【基于BP神经网络的流域水文预报方法分析案例6700字（论文）】

基于BP神经网络的流域水文预报方法分析案例目录TOC\o"1-3"\h\u18736基于BP神经网络的流域水文预报方法分析案例 1210211.1激活函数为tanh 1216561.2激活函数为ReLU 14194071.3实验小结 27选择秦淮河流域的东山站小时水位数据(2014年5月28日至2019年1月23日)作为实验对象。数据元素主要由流域内雨量站提供的雨量信息和东山水文站提供的水位数据组成，对数据进行预处理，将数据集划分为训练集、测试集，两者大小分别占总数据集的70%、30%。激活函数作为影响深度学习模型性能关键因素，它使得深度网络能够拥有非线性表达能力，对一个神经元是否能被激活起决定性作用，采用sigmoid作为BP的核函数时发生训练结果不收敛情况，因此选用tanh和ReLU分别应用作为BP的激活函数，从而为BP选择合适的激活函数。输入情况的不同也会影响模型最终的预报效果，因此对输入情况的不同进行比较，主要针对两种输入情况，一种为当前水位小时数据与14个雨量站前6小时每小时平均雨量以及未来n小时的雨量数据的平均雨量(n为预见期)；另一种为前6个小时的水位小时数据与14个雨量站前6小时每小时平均雨量以及未来n小时的雨量数据的平均雨量(n为预见期)。对两种输入情况进行对比从而选择使得BP预报效果较好的输入情况。1.1激活函数为tanh1.1.1输入情况一（1）模型输入情况按照2018-2019年东山站小时水位数据及14个雨量站的降雨量进行整理。所以选择模型的输入情况为：使用当前水位小时数据和14个雨量站(方便、土桥、卧龙山、赵村、中山、前垾村、东山、天生桥、句容水库、句容站、赤山闸、二圣桥水库、天王寺以及北山水库)前6小时的小时数据以及未来n个小时的雨量小时数据的平均值(n为预见期)。（2）模型率定准备完输入数据后，对数据进行归一化处理并划分训练集和测试集，利用训练数据训练BP模型，根据模型的特点，调整参数达到模型最优，使模型尽可能与训练数据吻合。（3）模型验证模型率定完后，利用模型对测试样本进行预测，并进行反归一化，与实际结果进行比较，并利用评价指标对预测结果进行评价。（4）实验结果(a)(b) (c)图4.25预见期为1小时的整体图与局部图图4.25说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。(a)(b) (c)图4.26预见期为2小时的整体图与局部图图4.26说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。(a)(b) (c)图4.27预见期为3小时的整体图与局部图图4.27说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。(a)(b) (c)图4.28预见期为4小时的整体图与局部图图4.28说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。(a)(b) (c)图4.29预见期为5小时的整体图与局部图图4.29说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。(a)(b) (c)图4.30预见期为6小时的整体图与局部图图4.30说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。（5）模型误差表4.17激活函数为tanh输入情况一误差预见期长度RMSEMSEMAER2NSE1h0.0300.0020.0160.9950.9952h0.0310.0120.0980.9920.9923h0.0310.0160.0900.9870.9874h0.0350.0230.1260.9830.9835h0.0340.0500.1980.9780.9786h0.0370.0750.2100.9730.9731.1.2输入情况二（1）模型输入情况按照2018-2019年东山站小时水位数据及14个雨量站的降雨量进行整理。所以选择模型的输入情况为：使用前6小时水位小时数据和14个雨量站(方便、土桥、卧龙山、赵村、中山、前垾村、东山、天生桥、句容水库、句容站、赤山闸、二圣桥水库、天王寺以及北山水库)前6小时的小时数据以及未来n个小时的雨量小时数据的平均值(n为预见期)。（2）模型率定准备完输入数据后，对数据进行归一化处理并划分训练集和测试集，利用训练数据训练BP模型，根据模型的特点，调整参数达到模型最优，使模型尽可能与训练数据吻合。（3）模型验证模型率定完后，利用模型对测试样本进行预测，与实际结果进行比较，并利用评价指标对预测结果进行评价。（4）实验结果(a)(b) (c)图4.31预见期为1小时的整体图与局部图图4.31说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。(a)(b) (c)图4.32预见期为2小时的整体图与局部图图4.32说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。(a)(b) (c)图4.33预见期为3小时的整体图与局部图图4.33说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。(a)(b) (c)图4.34预见期为6小时的整体图与局部图图4.34说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。(a)(b) (c)图4.35预见期为5小时的整体图与局部图图4.35说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。(a)(b) (c)图4.36预见期为6小时的整体图与局部图图4.36说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。（5）模型误差表4.18激活函数为tanh输入情况二误差预见期长度RMSEMSEMAER2NSE1h0.0850.0080.0340.9280.9282h0.1450.0190.1300.9140.9143h0.1680.0250.1380.8820.8824h0.1990.0680.1390.8810.8815h0.2560.0750.1450.8730.8736h0.3540.0900.1620.8710.8711.1.3小结表4.19预见期为1h不同输入情况之间的误差对比输入情况RMSEMSEMAER2NSE输入情况一0.0300.0020.0160.9950.995输入情况二0.0850.0080.0340.9280.928表4.20预见期为2h不同输入情况之间的误差对比输入情况RMSEMSEMAER2NSE输入情况一0.0310.0120.0980.9920.992输入情况二0.1450.0190.1300.9140.914表4.21预见期为3h不同输入情况之间的误差对比输入情况RMSEMSEMAER2NSE输入情况一0.0310.0160.0900.9870.987输入情况二0.1680.0250.1380.8820.882表4.22预见期为4h不同输入情况之间的误差对比输入情况RMSEMSEMAER2NSE输入情况一0.0350.0230.1260.9830.983输入情况二0.1990.0680.1390.8810.881表4.23预见期为5h不同输入情况之间的误差对比输入情况RMSEMSEMAER2NSE输入情况一0.0340.0500.1980.9780.978输入情况二0.2560.0750.1450.8730.873表4.24预见期为6h不同输入情况之间的误差对比输入情况RMSEMSEMAER2NSE输入情况一0.0370.0750.2100.9730.973输入情况二0.3540.0900.1620.8710.871实验结果通过不同预见期的不同输入情况的RMSE、MSE、MAE、R2、NSE五个评价指标以及实验结果图的拟合程度来判断。对比激活函数为tanh不同的输入情况，由误差表格以及实验结果局部放大图可知，输入情况为当前水位小时、14个雨量站的前6小时数据以及未来n个小时的雨量数据的平均值效果优于其他输入情况，且预见期为预测未来1-5小时的水位变化的实验结果误差相比较小。1.激活函数为ReLU1.2.1输入情况一（1）模型输入情况按照2018-2019年东山站小时水位数据及14个雨量站的降雨量进行整理。所以选择模型的输入情况为：使用当前水位小时数据和14个雨量站(方便、土桥、卧龙山、赵村、中山、前垾村、东山、天生桥、句容水库、句容站、赤山闸、二圣桥水库、天王寺以及北山水库)前6小时的小时数据以及未来n个小时的雨量小时数据的平均值(n为预见期)。（2）模型率定准备完输入数据后，对数据进行归一化处理并划分训练集和测试集，利用训练数据训练BP模型，根据模型的特点，调整参数达到模型最优，使模型尽可能与训练数据吻合。（3）模型验证模型率定完后，利用模型对测试样本进行预测，并进行反归一化，与实际结果进行比较，并利用评价指标对预测结果进行评价。（4）实验结果(a)(b) (c)图4.37预见期为1小时的整体图与局部图图4.37说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。(a)(b) (c)图4.38预见期为2小时的整体图与局部图图4.38说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。(a)(b) (c)图4.39预见期为3小时的整体图与局部图图4.39说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。(a)(b) (c)图4.40预见期为4小时的整体图与局部图图4.40说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。(a)(b) (c)图4.41预见期为5小时的整体图与局部图图4.41说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。(a)(b) (c)图4.42预见期为6小时的整体图与局部图图4.42说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。（5）模型误差表4.25激活函数为ReLU输入情况一误差预见期长度RMSEMSEMAER2NSE1h0.1730.0300.1470.8790.8792h0.2400.0470.1800.8510.8513h0.2520.0520.1850.8140.8144h0.2870.0790.2010.7430.7435h0.3100.0860.2470.7100.7106h0.1730.0300.1470.8790.8791.2.2输入情况二（1）模型输入情况按照2018-2019年东山站小时水位数据及14个雨量站的降雨量进行整理。所以选择模型的输入情况为：使用前6小时水位小时数据和14个雨量站(方便、土桥、卧龙山、赵村、中山、前垾村、东山、天生桥、句容水库、句容站、赤山闸、二圣桥水库、天王寺以及北山水库)前6小时的小时数据以及未来n个小时的雨量小时数据的平均值(n为预见期)。（2）模型率定准备完输入数据后，对数据进行归一化处理并划分训练集和测试集，利用训练数据训练BP模型，根据模型的特点，调整参数达到模型最优，使模型尽可能与训练数据吻合。（3）模型验证模型率定完后，利用模型对测试样本进行预测，并进行反归一化，与实际结果进行比较，并利用评价指标对预测结果进行评价。（4）实验结果(a)(b) (c)图4.43预见期为1小时的整体图与局部图图4.43说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。(a)(b) (c)图4.44预见期为2小时的整体图与局部图图4.44说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。(a)(b) (c)图4.45预见期为3小时的整体图与局部图图4.45说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。(a)(b) (c)图4.46预见期为4小时的整体图与局部图图4.46说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。(a)(b) (c)图4.47预见期为5小时的整体图与局部图图4.47说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。(a)(b) (c)图4.48预见期为6小时的整体图与局部图图4.48说明：(a)为2014年5月28日至2019年1月23日的全部小时数据的整体图；(b)为(a)图中第一个蓝色方框所代表的区域，时间段为2018年5月27日16:00至2018年6月2日12:00的小时数据；(c)为(a)图中第二个蓝色方框所代表的区域，时间段为2018年9月28日0:00至2018年10月3日0:00的小时数据。（5）模型误差表4.26激活函数为ReLU输入情况二误差预见期长度RMSEMSEMAER2NSE1h0.1850.0360.1650.8460.8462h0.2560.0540.1930.8350.8353h0.2680.0670.2010.7960.7964h0.2950.0640.2360.7210.7215h0.4010.0960.2540.6900.6906h0.1850.0360.1650.8460.8461.2.3小结表4.27预见期为1h不同输入情况之间的误差对比输入情况RMSEMSEMAER2NSE输入情况一0.1730.0300.1470.8790.879输入情况二0.1850.0360.1650.8460.846表4.28预见期为2h不同输入情况之间的误差对比输入情况RMSEMSEMAER2NSE输入情况一0.2400.0470.1800.8510.851输入情况二0.2560.0540.1930.8350.835表4.29预见期为3h不同输入情况之间的误差对比输入情况RMSEMSEMAER2NSE输入情况一0.2520.0520.1850.8140.814输