BP神经网络实现洪水预报附完整Matlab代码

1 BP神经网络洪水预报模型

    BP神经网络，这一术语源于其核心算法——反向传播（Back Propagation），它属于多层前馈神经网络的范畴，通过误差反向传播算法进行训练，自上世纪80年代被提出以来，一直备受关注，至今依然应用广泛。BP神经网络无需预先设定输入与输出之间明确的函数方程关系，便能有效的学习和存储输入与输出两者间复杂的映射关系，这种能力使其展现出强大的非线性拟合特性。从结构上看，网络主要由输入层、隐藏层和输出层三部分构成，每一层都包含了一个或多个神经元，这些神经元在各层之间紧密连接，共同完成信息的处理和传递。BP神经网络模型结构简单，所需要的数据也较少，在水文预报领域有良好的表现和较为广泛的应用。

1.1 特征因子的选择

    利用神经网络来进行洪水预报时，由于不涉及到物理机制，因此特征因子的选择至关重要。最常采用的因子包括前期降雨量和前期流量，例如在预报t+T（T为预见期）时刻A水文站的流量时，t-a、t-a+1、......t-1、t（a+1为前期时段长度）时刻的降雨量即为前期降雨量，t-a、t-a+1、......t-1、t时刻的流量即为前期流量。其中，降雨量可以是整个流域的平均面雨量，或者对流域分区后计算各个区域的平均面雨量，也可以是多个雨量站的降雨量，根据流域特性自行选择。流量可以采用预报水文站的前期流量，也可以是预报水文站上游的前期流量。除了降雨量和流量以外，蒸发量、气温等也可以成为特征因子。本文将流域平均面雨量和预报水文站流量作为特征因子，以5作为前期时段长度，以此为例介绍模型方法和参考代码。

图1 BP神经网络洪水预报模型结构示意图

1.2 模型参数

    Matlab中有自带的BP神经网络工具箱，无需自己手写代码，只需要设置好相关的参数即可，包括输入层神经元数量、隐藏层层数及各层神经元数量、初始学习率和最大迭代次数等。

1.3 数据预处理

    将数据输入进模型前，先要将降雨和流量数据分别进行标准化或归一化处理，便于模型训练。在得到预测结果后，要记得进行反标准化或反归一化。

2 注意事项

    有了Matlab的工具箱后，代码其实非常简单，但要注意的是输入进去的数据格式。下方代码中XTrain指的是训练集中的前期流量、前期降雨量，YTrain指的是训练集中的预测流量。在这里，训练集中有1000个样本，前期流量和前期降雨量各有5个时段，因此XTrain的size就是10*1000，也就是每一列为1个样本，YTrain的size就是1*1000（如果要同时预测T个时段，那就是T*1000）。XTest也是一样。

XTrain数据格式，P指降雨，Q指流量，滚动预测：

P1	P2	P3	......
P2	P3	P4	......
......	......	......	......
P5	P6	P7	......
Q1	Q2	Q3	......
......	......	......
Q4	Q5	Q6	......
Q5	Q6	Q7	......

YTrain数据格式，只预测1个时段时：

Q6

Q7

Q8

......

3 Matlab代码

clc,clear
%读取降雨量和流量数据
load Ystation.mat
dataTrain = PQ(1:1000,:);%前1000个作为训练数据
dataTest = PQ(1001:1461,:);%后续作为验证数据
window = 5;%例：用5个时段预测
step = 1;%只预测未来1个时段
for i = 1:length(dataTrain)-window-step+1;%间隔一个单位进行滑动
    contem = dataTrain(i:i+window-1,1:2);
%这里因为只有2个特征因子，所以是1:2，如果有n个，就是1:n
    XTrain(:,i) = [contem(:)]%包含前期流量和前期降雨量
    YTrain(:,i) = dataTrain(window+i+step-1,1);%预测时段的真实流量值
end
for i = 1:length(dataTest)-window-step+1
    contem2 = dataTest(i:i+window-1,1:2);
    XTest(:,i) = [contem2(:)];
end
%数据可以提前做好标准化或归一化，这个工具箱也有相关代码可实现这一操作
inputnum=5.*2; % 输入层节点数量，前期长度*特征因子个数
hiddennum=[3,10];% 隐含层节点数量，可自行调整
outputnum=1; % 输出层节点数量，预测长度
net=newff(XTrain,YTrain,hiddennum,{'tansig','purelin'},'trainlm');% 建立模型

net.trainParam.epochs=100;%迭代次数
net.trainParam.lr=0.0001;%学习率
net.trainParam.goal=0.00000001;% 训练目标最小误差
net.divideParam.trainRatio=1;%训练集、测试集、验证集比例，这里将输入数据全部作为训练集
net.divideParam.valRatio=0; 
net.divideParam.testRatio=0;
net.trainparam.max_fail =10000;

net=train(net,XTrain,YTrain);

an=sim(net,XTest); %用训练好的模型进行预测

以上内容仅供参考，如有错误，欢迎批评指正！