技术领域
[0001] 本发明涉及水文预报技术领域，尤其是涉及一种自适应水文预报动态优化方法和系统。
相关背景技术
[0002] 水文预报是指根据现状已知信息，对未来一定时期内的流域水文状态做出定性或定量的估计，它常以水文客观规律、水文学基本原理等为基础，服务于生产实践，在防汛、抗旱、水资源综合利用、国民经济建设和国防领域取得了广泛应用和巨大效益。然而，由于水文预报过程中普遍存在的输入不确定性、模型结构不确定性、模型参数不确定性等问题，预报结果与真实值之间必然存在差异。
[0003] 现有作业水文预报方法多为确定性水文预报，即以一个确定性的估计值对未来的水文形势作出预测，这种方法的优势为结果形式简单易懂，便于宣传发布，也方便决策者应用，但忽略了预报过程中来源众多的不确定性因素，导致决策者无法对预报结果的潜在风险或不确定性进行定量分析，由此导致作出的决策行为不够安全、可靠，存在较大的技术缺陷。近年来逐渐发展的不确定性水文预报方法，如集合预报和概率预报，一定程度上弥补了确定性预报的缺陷，能够实现对预报成功不确定性较为准确的定量分析，从整体上能够提升预报成果的精度，但由于有关方法原理较为复杂，需要具备丰富的概率统计知识，使得实践中运用效果不佳，缺乏广泛推广的可操作性。
具体实施方式
[0046] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0047] 因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0048] 现有的不确定性水文预报方法由于原理较为复杂，需要具备丰富的概率统计知识，使得实践运用效果不佳，缺乏广泛推广的可操作性。基于此，本申请提供一种自适应水文预报动态优化方法和系统，通过建立水文预报方案集，选取适当的优化决策变量，构建分类优化模型，自适应优化判断各时段最优水文预报方案，从而实现水文预报的动态优化。本申请不仅全面考虑了水文预报过程中的各项不确定性来源，同时充分利用了水文预报结果本身提供的信息，得到的优化预报成果可便于实践使用，具有明显的优势。
[0049] 图1为本申请提供的一种自适应水文预报动态优化方法的流程示意图。执行主体为服务器。如图1所示，该方法包括如下步骤：
[0050] S100、获取预报目标位置的基础数据。
[0051] 通过分析水文预报方案的具体需求，确定预报目标位置的基础数据。其中，基础数据包括预报目标的空间地理位置，以及预报目标位置范围的水文、气象、土壤、地质、社会经济、地理信息等。
[0052] 为了有效延长水文预报方案的预见期，需提高预报精度，将获取预报目标位置范围内的数值天气预报产品作为水文预报模型输入变量。通常通过ECMWF(欧洲中期天气预报数据集)、CMA(中国国家气象局预报数据集)、JMA(日本气象厅预报数据集)、NCEP(美国国家环境预报中心预报数据集)获取预报目标位置范围内的数值气象水文数据。
[0053] 由于目前数值天气预报模型严重受到“蝴蝶效应”的影响，GCM(全球气候模式)这类中长期数值预测产品往往存在较大预报误差，故不适用于本申请的预测方法。
[0054] S200、基于基础数据和预报需求，确定预报需求所对应的水文预报方案。
[0055] 在一种可能的实施例中，步骤S200还包括如下步骤：
[0056] S210、以预报需求为目标，得到预报需求所对应的多个水文模型；
[0057] S220、基于多个水文模型，构建水文预报方案。
[0058] 考虑到不同水文模型的适用范围各不相同，结合基础数据，以实现水文预报方案的具体需求为目的，选取合适于当前水文预报目标位置的水文模型用于构建水文预报方案，并将最终选取的水文模型分别记为M(1)、M(2)、...、M(m)，其中m为选取模型的个数。
[0059] S300、基于优化目标函数，对水文预报方案的参数进行优化，得到水文预报方案集，水文预报方案集中包括至少两组水文预报方案。
[0060] 为了使模型的参数更加贴合实际需求，故基于优化目标函数，对水文预报方案的参数进行优化，得到水文预报方案集，水文预报方案集中包括至少两组水文预报方案。
[0061] 考虑到不同优化目标函数对水文模型预报性能的侧重点各不相同，因此在构建水文预报方案的过程中，本申请通过三种优化目标函数对选取的各水文模型进行优化，三个优化目标函数均为取值越小，对应的模型参数越优，其中，三种优化目标函数具体如下：
[0062] 优化目标函数F(1)偏重对高量级流量部分的优化效果，即偏重洪水部分数据的拟合精度，其数学表达式如下：
[0063]
[0064] 优化目标函数F(2)兼顾对全部率定数据的优化效果，其数学表达式如下：
[0065]
[0066] 优化目标函数F(3)偏重对低量级流量部分的优化效果，即偏重枯水部分数据的拟合精度，其数学表达式如下：
[0067]
[0068] 式中，Qobs,i为第i个时段预报目标位置的流量值的实测值，Qsim,i为第i个时段预报目标位置的流量值的模拟值，n为用于模型参数率定的流量值序列的长度，i＝1,2,...,n。
[0069] 进一步，可通过优化算法对各水文模型进行参数率定进行优化，得到水文预报方案集。也就是通过优化算法寻找到在某各特定的优化目标函数下，给定模型、输入、输出时，使得优化目标函数值最优的模型参数组。
[0070] 其中，当采用确定性优化算法时，取使得优化目标函数取值最小的参数作为最终优选的参数组，记为θ(j，k)，其中j＝1，2...，m；k＝1，2，3；
[0071] 当采用进化算法时，考虑到进化算法受初值选取、变异、交叉、精英策略等不确定性因素影响，对于水文模型M(i)采用F(k)作为优化目标函数时，分别采用进化算法优化Nopt次，取Nopt次中优化目标函数取值最小的参数作为最终优选的参数组，记为θ(j，k)，其中j＝1，2...，m；k＝1，2，3。
[0072] 进一步，本申请中采用进化算法优化Nopt次数为大于等于1的正整数。
[0073] 进一步，本申请中采用的优化算法包括但不限于遗传算法、神经网络算法等。
[0074] S400、根据输入数据和实测数据，确定水文预报方案集中最优方案编号序列。
[0075] 在一种实施例中，步骤S400还包括如下步骤：
[0076] S410、基于输入数据，通过水文预报方案得到目标时段的预报数据；
[0077] S420、基于目标时段的预报数据和实测数据，得到目标时段所对应的水文预报方案的最高方案序号；
[0078] S430、基于各目标时段的最高方案序号，构建最优模型方案序号向量。
[0079] 具体的，在水文预报过程中，由于使用到的水文模型输入数据来源或方法不同，故会对预报结果精度产生影响。
[0080] 本申请以水文模型最重要的降雨输入为例，除实测降雨站数据以外，常用的数值天气预报产品有ECMWF、CMA、JMA、NCEP等，此外，水文模型所需要的潜在蒸发量数据量也可通过气象站的长系列观测数据统计中获取，或是通过彭曼公式近似计算得到。
[0081] 假设选用s组互不相同的输入数据集INDATA1，INDATA2，...，INDATAs，则在考虑模型、参数、输入数据组合的情况下，共计可以得到E＝3·m·s组水文预报结果。记第j个模型采用θ(j，k)参数组和第l组输入数据开展水文预报的情况下获得的预报结果为Qsim,ord，当j，k，1取值确定后可获得唯一的方案序号ord，且有ord＝3·m·l‑3m+3j‑3+k，l＝1，2...，s，可知ord取值范围1,2...，3·m·s。其中，Qsim,ord是长度为n的序列，其第i个元素Qsim,ord(i)为第ord组方案对第i个时段预报目标位置的流量值的预报结果。
[0082] 本申请中，以预报误差绝对值最小为原则，可通过如下公式确定第i个时段预报精度最高的方案序号ORD(i)：
[0083] ORD(i)＝arg min(|Qsim,ORD(i)(i)‑Qobs(i)|)
[0084] 式中，Qsim,ORD(i)(i)为第ord组方案对第i个时段预报目标位置的流量值的预报结果，Qobs(i)为第i个时段预报目标位置的流量值的实测值。
[0085] 从而可将各时段预报精度最高的方案序号构成最优模型方案序号向量ORD为n×1的列向量。
[0086] 其中，预报误差绝对值为通过水文预报方案预测某一时段得到预报值与该时段的实测值之间的绝对差值。
[0087] S500、基于优化决策向量，以最优方案编号序列为目标值，构建分类优化模型。
[0088] 在一种可能的实施例中，基于优化决策变量，通过以下公式，得到第i个计算时段的优化决策向量，优化决策向量为优化决策矩阵INDEX：
[0089] INDEX(i)＝[P(i‑τ)，ET(i‑τ)，Qave(i)]
[0090] 式中，P为降水量，ET为蒸散发量，Qave(i)为模拟均值量。
[0091] 其中，模拟结果均值流量，通过以下公式，得到第i个计算时段的模拟均值Qave(i)：
[0092]
[0093] 式中，E＝3·m·s，m为水文模型个数，s为输入数据集个数，Qsim,ord为长度为n的序列。
[0094] 具体的，结合预报方案构建过程中采用的s组输入数据集，选取合适的优化决策变量用于构建分类优化模型。
[0095] 对于水文预报工作，必须得输入数据包括降水量P和蒸散发数据ET，由于降水量P和蒸散发数据ET在水文循环过程中直接影响流量过程，因此本申请将降水量P和蒸散发数据ET两个输入量作为优化决策变量。
[0096] 各水文模型方案对于不同量级的流量值的模拟精度也各不相同，考虑到开展模拟或者预报计算之前目标时段的实测流量值是未知的，不适合直接采用实测流量值或该时段精度最高的模拟流量值作为优化决策变量，因此本申请中采用各方案的模拟结果均值作为优化决策变量。故需要对各计算时段的模型模拟结果求平均值以获取模拟均值系列Qave，第i个计算时段的模拟均值为Qave(i)；
[0097] 考虑到实践中预报方案构建采用的降水量和蒸散发数据均为实测值，因此各输入数据集INDATAsol，sol＝1，2，...，s具有相同的P和ET值。
[0098] 由于流域水文循环过程的内在规律，降水经过汇流形成预报断面的流量过程需要一定的汇流时间Tc，假定τ为Tc与流量数据时间间隔向上取整的比值，则选取P(i‑τ)和ET(i‑τ)作为第i个计算时段的优化决策变量，其中τ为Tc与流量数据时间间隔向上取整的比值。记第i个计算时段的优化决策向量为INDEX(i)＝[P(i‑τ)，ET(i‑τ)，Qave(i)]，则对于所有计算时段计算优化决策向量得到的优化决策矩阵INDEX为一个n×3的矩阵。
[0099] 在一种实施方式中，步骤S500还包括：基于最邻近模型构建分类优化模型，其具体构建过程如下：
[0100] S510、对优化决策矩阵INDEX的各列向量进行最大最小值归一化计算，得到各列向量映射到[0,1]空间的向量P0‑1，ET0‑1，Qave,0‑1；
[0101] S520、根据各列向量对应的优化决策变量的重要程度，赋予其给定权重[λ1，λ2，λ3]，得到加权归一化优化决策矩阵：
[0102] INDEXuni＝[λ1·P0‑1λ2·ET0‑1，λ3·Qave‑1]，其中 权重取值可通过人工经验、主成分分析、相关分析等方法获取。
[0103] S530、对于各方案序号ord，提取其在最优模型方案序号向量ORD中的次序R(ord)，使得ORD(R(ord))＝ord。
[0104] S540、根据各方案序号ord在最优模型方案序号向量ORD中的次序R(ord)提取对应的归一化后的优化决策矩阵INDEXuni,ord＝INDEXuni(R(ord)，1：3)。
[0105] S550、根据最邻近模型构建思想，当给定任意计算时段tf对应的优化决策向量index＝[Pin(tf‑τ)，ETin(tf‑τ)，Qave,in(tf)]时，可将其按照前述步骤计算得到加权归一化优化决策向量indexuni，再根据式(6)计算index与各方案序号ord对应的归一化后的优化决策矩阵INDEXuni,ord的欧几里得距离DISeuc(ord)：
[0106] DISeuc(ord)＝||indexuni‑INDEXuni，ord||2
[0107] S560、对于第tf个计算时段，其最优的模型方案序号ordopt(tf)为令DISew(ord)取值最小的ord值。需要指出，该优化决策向量index的计算时段tf与上述变量i的取值范围不同，不仅限于用于构建模型采用到的时段1～n，可随资料序列延长进行扩展或根据需要选取数据子集作为计算时段，因此本方法建立的优化模型可供开展实时预报使用。
[0108] S570、选取第ordopt(tf)个模型方案对应的第tf时段预报结果Qsim,ordopt(tf)(tf)作为优化后的预报结果。
[0109] 进一步，除聚类模型以外，本步骤中分类优化模型可替代的方案还包括线型回归模型、非线性回归模型、人工智能(含深度学习)模型、决策树模型、贝叶斯模型、支持向量机。
[0110] S600、基于分类优化模型，确定各时段最优水文预报方案。
[0111] 具体的，建立的优化决策矩阵INDEX是基于模型构建阶段数据集计算得到的。实际工作中，由于水文预报的实时性和变化性，分类优化模型也必须动态调整，以适应最新预报形势。因此，应结合模型构建阶段数据集以及预报模型运行后开展的作业预报数据集，实时更新优化决策矩阵INDEX，据此确定面临时段最优的模型方案序号，实现自适应优化。更进一步考虑到预报工作也随着时间不断发展进步，可剔除过于陈旧的数据，选取预报工作开展时刻一定时段内的数据进行构建优化决策矩阵INDEX，而不采用全部历史数据，以保持用于优化决策的数据具有较好的一致性。
[0112] 本申请中，以A水库入库流量预报为例，通过本申请中的水文预报优化方法进行流量预报，具体步骤如下：
[0113] 步骤1：首先收集A水库范围内的水文、气象、土壤、地质、社会经济、地理信息等开2
展水文预报所需的数据资料。根据资料分析可知：A水库为河道型水库，集水面积为530km ，流域地形多为山区，库区无较大支流汇入，需要对A水库开展24h预见期的逐小时流量预报；
A水库流域内无水文站分布，有1个气象站可提供逐日蒸发数据，有8个降雨站可提供逐小时的实测降雨量资料；考虑到A水库流域属于湿润型流域，无明显岩溶地形或地下暗河分布，可采用三水源新安江模型和GR4J模型构建预报方案；收集得到A水库2011‑2020年的逐小时入库流量数据；收集到A水库流域气象站2011‑2020年逐日蒸发数据，将日蒸发数据除以24作为该日各小时蒸发量；根据8个降雨站的空间位置和A水库流域边界，采用泰森多边形法计算得到A水库流域的2011‑2020年逐小时实测面雨量；A水库流域以暴雨洪水为主，洪水汇流时间较短，仅约为5h，为实现24h预见期的预报要求，采用ECMWF、NCEP和CMA三个中期天气预报中心的24h逐时段降雨控制预报成果(control forecast)用于延展水文模型预见期。
[0114] 步骤2：对A水库24h预见期的逐小时流量预报构建预报方案，水文模型数量为m＝2，包括M(1)三水源新安江模型、M(2)GR4J模型；分别采用三种优化目标函数F(1)，F(2)，F(3)用作所选模型的参数优化目标函数，以A水库流域的逐小时面雨量和蒸发量作为输入，以A水库逐小时入库流量数据作为输出拟合目标，采用进化算法中的遗传算法分别优化得到M(1)模型的三组参数θ(1,k)和M(3)模型的三组参数θ(2,k)，k＝1,2,3。其中，率定期为
2011‑2017年，验证期为2018‑2020年。
[0115] 步骤3：模型输入数据方面，本例中仅考虑A水库流域不同来源的降雨预报数据，分别为ECMWF、NCEP和CMA三个中期天气预报中心的24h逐时段降雨控制预报，因此各模型预报输入数据集为s＝3组，由此可知A水库在考虑模型、参数、输入数据组合的情况下，共计可以得到E＝3·m·s＝3·2·3＝18组水文预报结果。根据ord＝3·m·l‑3m+3j‑3+k，对各组水文预报结果进行编号，如表T1所示。
[0116] 表T1预报结构编号表
[0117]
[0118]
[0119] 对各计算时段的模拟结果进行统计，以2012年7月6日时段的模拟成果为例，分析该时段预报精度最高的方案序号，表T2给出了18组模型方案的预报结果及该时段的实测流量值。由表T2的结果可知，第3组模拟方案具有最小误差绝对值，因此该时段预报精度最高的方案序号为3。以此类推，可得到全部计算时段预报精度最高的方案序号，构成ORD向量，见图2。
[0120] 表T2 2021年7月6日时段各方案预报精度评价表
[0121]
[0122]
[0123] 步骤4：构建各时段优化决策向量，由于A水库流域的汇流时间约为5h，因此对于tf时段，其优化决策向量：
[0124] INDEX(tf)＝[P(tf‑5h)，ET(tf‑5h),Qave(tf)]
[0125] 以2012年7月6日时段为例，此时段之前5h的流域面雨量为57mm，此时段之前5h的3
流域时段蒸散发量为0.75mm，此时段的模拟均值由表T2数据可求得为1766m/s；因此，该时段的优化决策向量为[57,0.75,1766]。以此类推，对全部计算时段构建得到优化决策矩阵INDEX。
[0126] 步骤5：基于最邻近模型构建分类优化模型。
[0127] 1)对优化决策矩阵INDEX的各列向量进行最大最小值归一化计算。以2012年7月6日时段为例，为实现该时段优化决策向量的归一化，首先求得优化决策矩阵INDEX各列的最3 3
大值分别为189mm，1.27mm，11101m /s，最小值分别为：0mm，0.26mm，128m /s，根据最大最小值归一化法可计算得到该时段的归一化优化决策向量为[(57‑0)/(189‑0),(0.75‑0.26)/(1.27‑0.26),(1766‑128)/(11101‑128)]，即[0.302,0.485,0.164]。以此类推，可将全部时段的优化决策向量进行归一化。
[0128] 2)对各决策变量选取权重系数，本具体实施方式中采用相关系数法计算。分别计算P(tf‑5h)，ET(tf‑5h)，Qave(tf)与Qobs(tf)的线性相关系数ρ1，ρ2，ρ3，其中Qobs(tf)为实测流量值，得到ρ1＝0.68，ρ2＝0.12，ρ3＝0.93，根据各相关系数的相对大小确定对应权重：得到[λ1，λ2，λ3]＝[0.39，0.07,0.54]，因此2012年7月6日时段的加权归一
化优化决策向量为[0.302·λ1，0.485·λ2，0.164·λ3]＝[0.119，0.034，0.088]。
[0129] 3)对于各方案序号ord，提取其在最优模型方案序号向量ORD中的次序R(ord)，使得ORD(R(ord))＝ord。以2012年7月6日时段为例，其方案序号为ord＝3，且该时段在ORD中的次序为553，则有553∈R(3)，以此类推可以将ORD中各时段对应的次序号分别归于对应的R(ord)。由上述分类过程可知， 有ORD(x)＝ord，且满足
[0130] 4)提取各方案序号ord在最优模型方案序号向量ORD中的次序R(ord)提取对应的加权归一化优化决策矩阵INDEXuni,ord＝INDEXuni(R(ord)，1：3)。以2012年7月6日时段为例，其方案序号为3，其时段序号为tf＝553，除该时段外，本例中还有232个时段的方案序号为3，由此得到INDEXuni，3的加权归一化优化决策矩阵如表T3所示，其余方案序号对应的加权归一化优化决策矩阵可以此类推。由上述分类过程可知，
[0131] 表T3 INDEXuni,3的加权归一化优化决策矩阵成果表
[0132]
[0133]
[0134] 5)对于第tf个计算时段，其最优的模型方案序号ordopt(tf)为令DISew(ord)取值最小的ord值。需要指出，该优化决策向量index的计算时段tf与上述变量i的取值范围不同，不仅限于用于构建模型采用到的时段1～n，可随资料序列延长进行扩展或根据需要选取数据子集作为计算时段，因此本方法建立的优化模型可供开展实时预报使用。
[0135] 具体而言，本例中模型构建采用的数据时段为2011‑2020年，而实际预报工作可能发生在采用数据时段外，例如预报人员对2021年7月6日的A水库入库流量开展了一次预报，其tf＝3840，根据预报结果有该时段的预报优化决策向量为[89，0.84,3558]，由前述步骤可求得其加权归一化优化决策向量为indexuni＝[0.184，0.058，0.175]。分别计算tf时段的indexuni与各INDEXuni，ord之间的欧几里得距离DISeuc(ord)：
[0136] DISeuc(ord)＝||indexuni‑INDEXuni，ord||2
[0137] 记
[0138]
[0139] 上式也可表示为：
[0140]
[0141] 式中：rord表示INDEXuni,ord的行数；其余各项同前。
[0142] 经计算，本例中对2021年7月6日的A水库入库流量开展的预报各DISeuc(ord)计算值见表T4。
[0143] 表T4对2021年7月6日的A水库入库流量开展的预报各DISeuc(ord)计算值
[0144] 方案序号ord 1 2 3 4 5 6 7 8 9DISeuc(ord) 0.184 0.514 0.236 0.118 0.412 0.321 0.344 0.398 0.214
方案序号ord 10 11 12 13 14 15 16 17 18
DISeuc(ord) 0.097 0.154 0.205 0.321 0.075 0.147 0.364 0.278 0.335
[0145] 6)根据表T4结果可知，对2021年7月6日的A水库入库流量开展的预报，当方案序号ord取14时，有DISeuc(ord)DISeuc(ord)计算值最小，为0.075，表明本次预报应当推荐第14组预报方案的成果。
[0146] 7)通过查询本次18组预报方案的预报结果，第14组预报方案的结果为3775m3/s，3
即认为本次对2021年7月6日的A水库入库流量的预报值应推荐3775m/s的预报结果。
[0147] 除聚类模型以外，S105步骤中分类优化模型可替代的方案还包括线型回归模型、非线性回归模型、人工智能(含深度学习)模型、决策树模型、贝叶斯模型、支持向量机。例如，通过以决策变量矩阵与各时段最优方案序号建立非线性支持向量机分类模型，也可以实现相同目的。因此，对本方法部分步骤的适度变换，本质上仍属于本方法的发明范畴。
[0148] 步骤6：基于构建得到的分类优化模型，自适应优化判断各时段最优水文预报方案，实现水文预报的动态优化。具体而言，本发明步骤S104中建立的优化决策矩阵INDEX是基于模型构建阶段数据集计算得到的。实际工作中，由于水文预报的实时性和变化性，分类优化模型也必须动态调整，以适应最新预报形势。因此，应结合模型构建阶段数据集以及预报模型运行后开展的作业预报数据集，实时更新优化决策矩阵INDEX，据此确定面临时段最优的模型方案序号，实现自适应优化。
[0149] 以本实施例说明，本次对2021年7月6日的A水库入库流量的预报值对应的时段序号tf＝3840，而模型构建阶段采用的2011‑2020年数据最大时段数为n＝3653，显然随着预报工作的开展，构建优化模型可用的数据将不断增加，且随着时间推移，预报模型的预报成果将可获取与之对应的实测值，因此该次预报对应的最优方案组合也可得到确定。从适应最新预报形势角度考虑，应当将预报工作产生的预报成果纳入优化决策矩阵INDEX之中，通过采用最新数据重新构建模型，实现预报分类优化模型的自适应更新。
[0150] 另一方面，考虑到预报工作也随着时间不断发展进步，对于过于陈旧的数据应当考虑剔除，因此可以在构建优化决策矩阵INDEX时，选取预报工作开展时刻一定时段内的数据进行构建，而不采用全部数据，例如对2024年7月6日的A水库入库流量开展预报，则采用近20年(即2004年7月6日～2024年7月5日)的数据资料构建优化决策矩阵INDEX，按照本发明前述步骤确定本时段最优的模型方案序号，实现预报成果自适应优化。
[0151] 图3为本发明提供的一种自适应水文预报动态优化系统的流程示意图。如图3所示，该系统的执行主体可以是服务器，该系统包括：
[0152] 采集模块，用于获取预报目标位置的基础数据；
[0153] 选取模块，用于基于基础数据和预报需求，确定预报需求所对应的水文预报方案；
[0154] 优化模块，用于基于优化目标函数，对水文预报方案的参数进行优化，得到水文预报方案集，水文预报方案集中包括至少两组水文预报方案；以及根据输入数据和实测数据，确定水文预报方案集中最优方案编号序列；
[0155] 构建模块，用于基于优化决策变量，以最优方案编号序列为目标值，构建分类优化模型；
[0156] 预报模块，用于基于分类优化模型，确定各时段最优水文预报方案。
[0157] 在可选的实施例中，基于基础数据和预报需求，确定预报需求所对应的水文模型，包括：
[0158] 以预报需求为目标，得到预报需求所对应的多个水文模型；
[0159] 基于多个水文模型，构建水文预报方案。
[0160] 在可选的实施例中，优化目标函数包括：
[0161]
[0162]
[0163]
[0164] 式中，Qobs,i为第i个时段预报目标位置的流量值的实测值，Qsim,i为第i个时段预报目标位置的流量值的模拟值，n为用于模型参数率定的流量值序列的长度，i＝1,2,...,n。
[0165] 在可选的实施例中，根据输入数据和实测数据，确定水文预报方案集中最优方案编号序列，包括：
[0166] 基于输入数据，通过水文预报方案得到目标时段的预报数据；
[0167] 基于目标时段的预报数据和实测数据，得到目标时段所对应的水文预报方案的最高方案序号；
[0168] 基于各目标时段的最高方案序号，构建最优模型方案序号向量。
[0169] 在可选的实施例中，基于优化决策变量，通过以下公式，得到第i个计算时段的优化决策向量，优化决策向量为优化决策矩阵INDEX：
[0170] INDEX(i)＝[P(i‑τ)，ET(i‑τ)，Qave(i)]
[0171] 式中，P为降水量，ET为蒸散发量，Qave(i)为模拟均值量，τ为Tc与流量数据时间间隔向上取整的比值，Tc为汇流时间，i为第i个计算时段。
[0172] 在可选的实施例中，模拟结果均值流量，通过以下公式，得到第i个计算时段的模拟均值Qave(i)：
[0173]
[0174] 式中，E＝3·m·s，m为水文模型个数，s为输入数据集个数，Qsim,ord为长度为n的序列。
[0175] 在可选的实施例中，方法还包括：
[0176] 基于优化决策变量和模拟均值量，实时更新优化决策矩阵。
[0177] 本申请实施例所提供的系统，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，系统实施例部分未提及之处，可参考前述方法实施例中相应内容。
[0178] 如图4所示，本申请实施例提供的一种电子设备600，包括：处理器601、存储器602和总线，存储器602存储有处理器601可执行的机器可读指令，当电子设备运行时，处理器601与存储器602之间通过总线通信，处理器601执行机器可读指令，以执行如上述一种自适应水文预报动态优化方法的步骤。
[0179] 具体地，上述存储器602和处理器601能够为通用的存储器和处理器，这里不做具体限定，当处理器601运行存储器602存储的计算机程序时，能够执行上述一种自适应水文预报动态优化方法。
[0180] 处理器601可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field‑Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602，处理器601读取存储器602中的信息，结合其硬件完成上述方法的步骤。
[0181] 对应于上述一种自适应水文预报动态优化方法，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有机器可运行指令，计算机可运行指令在被处理器调用和运行时，计算机可运行指令促使处理器运行上述一种自适应水文预报动态优化方法的步骤。
[0182] 本申请实施例所提供的一种自适应水文预报动态优化系统可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
[0183] 在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0184] 再例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0185] 作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0186] 另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0187] 功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read‑Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
[0188] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0189] 在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0190] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
