一种基于假设检验的有限样本下数据驱动径流预报模型优选方法

专利主权项内容

1.一种基于假设检验的有限样本下数据驱动径流预报模型优选方法，其特征在于，包括如下步骤：步骤1：根据历史径流资料和气象数据筛选预报因子，建立径流与预报因子之间的映射关系，选择多个数据驱动模型对所述映射关系进行描述，建立备选模型集；步骤2：根据步骤1中的备选模型集，选择一个模型作为模型假设，定义原假设H和备择假设H用于检验预报模型的真实性；其中：01H：模型y＝f(X；ω)+ε，ε～g(θ)假设为真，采用训练集率定得到的预报模型为真实模型，其在测试集D＝(X，y)的预测精度σ(n，m)等于模型真实精度σ；0**L，mmm*H1：预报模型不为真，即预测精度σ(n，m)不等于σ；*若预报模型为真，则σ(n，m)在一定的许可偏差范围内逼近σ，构造统计量：*Z＝σ(n，m)-σ (2)*当σ(n，m)使得统计量Z的观察值z的绝对值|z|过分大的情况发生时，拒绝假设H，反之接受假设H；000步骤3：对步骤2中选择的一个模型假设，采用样本容量为L的实测样本率定模型参数，作为真实模型的总体估计，总体的模型记为y＝f(X；ω)+ε，ε～g(θ)，模型真实精度估计为σ；***步骤4：采用蒙特卡洛法对总体的模型y＝f(X；ω)+ε，ε～g(θ)进行样本容量为L的抽样，记抽样次数为C，C次样本容量均为L，一次抽样记为样本集D，对于每一个抽样，将样本集D划分为样本容量分别为n和m的训练集D＝(X，y)和测试集D＝(X，y)，记该样本集划分方案为L(n，m)，将训练集D用于模型参数率定，测试集D用于模型预测精度的检验；对每一组划分方案L(n，m)方案，采用C次抽样进行模型率定和检验，得到预测精度的抽样分布；**LLL，nnnL，mmmL，nL，m步骤5：以平均距离最小为原则确定最佳样本集划分容量L(nr，mr)，使得统计量Z的抽样分布尽可能逼近真实H，若Z的抽样分布与模型真实精度的平均距离指标越小，代表统计量Z的抽样分布足够逼近真实H，即最佳样本集划分容量L(nr，mr)的预测精度σ(n，m)的抽样分布与模型真实精度σ逼近，原假设H为真的概率越大；00*0步骤6：根据步骤5中最佳样本集划分容量L(nr，mr)的预测精度σ(n，m)样本集构建统计量Z的抽样分布，根据统计量Z的抽样分布和给定显著性水平α确定统计量Z抽样分布的拒绝域；步骤7：基于实测样本构建样本划分容量为L(n，m)的预报模型，计算测试集的预测精度/>以及统计量Z的观察值z；rr0步骤8：根据统计量Z的观察值z是否落在统计量Z抽样分布的拒绝域，判断是否拒绝原假设H，若拒绝原假设H，则当前模型未通过假设检验，不适合作为优选模型；若存在多个备选模型均通过假设检验，进一步采用p值法给出原假设H可被拒绝的最小显著性水平，p值的计算式为：0000p＝P{|z|≥z}0认为对原假设H拒绝率1-p最小的模型最接近真实模型，基于“拒绝率最小”准则进行模型优选。0