(jù)服務(wù)有限公司，四川 成都 610041；2.四川新能工程咨詢有限公司，四川 成都 610000)

0 引 言

趙人俊教授提出的時(shí)變線性匯流模型[1]，在英那河[2]、丹江口[3]和俄日河等多個(gè)流域的河道徑流演算中得到廣泛應(yīng)用，在半濕潤(rùn)半干旱地區(qū)應(yīng)用效果較好。但其只考慮了預(yù)報(bào)斷面之間的空間分布和時(shí)間傳播，并未考慮區(qū)間降雨影響，降雨期預(yù)報(bào)結(jié)果較實(shí)際偏小。隨著人工智能的興起，機(jī)器學(xué)習(xí)廣泛應(yīng)用于洪水預(yù)報(bào)領(lǐng)域[4-5]。李天成等[6]學(xué)者基于流域產(chǎn)流機(jī)制，采用逐步回歸分析法篩選出影響各月徑流的主要因子，建立RBF神經(jīng)網(wǎng)絡(luò)模型，在逐月徑流預(yù)測(cè)中進(jìn)行了應(yīng)用；杜開連等[7]學(xué)者采用多元線性回歸和BP神經(jīng)網(wǎng)絡(luò)在秦淮河流域進(jìn)行洪水預(yù)報(bào)應(yīng)用，取得了較高的預(yù)報(bào)精度。本文充分考慮影響預(yù)報(bào)斷面徑流過程的區(qū)間因素，結(jié)合馬瑜君等[8]學(xué)者的模型構(gòu)建思路，構(gòu)建基于機(jī)器學(xué)習(xí)的來(lái)水預(yù)報(bào)模型，并與已有模型和實(shí)測(cè)過程進(jìn)行對(duì)比評(píng)定。預(yù)報(bào)結(jié)果表明，基于機(jī)器學(xué)習(xí)的線性回歸模型(以下簡(jiǎn)稱“LR模型”)和K鄰近算法模型(以下簡(jiǎn)稱“KNN模型”)，應(yīng)用效果均優(yōu)于傳統(tǒng)的時(shí)變線性匯流模型。

1 樣本集構(gòu)建

俄日河系大渡河西源綽斯甲河右岸一級(jí)支流，全長(zhǎng)128 km，流域面積1 910 km2，天然落差1 845 m，河道平均坡降1.44%。俄日河干流梯級(jí)水電規(guī)劃開發(fā)方案自上而下依次為銀恩、七家寨、俄日和紅衛(wèi)橋水電站，俄日和紅衛(wèi)橋水電站現(xiàn)已開發(fā)。2016年5月項(xiàng)目施工期水情測(cè)報(bào)系統(tǒng)(下文簡(jiǎn)稱“系統(tǒng)”)投入運(yùn)行，玉科、二楷、俄日、紅衛(wèi)橋水文站開始測(cè)流，玉科至二楷水文站區(qū)間河長(zhǎng)約21 km(流域及遙測(cè)站網(wǎng)分布見圖1)。其中，二楷水文站斷面已布設(shè)河道演算(時(shí)變線性匯流)模型。

圖1 俄日河部分流域示意

本文結(jié)合俄日河流域特性和前期預(yù)測(cè)經(jīng)驗(yàn)，對(duì)玉科至二楷水文站區(qū)間徑流過程進(jìn)行影響因素特征分析。結(jié)合洪水傳播時(shí)間，最終確定單個(gè)樣本主要包含當(dāng)前時(shí)刻玉科水文站實(shí)測(cè)徑流大小Q玉科，t和前1 h徑流Q玉科，t-1、前2 h徑流Q玉科，t-2、直至前5 h徑流Q玉科，t-5共計(jì)6個(gè)徑流特征項(xiàng)，當(dāng)前時(shí)刻玉科至二楷水文站區(qū)間前6 hPt-6、前12 hPt-12、前24 hPt-24、前48 hPt-48、前72 hPt-72共計(jì)5個(gè)面雨量特征項(xiàng)，以及當(dāng)前時(shí)刻二楷水文站實(shí)測(cè)徑流Q二楷，t，累計(jì)12個(gè)特征項(xiàng)。

利用玉科、二楷水文站已有5年的監(jiān)測(cè)整編數(shù)據(jù)，分析建立樣本集，訓(xùn)練集和測(cè)試集按照3∶1比例進(jìn)行劃分。本次共收集8 714個(gè)樣本，劃分訓(xùn)練樣本6 099個(gè)，測(cè)試樣本2 615個(gè)，樣本特征結(jié)構(gòu)見表1。

表1 樣本集特征

2 模型構(gòu)建

本次模型構(gòu)建基于Python機(jī)器學(xué)習(xí)庫(kù)，選用線性回歸、K鄰近、BP神經(jīng)網(wǎng)絡(luò)3種算法建模，模型簡(jiǎn)介和訓(xùn)練結(jié)果如下。

2.1 LR模型

機(jī)器學(xué)習(xí)最基礎(chǔ)模型[9]，隸屬監(jiān)督學(xué)習(xí)范疇。模型簡(jiǎn)單易構(gòu)，利用訓(xùn)練樣本集，優(yōu)化訓(xùn)練出一個(gè)無(wú)限逼近樣本數(shù)據(jù)的線性方程，結(jié)合測(cè)試樣本進(jìn)行評(píng)定。本次利用樣本集中的玉科水文站6項(xiàng)實(shí)測(cè)徑流，5項(xiàng)區(qū)間面雨量以及1項(xiàng)下游二楷水文站實(shí)測(cè)徑流作為自變量，構(gòu)建二楷水文站預(yù)測(cè)回歸模型并轉(zhuǎn)換為矩陣形式。

Q(v)=v1b1+v2b2+…+v11b11+b0

(1)

(2)

式中，Q(v)為預(yù)測(cè)值；vj為特征項(xiàng)值，v0=1；bj為特征項(xiàng)對(duì)應(yīng)權(quán)值。

本次訓(xùn)練過程中，為評(píng)定參數(shù)bT的優(yōu)劣，引入損失函數(shù)評(píng)估模型

(3)

式中，J(b)為損失值；n為評(píng)定容量；Q(v)i為第i個(gè)預(yù)測(cè)值；qi為第i個(gè)期望值。

評(píng)估階段采用梯度下降法進(jìn)行局部最優(yōu)求解，min(J(b))對(duì)應(yīng)bT則為最優(yōu)解。模型訓(xùn)練集精度為88%，測(cè)試集精度為88%，訓(xùn)練權(quán)重及偏置見表2。

表2 LR模型參數(shù)結(jié)果

基于測(cè)試集，預(yù)測(cè)過程對(duì)比見圖2。

圖2 LR模型預(yù)測(cè)對(duì)比

2.2 KNN模型

K鄰近算法是機(jī)器學(xué)習(xí)中使用率極高的分類算法，其原理是通過測(cè)量不同樣本特征值之間的距離進(jìn)行分類，同時(shí)該算法也可用于回歸問題處理。本文在樣本集中通過找出當(dāng)前樣本的k個(gè)最逼近樣本，并將k個(gè)樣本的期望值均值賦給該樣本的思路，構(gòu)建二楷水文站預(yù)測(cè)模型。

K鄰近算法主要影響參數(shù)為鄰近點(diǎn)個(gè)數(shù)k，初次訓(xùn)練調(diào)試范圍為1至100，以1為步長(zhǎng)迭代，觀察訓(xùn)練精度、鄰近點(diǎn)數(shù)對(duì)應(yīng)過程曲線，得出最大精度對(duì)應(yīng)鄰近點(diǎn)數(shù)為56。

鄰近距離度量選用最常用的歐氏度量法[10]，它定義于歐幾里得空間，以本文樣本集中Q1、Q2兩個(gè)樣本間距計(jì)算為

(4)

式中，d為鄰近距離；Q1i為Q1樣本的vi特征值；Q2i為Q2樣本的vi特征值。

將k鄰近點(diǎn)數(shù)取56帶入模型并保存，應(yīng)用測(cè)試集，預(yù)測(cè)對(duì)比過程見圖3。

圖3 KNN模型預(yù)測(cè)對(duì)比

2.3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種由輸入層、隱含層和輸出層組成，按照誤差逆向傳播算法訓(xùn)練的多層前饋算法。以模仿生物腦神經(jīng)元結(jié)構(gòu)和思維，結(jié)合河道、流域洪水組成和過程建立輸入與輸出的某種函數(shù)關(guān)系，通過訓(xùn)練選取不同的模型結(jié)構(gòu)和激活函數(shù)，通過誤差判斷，再反算分配、調(diào)整，依托神經(jīng)網(wǎng)路仿真學(xué)原理，完成所需的預(yù)報(bào)任務(wù)。

(1)影響因子及激活函數(shù)。根據(jù)俄日河水情自動(dòng)測(cè)報(bào)系統(tǒng)前期應(yīng)用經(jīng)驗(yàn)，影響二楷水文站斷面徑流過程的主要因子有上游主河道來(lái)水和區(qū)間來(lái)水。樣本集中玉科水文站實(shí)測(cè)徑流過程v1～v6作為主影響因子；區(qū)間降雨v7～v11作為次要影響因子，v12為期望值。傳統(tǒng)的Sigmoid等激活函數(shù)，訓(xùn)練的過程中易出現(xiàn)梯度爆炸和梯度消失問題，本次激活函數(shù)選用線性整流ReLU函數(shù)，在有效規(guī)避梯度消失問題的同時(shí)還能減少模型運(yùn)算成本。

(2)特征項(xiàng)歸一化。本模型輸入主要為徑流數(shù)據(jù)和降雨數(shù)據(jù)，二者量級(jí)的差異可能導(dǎo)致算法收斂速度很慢甚至無(wú)法收斂。為使最優(yōu)解的尋優(yōu)速度加快、過程變平緩，本文對(duì)樣本v1～v12特征進(jìn)行線性歸一化處理[11]，歸一化后樣本所有特征項(xiàng)和輸出結(jié)果均歸至0～1區(qū)間，最終呈現(xiàn)結(jié)果再進(jìn)行反歸一處理。

(3)模型訓(xùn)練及測(cè)試?；跈C(jī)器學(xué)習(xí)庫(kù)的BP神經(jīng)網(wǎng)絡(luò)算法，主要影響因素為神經(jīng)元數(shù)量a、網(wǎng)絡(luò)層數(shù)c和學(xué)習(xí)率e，初步定義a取值范圍1～30，c取值范圍1～10，e為0.001～1，訓(xùn)練次數(shù)上限5 000 次，采用試算法進(jìn)行參數(shù)調(diào)優(yōu)。本文選用均方根誤差RMSE[12]和整體達(dá)標(biāo)率η作為模型效果主評(píng)定系數(shù)，參數(shù)優(yōu)化由RMSE(越逼近0，訓(xùn)練效果越好)調(diào)整，同時(shí)當(dāng)整體達(dá)標(biāo)率在90%以上時(shí)訓(xùn)練停止，整體達(dá)標(biāo)率為

η=n/N

(5)

式中，n為單次訓(xùn)練中，預(yù)測(cè)精度達(dá)標(biāo)樣本個(gè)數(shù)；N為總樣本數(shù)。

模型訓(xùn)練最終確定神經(jīng)元個(gè)數(shù)a為10個(gè)，學(xué)習(xí)率e為0.01，網(wǎng)絡(luò)層數(shù)c為3層，最終訓(xùn)練精度為82%，測(cè)試集預(yù)測(cè)精度為81%，預(yù)測(cè)過程對(duì)比見圖4。

圖4 BP模型預(yù)測(cè)對(duì)比

通過訓(xùn)練及測(cè)試比對(duì)，各模型訓(xùn)練精度和測(cè)試精度見表3?？梢钥闯觯跈C(jī)器學(xué)習(xí)的各模型中，LR模型訓(xùn)練及測(cè)試效果最好，除LR外，其余2種模型訓(xùn)練結(jié)果均存在過擬合狀態(tài)。

表3 訓(xùn)練及測(cè)試預(yù)測(cè)精度統(tǒng)計(jì) %

對(duì)各模型預(yù)測(cè)結(jié)果和期望結(jié)果進(jìn)一步比對(duì)結(jié)果見表4?？梢钥闯?，針對(duì)2 615個(gè)測(cè)試集樣本，測(cè)試最小精度最大為L(zhǎng)R模型的62.66%，最大正偏差最小為L(zhǎng)R模型的10.6 m3/s，最小負(fù)偏差最大為L(zhǎng)R模型的-20.3 m3/s。

表4 測(cè)試集預(yù)測(cè)精度特征統(tǒng)計(jì)

3 實(shí)測(cè)檢驗(yàn)

為進(jìn)一步檢驗(yàn)?zāi)Ｐ托Ч?，在?shí)測(cè)徑流對(duì)比基礎(chǔ)上，加入流域前期已有預(yù)報(bào)模型時(shí)變線性匯流模型進(jìn)行應(yīng)用效果對(duì)比。選用20161011-21號(hào)、20190911-21號(hào)、20200706-11號(hào)、20200915-1001號(hào)等4場(chǎng)實(shí)測(cè)徑流過程，4場(chǎng)實(shí)測(cè)徑流數(shù)據(jù)均未處于訓(xùn)練和測(cè)試樣本集中，各場(chǎng)次預(yù)測(cè)精度特征結(jié)果見表5～8，各模型綜合預(yù)測(cè)平均精度結(jié)果見表9，預(yù)報(bào)對(duì)比結(jié)果見圖5。

圖5 綜合預(yù)測(cè)對(duì)比

從表5～9可知，基于4場(chǎng)實(shí)測(cè)徑流過程預(yù)報(bào)中，LR模型綜合預(yù)測(cè)效果最好，KNN模型次之，BP神經(jīng)網(wǎng)絡(luò)模型稍差。LR模型綜合預(yù)報(bào)精度為85.39%，KNN模型綜合預(yù)報(bào)精度為83.24%，BP模型綜合預(yù)報(bào)精度為75.43%，時(shí)變線性模型綜合預(yù)報(bào)精度為78.26%。LR和KNN模型實(shí)測(cè)徑流對(duì)比預(yù)測(cè)效果均優(yōu)于已有的時(shí)變線性匯流模型，而BP神經(jīng)網(wǎng)絡(luò)實(shí)測(cè)徑流預(yù)測(cè)運(yùn)用效果最差。

表5 20161011-21號(hào)預(yù)測(cè)精度特征統(tǒng)計(jì)

表6 20190911-21號(hào)預(yù)測(cè)精度特征統(tǒng)計(jì)

表7 20200706-11號(hào)預(yù)測(cè)精度特征統(tǒng)計(jì)

表8 20200915-1001號(hào)預(yù)測(cè)精度特征統(tǒng)計(jì)

表9 平均預(yù)測(cè)精度統(tǒng)計(jì) %

4 應(yīng)用結(jié)論

時(shí)變線性匯流模型參數(shù)涵蓋了河道基本特征，如河長(zhǎng)、河寬、比降、糙率等，通過對(duì)參數(shù)的率定，河道特征的了解，可以有效地掌控河系洪水傳播規(guī)律。模型主要輸入為上游實(shí)測(cè)徑流，對(duì)區(qū)間降雨徑流未作考慮，汛期預(yù)報(bào)誤差較大，需配合其他模型使用。本文結(jié)合俄日河流域特性，基于機(jī)器學(xué)習(xí)，構(gòu)建了3種來(lái)水預(yù)報(bào)模型并與時(shí)變線性匯流模型進(jìn)行應(yīng)用對(duì)比，主要結(jié)論有：

(1)針對(duì)4場(chǎng)實(shí)測(cè)徑流過程預(yù)報(bào)對(duì)比，基于機(jī)器學(xué)習(xí)的3種來(lái)水預(yù)報(bào)模型，根據(jù)預(yù)報(bào)區(qū)間水文時(shí)空分布特征，結(jié)合區(qū)間降雨影響，預(yù)報(bào)過程與實(shí)測(cè)過程基本一致。最終LR模型綜合預(yù)報(bào)精度為85.39%，KNN模型綜合預(yù)報(bào)精度為83.24%，BP模型綜合預(yù)報(bào)精度為75.43%，時(shí)變線性模型綜合預(yù)報(bào)精度為78.26%。時(shí)變線性匯流模型預(yù)報(bào)結(jié)果較實(shí)測(cè)結(jié)果整體偏小，LR模型和KNN模型預(yù)報(bào)效果均優(yōu)于傳統(tǒng)模型；而BP模型受迭代次數(shù)、層數(shù)、學(xué)習(xí)率、神經(jīng)元數(shù)等綜合影響，其激活函數(shù)又是在選用線性整流ReLU函數(shù)前提下，本文并未訓(xùn)練出最佳模型，模型仍有一定的進(jìn)步空間。

(2)根據(jù)俄日河流域徑流形成特性進(jìn)行樣本特征工程構(gòu)建，較其他傳統(tǒng)樣本構(gòu)建方式，其樣本特征的選用提出了結(jié)合傳播時(shí)間范圍內(nèi)的徑流過程和區(qū)間累計(jì)降雨過程組合的方式。該方式不僅考慮了徑流的前期傳播過程，同時(shí)考慮了區(qū)間流域前期影響降雨和實(shí)時(shí)降雨情況。在LR模型預(yù)報(bào)應(yīng)用中，測(cè)試集和實(shí)測(cè)徑流驗(yàn)證均取得了較好的預(yù)報(bào)效果。這種樣本特征構(gòu)建思路和模型應(yīng)用思路可用于類似預(yù)報(bào)工作中。

(3)基于機(jī)器學(xué)習(xí)的預(yù)測(cè)模型，預(yù)測(cè)效果的優(yōu)劣主要取決于影響因子的抉擇和訓(xùn)練樣本的質(zhì)量和容量，影響因子考慮越全面、樣本真實(shí)性越高、樣本數(shù)量越多，模型訓(xùn)練結(jié)果也越好。而在一些實(shí)測(cè)徑流、降雨數(shù)據(jù)等缺乏的流域，模型應(yīng)用效果將會(huì)受限。