(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 202111610782.7 (22)申请日 2021.12.27 (71)申请人 淮阴工学院 地址 223400 江苏省淮安市 涟水县海安路 10号安东大厦8楼 (72)发明人 彭甜　马慧心　花磊　嵇春雷　 李沂蔓　孙伟　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. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 7/08(2006.01)G01W 1/14(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) (54)发明名称 基于随机森林和IFDA优 化CNN-GRU的中长期 径流预测方法 (57)摘要 本发明公开了一种基于随机森林和IFDA优 化CNN‑GRU的中长期径流预测方法， 包括以下步 骤： (1)预先获取旬径流历史数据以及历史旬降 雨数据， 对数据进行预处理， 并分为训练集和测 试集； (2)构建CNN ‑GRU混合预测模型， 并确认卷 积神经网络门控循环单元的结构； (3)使用改进 后的流向算法IFDA优化CNN ‑GRU混合预测模型： 先采用混沌算法对流向算法进行初始化， 然后使 用改进好的流向算法优化CNN ‑GRU模型的学习率 以及隐含层 节点个数， 最后建立基于改进的流向 算法IFDA优化CNN ‑GRU的混合模型IFDA ‑CNN‑ GRU； (4)使用训练集对建立好的IFDA ‑CNN‑GRU模 型进行训练， 将测试集送入训练好的模型中运 行， 得到预测结果。 本发明能够有效地进行中长 期径流预测， 并且比其他模型具有更好的准确 性。 权利要求书3页 说明书8页 附图2页 CN 114282614 A 2022.04.05 CN 114282614 A 1.一种基于随机森林和IFDA优化CNN ‑GRU的中长期径流预测方法， 其特征在于， 包括以 下步骤： (1)预先获取旬径流历史数据以及历史旬降雨数据， 对数据进行预处理， 并分为训练集 和测试集； (2)构建CNN ‑GRU混合预测模型， 并确认卷积神经网络的输入层、 卷积层、 池化层， 输出 层； 以及门控循环单 元的输入层、 隐藏层和输出层； (3)使用改进后的流向算法IFDA优化CNN ‑GRU混合预测模型： 先采用混沌算法对流向算 法进行初始化， 然后使用改进好的流向算法优化CNN ‑GRU模型的学习率以及隐含层节点个 数， 最后建立基于改进的流向算法IFDA优化CN N‑GRU的混合模型IFDA ‑CNN‑GRU； (4)使用训练集对建立好的IFDA ‑CNN‑GRU模型进行训练， 将测试集送入训练好的模型 中运行， 得到预测结果。 2.根据权利要求1所述的基于随机森林和IFDA优化CNN ‑GRU的中长期径流预测方法， 其 特征在于， 所述 步骤(1)实现过程如下： 将N个水文站点的径流数据和降雨数据分为N个径流数据集和N个降雨数据集； 使用随 机森林RF对(N+N)个降雨和径流数据所构成的高维因子集进行因子选择， 根据变量重要性 评分挑选对旬径流影响较大的因子集； 采用bootstrap(有放回抽样)方法进行抽样， 判断重要性的计算公式如下： VIF＝∑(OB B2‑OBB1)/k (1) 其中， VIF为重要性， OBB1为利用袋内数据构建随机森林模型得到的袋外数据误差； OBB2 为在袋外数据的样本中， 随机改变其中的某些数据要素后， 得到的袋外误差； k为 随机森林 决策树数量； 设定随机森林中树的数量为k， 利用bootstrap(有放回抽样)方法随机在原始样本中抽 取与原始样本容量相同的样本， 重复k次， 把每一次的抽样结果作为每棵决策树的输入； 每 棵决策树根据二叉树分类原则得到每棵树的分类结果， 并对因子集进行重要性排序； 删除 当前高维因子集中不重要的因子， 选择重要性前85％的因子集作为 最后的输出； 将随机森林RF处理过的数据集分为训练集和测试集， 其中训练集占总数据集的70％， 测试集占总数据集的3 0％。 3.根据权利要求1所述的基于随机森林和IFDA优化CNN ‑GRU的中长期径流预测方法， 其 特征在于， 所述 步骤(2)实现过程如下： 卷积神经网络在卷积层通过卷积运算从输入特征图中提取数据块， 然后对所有的数据 块应用相同的变换， 生成输出特征图， 并对输出特征图进行 空间重组， 输出特征图中的每个 空间位置都对应于 输入特征图中的相同位置； 卷积层公式如下： 式中， Conk为卷积层输出 的第k个卷积核的特征图； α 为激活函数； Wtk为当前卷积层第k 个卷积核的权重矩阵； Bik为当前卷积层第k个卷积核的偏置； 为卷积运算； k为卷积核的 个数； 池化层对卷积层输出的信息进行降维处 理， 去除冗余信息的同时加快计算速度： O＝maxCo nk (3)权　利　要　求　书 1/3 页 2 CN 114282614 A 2式中， O为池化层的输出； Co nk为池化层的输入； 将CNN输出的数据矩阵输入GRU， GRU模型包 含重置门和更新门， 具体运 算公式如下： at＝σ(Wa·[dt‑1,xt]) (4) bt＝σ(Wb·[dt‑1,xt]) (5) kt＝σ(Wo·dt) (8) 其中， kt为t时间点GRU单元的所有输 出， tanh和σ 分别是正切激活函数和Sigmoid激活函 数， at， zt分别是t时间点重置门和更新门的计算方法， 包含了当前输入xt的数据， 有目的 性的将 添加到当前的隐藏状态； 门控信号b的范围为[0,1]， b越接近1， 表示 “记忆”下来的 信息越多， 而接近0则表示 “遗忘”的信息越多； (1 ‑bt)*dt‑1表示对原本隐藏状态的选择性 “遗忘”， b可以看作遗忘门， 去除dt‑1维度中某些不重要的信息； 表示对含有当前输入 数据信息的 进行筛选“记忆”， 对 维度中的信息进行选择。 4.根据权利要求1所述的基于随机森林和IFDA优化CNN ‑GRU的中长期径流预测方法， 其 特征在于， 所述 步骤(3)包括以下步骤： (31)随机生成一个向量X＝[xm1,xm2,...,xmn]， 且每个分量都在[0,1]之间； (32)采用Circle映射得到混沌序列： (33)将混沌序列的各个分量映射回取值范围， 得到新的初始化 位置公式： Fl_X(i)＝ lb+xmn*(ub‑lb) (11) 其中流向周围还有b个邻域， 邻域的位置公式如下： Ne_X(j)＝Fl_X(x)+rand* △ (12) 其中， Ne_X(j)表示第j个邻域的位置， △若为小数字则在小范围内搜索， 若为大数字则 在大范围内搜索； (34)为了确定流向的新 位置， 还要确定流向的流速 矢量V,计算公式如下： V＝randn*S (13) 式中， randn 为随机数， S表示 流的邻域和当前位置之间的斜 率向量； 流向新位置更新公式如下： 式中Fl_newX(i)表示 流向的新 位置， 同时模拟流向的具体 计算公式如下： 权　利　要　求　书 2/3 页 3 CN 114282614 A 3