灰色神经网络组合模型(GNN)在涝灾预测中的应用

沈阳农业大学学报，２００８—０２，３９（１）：１１８—１２０　Ｊｏｕｒｎａｌ　ｏｆ　Ｓｈｅｎｙａｎｇ　Ａｇｒｉｅｕｈｕｒａｌ　Ｕｎｉ￣ｅｒｓｉｔｙ，２００８—０２，３９（１）：１　１８—１２０　灰色神经网络组合模型（ＧＮＮ）在涝灾预测中的应用　迟道才　，张　瑞　，张　清　，孙东昊　（１．沈阳农业大学．沈阳１１００（）６：２．辽阳市水利局，辽宁辽阳１１１（）（）（））　摘要：洪涝是对人类及社会危害较大的一种自然灾害，洪涝严重影响农业生产和牛态平衡．涝灾侦测已成为防ｒ足减火的重要内容　应用ＢＰ神经网络模型刘‘灰色模型预测精度较低的问题进行了改进，该方法是将灰色模型的预测值作为伸经网络的输人．以实际　值作为输出而构成灰色神经网络组合模型（（；ＮＮ）以辽阳地区５０年的年降水量作为历史数据　建立ＧＮＮ涝灾预测模型果表明：该方法与传统的灰色预测方法相比提高了侦测精度，这种新的信息处理和预删方法是仃效可行的　关健词：灰色模型；ＢＰ网络；涝灾预测；灰色神经网络组合模型　中图分类号：Ｐ３３８．６　文献标识码：Ａ　文章编号：１０００—１７００（２００８）０１—０１１　８－０３　预测结　Ｇｒｅｙ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　Ｍｏｄｅｌ　Ａｐｐｌｉｃａｔｉｏｎ　ｏｎ　ｔｈｅ　Ｆｏｒｅｃａｓｔ　ｏｆ　Ｆｌｏｏｄ　Ｄｉｓａｓｔｅｒ　ＣＨＩ　Ｄａｏ—ｅａｉ　，ＺＨＡＮＧ　Ｒｕｉ　，ＺＨＡＮＧ　Ｑｉｎｇ　，ＳＵＮ　Ｄｏｎｇ－ｈａｏ　ｖ　Ｂｕｒｅａｕ　ｏｔ　Ｌｉａｏ？ａｎｇ，Ｌｉａｏｙａ￣　ｇ　Ｌｉａｏｎｉｎｇ　１　１　１０００、Ｃｈｉｎａ）　（１．Ｓｈｅｎｙａｎｇ　Ａｇｒｉｅｕｈｕｒａｌ　Ｕｎｉｖｅｒｓｉｔ）．Ｓｈｅｎｇｙａｎｇ　１　１０１６１，Ｃｈｉｎａ；２．Ｗａｔｅｒ　ＣｏｉｑｓｅｒｖａｎｅＡｂｓｔｒａｃｔ：Ｆｌｏｏｄ　ｄｉｓａｓｔｅｒ　ｆｏｒｅｃａｓｔ　ｉｓ　ｔｈｅ　ｉｍｐｏｒｔａｎｔ　ｃｏｎｔｅｎｔ　ｏｆ　ｄｉｓａｓｔｅｒ　ｐｒｅｖｅｎｔｉｏｎ　ａｎｄ　ｒｅｄｕ（‘ｔｉｍ１．Ｔｈｅ　ｂａｓｉｃ　ｐｒｉｎｃｉｐｌｅｓ　ａｎｄ　ｍｅｔｈｏｄｓ　ｏｆ　ｃｏｎｖｅｎｔｉｏｎａｌ　Ｇｒａｙ　Ｍｏｄｅｌ　ａｒｅ　ｐｒｅｓｅｎｔｅｄ，ｔｈｅｎ　ｔｉｍ　Ｂａｃｋ　Ｐｒｏｐａｇａｔｉｏｎ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｗａｓ　ｕｓｅｄ　ｔｏ　ｉｍｐｒｏｖｅ（；ｒａｙ　Ｍｏｄｅ１．　Ｇｒａｙ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｗａｓ　ｂｕｉｈ　ｂｙ　ｕｓｅ　ｇｒｅ）ｐｒｅｄｉｃｔｉｏｎ　ｖａｌｕｅ　ａｓ　ｔｈｅ　ｉｎｐｕｔ　ｌａｙｅｒ　ｏｆ　ｌｌｅｕｒａｌ　ｎｅｔｗｏｒｋ．ａｎｄ　ｗｉｔｈ　ｔｈｅ　ｒ．ｅａｌ￣ａｌｕｅ　ａｓ　ｏｕｔｐｕｔ　ｌａｙｅｒ．Ｔｈｉｓ　ｐａｐｅｒ　ｗａｓ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｒａｉｎｆａｌｌ　ｄａｔａ　ｏｆ　５０　ｙｅａｒｓ　ｉｎ　Ｌｉａｏｙａｎｇ，ｔｈｅｎ　ｅｓｔａｂｌｉｓｈｅｄ　ｔｈｅ　ＧＮＮ　ｍｏｄｅｌ　ｆｉ）ｒ　ｆｌｏｏｄ．　ｒＩ１ｅ　ｆｏｒｅｃａｓｔ　ｒｅｓｕｈ　ｓｈｏｗｅｄ　ｔｈａｔ　ｔｈｅ　ｍｏｄｅｌ　ｈａｄ　ｈａｄ　ｈｉｇｈ　ｆｌ￣ｒｅｃａｓｔｉｎｇ　ｐｒｅｃｉｓｉｏｎ　ｃｏｍｐａｒｅｄ　ｗｉｔｈ　ｔｈｅ　ｔｒａｄｉｔｉｏｎａｌ　ｆｏｒｅｃａｓｔ　ｍｅｔｈｏ（Ｉ，ｔｈｉｎｅ—　ｆｏｒｅ　ｆｌｏｏｄ　ｒｅｅａｓｔｉｎｇ　ｂａｓｅｄ　ＯＨ　ＧＮＮ　ｗａｓ　ｆｅａｓｉｂｌｅ．　Ｋｅｙ　ｗｏｒｄｓ：（；ｒａｙ　Ｍｏｄｅｌ；ｂａｃｋ—ｐｒｏｐａｇａｔｉｏｎ；ｆｏｒｅｃａｓｔ；Ｇｒａｙ　Ｎｅｕｒａｌ　Ｎｅｔｖ．，ｒｋ　Ｍｏｄｅｌ　洪涝是对人类及社会危害较大的一种自然灾害，严重影响农业生产和牛态平衡…　涝灾预测是灾变预测领　域的重点研究课题，研究涝灾变化规律，并对未来时刻涝灾发展趋势进行科学合理的预测，为防灾减灾服务提　供参考依据，并对制定科学预防洪涝策略，将其造成的各方面损失降到最低程度具有重要意义Ｉ！～１：　日前人们主　要借助于数理统计以及一些不确定方法来预测涝灾的发生。这些方法有指概率统计、时间序列、模糊数学等，　都需要具有显式函数，而往往难以得到或只能用近似表达式描述，一般误差都较大　：灰色ＧＭ（１，ｌ１模型利用累　加生成后的新数据建模，在一定程度上弱化了原始数据的随机性，容易找出数据变换规律，且具有建模所需样　本少的优点　．该方法存在的缺陷是灰色预测模型的预测精度依赖于模型的参数值，这就极大地了模型的　适用范罔．影响了预测精度Ｉ　。神经网络具有自学习、非线性映射和并行分布处理的能力１７．８］，如将灰色预测模型　和神经网络模型两者有机的结合．构成灰色神经网络（ｇｒｅｙ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ，ＧＮＮ）模型，发挥两者的优势，从而　进一步提高预测精度［９１。因此对灰色ＧＭ（１，１）模型与ＢＰ神经网络结合的方法进行了研究。　１研究区概况　辽宁省辽阳市位于东经ｌ２２。３５　０４”～ｌ２３。４１　００”，北纬４０。４２　ｌ９”～４１。３６　３２”，面积４７３ｌｋｍ　，人口ｌ７８．６万。　洪涝灾害是该区的主要自然灾害。该区属性季风气候，多年平均蒸发量为１４４９．３ｒａｍ．多年平均气温为　７．８　，多年平均日照为２５１２．２ｈ，多年平均降水量为７４４．８ｒａｍ，降水年际变化较大，年内分配不均，降雨量多集　中于６～９月份．占全年降水量的７３％，图ｌ是１９５６～２００５年辽阳站年降水曲线图。　收稿日期：２０（）７一ｌ：一｛）４　基金项目：水利部“９４８”科技创新项目（ＣＴ２００５１６）；辽宁省教育厅科技攻关项目（０５Ｌ３８５）　作者简介：迟道才（１９６４一），男，沈阳农业大学教授，博士．从事灌溉排水理论与技术研究　维普资讯 http://www.cqvip.com 第１期　迟道才等：灰色神经网络组合模型（ＧＮＮ）在涝灾预测中的应用　．１　１９．　２预测模型在涝灾中应用实例　２．１　ＧＭ（１，１）涝灾预测　根据文献［４］和文献［５］，先以辽阳地区１９５６—１９９０年的降水资料作为预测依据。对此序列数据进行统计，利　用ｚ指标确定发生涝灾的降水临界值为８４０ｒａｍ，并认为降水量大于等于８４０ｒａｍ为涝灾异常值。从图１可以看　出，在阈值以上的年份有１９５９，１９６０，１９６２，１９６４，１９７１，１９７６，１９８５，１９８６年。据灰色灾变的映射原理，可得灾变　序列，由此可建立灰色灾变方程，其时间响应模型为：　Ｘ　”（　＋１）＝２０．５８４５５％。　一１６．５８４５５９　ｇ　“”（　）的预测公式为：　　『．　毒　｛　Ｊ　１Ｕ　ｆ　１）：４　ｊ　｛　（　＋１）＝２０．５８４５５９（ｅＯ　．０２６９—１）ｅｎ！　眦６９晴一　其中：　≥１，预测结果和残差如表１。　２．２　ＧＮＮ涝灾预测　面　善　～　年份Ｙ　灰色神经网络（ｇｒｅｙ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ．ＧＮＮ）模型是　以灰色模型的删值作为输入，以实际值（涝灾序歹ＩＪ）　作为输出构成的组合模型。反向传播网络ｆｂａｃｋ　品　ｆｒｏｍ　１９５６　ｔｏ　２００５　ｉｎ　Ｌｉａｏｙａｎｇ　Ｉ　ｐｒｏｐａｇａｔｉｏｎ，ＢＰ）是一种单向传播的多层前向网络，单隐层的ＢＰ网络可以逼近一个任意的连续非线性函数ｌＪ０１。因　此，采用单隐层的ＢＰ网络。根据Ｋｏｌｍｏｇｏｒｏｖ定理，采用试验试凑法，并依据测试误差最小，确定网络的隐节点数ｌｌ０１。　由于样本（涝灾序列）数据少，为了提高预测精度，采用如下方法设计ＢＰ网络预测模型的预测过程＿９１。（１）确定样本　数据。假定选取ｎ～ｎ＋ｔ年的指标数据作为研究样本。ｆ２）进行网络训练。即采用第ｎ＋ｌ，ｎ＋２，…，ｎ＋ｔ一１年的指标　数据作为输入，将ｎ＋１，ｎ＋２，…，ｎ＋ｔ年的指标数据作为相应的期望输出，对网络进行训练，使预测误差达到满意　的程度。（３）进行预测。用第ｎ至第ｎ＋ｔ年的指标数据作为输入，预测第ｎ＋１至第ｎ＋ｆ＋１年的指标值；然后再用得　到的第ｎ＋ｌ至第ｎ＋　＋１年的指标数据作为输入，预测第ｎ＋２至第ｎ＋ｔ＋２年的指标值；依此类推，循环预测，直到　得出需要的年份预测值为止。将实际值与灰色模型的预测值进行归一化后，选定输入、输出样本。本例中输入　层由８个神经元组成，输出层由４个神经元组成，因此，隐层神经元节点数为５～１４。　基于ＭＡＴＬＡＢ７的ＢＰ网络编程如下ｌｌＵ＇“】：　＞＞ｔｈｒｅｓｈｏｌｄ：Ｊ０　１：０　１；０　１；０　１１；（归一化后输入向量的取值范围）　＞＞ｎｅｔ＝ｎｅｗｆｆ（ｔｈｒｅｓｈｏｌｄ，【ｍ，１１，｛　ｔａｎｓｉｇ＇，＂ｌｏｇｓｉｇ　ｌ，＇ｔｒａｉｎｌｍ，）．（创建一个ＢＰ神经网络：隐含层有ｍ个神经元，　传递函数为ｔａｎｓｉｇ；输出层有４个神经元，传递函数为ｌｏｇｓｉｇ：训练函数为ｔｒａｉｎｌｍ）　＞＞ｎｅｔ．ｔｒａｉｎＰａｒａｍ．ｅｐｏｃｈｓ＝１０００：（训练步长为１０００）　＞＞　ｎｅｔ．ｔｒａｉｎＰａｒａｍ．ｇｏａｌ＝Ｏ．００　１：（期望误差为０．００　１）　＞＞　ｎｅｔ．ｔｒａｉｎＰａｒａｍ．１ｒ＝Ｏ．０１；（学习率为０．０１）　＞＞ｎｅｔ＝ｔｒａｉｎ（ｎｅｔ，Ｐ，ｔ）；（训练网络）　＞＞ｙ＝ｓｉｍ（ｎｅｔ，ｐ＿ｔｅｓｔ）（仿真网络）　＞＞ｅｒｒｏｒ＝ｔ—Ｙ（计算网络误差）　２．３预测结果分析　．三　竺　亭　兰　兰　要　王　盆　以３＜　＜８时的值为测试样本，预测ｋ＝４～７时的值，经　果较好，训练５次达到了目标精度，误差也比较小最大误　差不超过０．１４。还原后预测值及误差值如表１。将预测值　代入上述模型进行下一步预测。预测１９９０年以后出现涝　灾的序号．训练３次达到目标精度，最大误差不超过　过多次训练得出，隐含层神经元个数为１３的网络训练结　制　值ｋ、ａｌｕｅ　图２预测值和实际值的比较　Ｆｉｇｕｒｅ　２　Ｃｏｍｐａｒｉｓｏｎ　ｂｅｔｗｅｅｎ　ｐｒｅｄｉｃｔｅｄ　ａｎｄ　ｍｅａｓｕｒｅｄ　ｖａｌｕｅｓ　０．１６，还原后的预测值为３８．２３７（即涝灾发生的年份在　维普资讯 http://www.cqvip.com ．１２０．　沈　阳　农　业　大　学　学　报　第３９卷　１９９３～１９９４年之间）与实际值３９（即实际发生涝灾的年份为１９９４年）相比，误差值为０．９５６％，满足…级精度要　求（表１）。为了便于各模型的比较，表２列出检验值的结果，各模型预测值与实际值比较结果如图２。从表２可　以看出，组合模型较ＧＭ（１，１）模型的相对误差减小了近３倍，相对精度｝｝＝１二级提高到了一级，后验差比值也相　对减小．说明残差比较集中．摆动幅度小．预测效果较好。　表１各步计算结果比较　Ｔａｂｌｅ　１　Ｃｏｍｐａｒｉｓｏｎ　ａｍｏｎｇ　ｔｈｅ　ｒｅｓｕｌｉｓ　ｏｆ　ｅａｃｈ　ｃａｌｃｕｌａｔｉｎｇ　ｓｔｅｐ　３　结论　研究结果表明，灰色神经网络这种新的信息处理和预测方法．充分利用灰色模型弱化数据的随机性、累加　数据的规律性以及神经网络的高度非线性。该方法计算简单．易于操作，其预测效果明显优于单一ＧＭ（１，１）模　型的预测结果。该方法不仅可用于涝灾和灾害年的预测．还叮应用于其他的灾害和某一季节甚至某一日灾害的　预测，只要已知发生灾害的时间序列，就可以应用该模型进行预测。因此．ＧＮＮ模型是一种新型实用精度较高　且方便义可靠的灾变时间序列预测方法。灰色预测可用于小样本预测．神经网络需要较大的样本，样本过小将　会直接影响预测效果，本研究对输入、输出样本进行了改进．以达到增大样本的目的，从而提高预测精度：另外　在实际灰色建模中．原始数据序列不一定全部用来建模．选择适当的原始数据将得到更加准确的预测效果。冈　此怎样合理的选择和处理样本，将是该组合模型进一步研究的方向。笔者认为，方法的融合以及借鉴其他学科　的预测技术来研究灾害时间序列的发生，将是今后的发展趋势．　参考文献：　【１］赵春明，刘雅呜，张金良，等．世纪中同水旱灾害警示录ＩＭ］，郑州：黄河水利出版社，２００２，　［２］魏一呜，范英，博继良，等．基于神经网络的洪水灾害预测方法ｌＪＪ．中闰管理科学．２０００．８（３）：５７—６２．　［３］张正．黄泰松，左春．基于ＢＰ神经网络的灾情预测模型『Ｊ１．计算机工程．２００５，３ｌ（１）：２ｌ２—２ｌ３．　Ｉ４Ｉ李俊伟、浅谈灰色系统理论在旱涝预测中的应＿Ｌ｝ｊ…．广东水利水电，２００４．（６）：３９—４１．　ｉ５］刘思峰，党耀　，方志耕．等．灰色系统理论及其应用ｆＭ１一Ｅ京：科学出版社．２００４．　［６］邢棉，于兰香，刘晓霞、基于神经网络校正的电力负荷灰色预ｉ￣ｆｆ［Ｊ］、华北电力大学学报，２００６，３３（４）：９３—９５．　［７］　ＢＹ　Ａ．ＳＥＺＩＮ　ＴＯＫＡＲ，ＭＯＭＣＩＬＯ　ＭＡＲＫＵＳ．Ｐｒｅｃｉｐｉｔａｔｉｏｎ—ｒｕｎｏｆ　ｍｏｄｅｌｉｎｇ　ｕｓｉｎｇ　ａｒｔｉｉｆｃｉａｌ　ｎｅｕｒａ］ｎｅｔｗｏｒｋｓ　ａｎｄ　ｃｏｎｃｅｐｔｕａｌ　ｍｏｄ—　ｅｌｓ［Ｊ　ｆ，Ｊｏｕｒｎａｌ　ｏｆ　Ｈｙｄｒｏｌｏｇｉｃ　Ｅｎｇｉｎｅｅｒｉｎｇ．２０００，（４）：ｌ　５６一ｌ　６　ｌ、　［８］高丹。迟道才，王钦良、基于ＭＡＴＬＡＢ神经网络的水稻需水量的预报模型…，沈阳农业大学学报，２００５，３６（５）：５９９—６０２、　［９］李秀峰．袁鹏，邵骏．基于ＧＭ和ＢＰ网络的年均流量组合预测模型『Ｊ１、东北水利水．２００７．２５（２）：３ｌ一３４、　［１０１飞思科技产品研发中心．神经网络理论与ＭＡＴＩ　ＡＢ７实ｇ２［Ｍ］．北京：电子Ｔ业ｍ版社．２００５．　【１１］闻　新，周　露，李翔，等．ＭＡＴＬＡＢ神经网络仿真与应　［Ｍ］．北京：科学出版社，２００３．　［责任编辑亓国】