(19)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 202211248048.5 (22)申请日 2022.10.12 (71)申请人 大连理工大 学 地址 116023 辽宁省大连市甘井 子区凌工 路2号 (72)发明人 张弛　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 赵兴华 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06F 16/2458(2019.01) G06Q 50/06(2012.01) (54)发明名称 一种基于时序分解的中长期径流预报方法 及系统 (57)摘要 本发明提出了一种基于时序分解的中长期 径流预报方法及系统， 属于径流预报技术领域， 采用小波分析对所述年度的历史年径流序列进 行周期提取， 并根据年径流周 期， 对所述年度的 历史年径 流序列进行时序分解， 得到年径流趋势 项、 年径流周期项和年径流残差项， 相应利用各 项和多尺度的预报因子训练年径 流预报模型， 使 年径流预报模 型可以根据输入的多尺度因子， 直 接输出对应的年径流趋势项、 年径 流周期项和年 径流残差项， 并融合为年径流序列， 先对原始径 流序列进行时序分解， 再进行分析， 可 以充分地 反映出不同特征叠加所形成的径 流变化规律， 提 高了年径流序列预报的准确性。 权利要求书2页 说明书6页 附图3页 CN 115481818 A 2022.12.16 CN 115481818 A 1.一种基于时序分解的中长期径流预报方法， 其特征在于， 所述中长期径流预报方法 包括： 获取目标 水文站点若干个年度的历史年径流序列； 针对任一年度的历史年径流序列， 采用小波分析对所述年度的历史年径流序列进行周 期提取， 得到年径流周期； 根据所述年径流周期， 对所述年度的历史年径流序列进行时序分解， 得到年径流趋势 项、 年径流周期项和年径流残差项； 针对所述年度的历史年径流序列， 获取上一年度的多尺度预报因子； 所述多尺度预报 因子包括天文尺度预报因子和全球尺度预报因子； 根据上一年度的所述多尺度预报因子、 所述年度的年径流趋势项、 所述年度的年径流 周期项和所述 年度的年径流残差项， 训练得到年径流预报模型； 获取任一年度的多尺度预报因子， 输入所述年径流预报模型中， 得到下一年度的年径 流序列。 2.根据权利要求1所述的中长期径流预报方法， 其特征在于， 所述获取目标水文站点若 干个年度的历史年径流序列， 具体包括： 获取目标 水文站点任一 年度的十二个历史月径流序列； 根据任一 年度的十二个历史月径流序列， 得到所述 年度的历史年径流序列。 3.根据权利要求1所述的中长期径流预报方法， 其特征在于， 所述针对所述年度的历史 年径流序列， 获取 上一年度的多尺度预报因子， 具体包括： 针对所述 年度的历史年径流序列， 获取 上一年度的天文尺度预报因子； 针对所述 年度的历史年径流序列， 获取 上一年度的若干个大气环流因子； 在若干个所述大气环流因子中选取缺值低于预设阈值的若干个大气环流因子， 作为全 球尺度预报因子 。 4.根据权利要求3所述的中长期径流预报方法， 其特征在于， 在所述在若干个所述大气 环流因子中选取缺值低于预设阈值的若干个大气环流因子， 作为全球尺度预报因子之后， 所述中长期径流预报方法还 包括： 对缺值低于预设阈值的若干个大气环流因子进行线性插值补充。 5.根据权利要求3所述的中长期径流预报方法， 其特征在于， 在所述在若干个所述大气 环流因子中选取缺值低于预设阈值的若干个大气环流因子， 作为全球尺度预报因子之后， 所述中长期径流预报方法还 包括： 对各全球尺度 预报因子和所述历史年径流序列进行互信 息计算， 得到各全球尺度 预报 因子与所述历史年径流序列的相关性； 根据各全球尺度 预报因子与 所述历史年径流序列的相关性， 降序排列 各全球尺度 预报 因子； 选取排名前十的全球尺度预报因子， 作为 最终的全球尺度预报因子 。 6.根据权利要求1 ‑5任一项所述的中长期径流预报方法， 其特征在于， 所述天文尺度 预 报因子包括太阳黑子相对数和月球赤纬角数据。 7.根据权利要求1所述的中长期径流预报方法， 其特征在于， 所述年径流预报模型包括 趋势项预报分支、 周期项预报分支和残差项预报分支； 所述获取任一年度的多尺度预报因权　利　要　求　书 1/2 页 2 CN 115481818 A 2子， 输入所述 年径流预报模型中， 得到下一 年度的年径流序列， 具体包括： 获取任一 年度的多尺度因子； 将所述年度的多尺度 预报因子输入所述趋势项预报分支中， 得到下一年度的趋势项预 报结果； 将所述年度的多尺度 预报因子输入所述周期项预报分支中， 得到下一年度的周期项预 报结果； 将所述年度的多尺度 预报因子输入所述残差项预报分支中， 得到下一年度的残差项预 报结果； 将所述趋势项预报结果、 所述周期项预报结果和所述残差项预报结果进行融合， 得到 下一年度的年径流序列。 8.根据权利要求1所述的中长期径流预报方法， 其特征在于， 所述年径流预报模型包括 趋势项预报分支、 周期项预报分支和残差项预报分支； 所述根据上一年度的所述多尺度预 报因子、 所述年度的年径流趋势项、 所述年度的年径流周期项和所述年度的年径流残差项， 训练得到年径流预报模型， 具体包括： 根据上一年度的所述多尺度 预报因子和所述年度的年径流趋势项， 训练所述趋势项预 报分支； 根据上一年度的所述多尺度 预报因子和所述年度的年径流周期项， 训练所述周期项预 报分支； 根据上一年度的所述多尺度 预报因子和所述年度的年径流残差项， 训练所述残差项预 报分支。 9.根据权利要求7或8任一项所述的中长期径流预报方法， 其特征在于， 所述趋势项预 报分支、 所述周期项预报分支和所述残差项预报分支均为深度学习模型。 10.一种基于时序分解的中长期径流预报系统， 其特征在于， 所述中长期径流预报系统 在被计算机运行时， 执 行如权利要求1～ 9任一项所述的中长期径流预报方法。权　利　要　求　书 2/2 页 3 CN 115481818 A 3