技術(shù)特征：

1.一種融合特征分解與糾錯(cuò)策略的并行架構(gòu)徑流預(yù)測方法，其特征在于，所述方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的融合特征分解與糾錯(cuò)策略的并行架構(gòu)徑流預(yù)測方法，其特征在于，s100所述采用經(jīng)ssa算法優(yōu)化后的vmd對徑流時(shí)間序列進(jìn)行分解具體包括：

3.根據(jù)權(quán)利要求2所述的融合特征分解與糾錯(cuò)策略的并行架構(gòu)徑流預(yù)測方法，其特征在于，s101所述構(gòu)建約束變分問題依據(jù)以下公式：

4.根據(jù)權(quán)利要求3所述的融合特征分解與糾錯(cuò)策略的并行架構(gòu)徑流預(yù)測方法，其特征在于，s102所述引入二次懲罰因子和拉格朗日乘法算子將約束變分問題轉(zhuǎn)換為無約束問題的公式如下：

5.根據(jù)權(quán)利要求4所述的融合特征分解與糾錯(cuò)策略的并行架構(gòu)徑流預(yù)測方法，其特征在于，s103所述根據(jù)極值解得到對應(yīng)模態(tài)分量以及中心頻率依據(jù)以下公式：

6.根據(jù)權(quán)利要求5所述的融合特征分解與糾錯(cuò)策略的并行架構(gòu)徑流預(yù)測方法，其特征在于，s104所述平均包絡(luò)熵的計(jì)算公式如下：

7.根據(jù)權(quán)利要求1所述的融合特征分解與糾錯(cuò)策略的并行架構(gòu)徑流預(yù)測方法，其特征在于，s202所述采用層次化預(yù)測因子選擇算法篩選與徑流變化最相關(guān)的子序列作為徑流預(yù)測因子具體包括：

8.根據(jù)權(quán)利要求1所述的融合特征分解與糾錯(cuò)策略的并行架構(gòu)徑流預(yù)測方法，其特征在于，s300所述將徑流預(yù)測因子輸入到并行cnn-gru模型中提取時(shí)空特征，并使用ssa算法對并行cnn-gru模型的參數(shù)進(jìn)行優(yōu)化具體包括：

9.根據(jù)權(quán)利要求1所述的融合特征分解與糾錯(cuò)策略的并行架構(gòu)徑流預(yù)測方法，其特征在于，s400所述將徑流預(yù)測因子輸入優(yōu)化后的并行cnn-gru模型進(jìn)行初步預(yù)測，并基于優(yōu)化后的并行cnn-gru模型預(yù)測誤差值具體包括：

技術(shù)總結(jié)
本發(fā)明屬于水文預(yù)測技術(shù)領(lǐng)域，公開了一種融合特征分解與糾錯(cuò)策略的并行架構(gòu)徑流預(yù)測方法，包括：收集目標(biāo)區(qū)域的徑流時(shí)間序列，采用經(jīng)SSA算法優(yōu)化后的VMD對徑流時(shí)間序列進(jìn)行分解；篩選與徑流變化最相關(guān)的子序列作為徑流預(yù)測因子；將徑流預(yù)測因子輸入到并行CNN?GRU模型中提取時(shí)空特征，使用SSA算法對并行CNN?GRU模型的參數(shù)進(jìn)行優(yōu)化；將徑流預(yù)測因子輸入優(yōu)化后的并行CNN?GRU模型進(jìn)行初步預(yù)測，基于優(yōu)化后的并行CNN?GRU模型預(yù)測誤差值；將預(yù)測誤差值疊加到初步預(yù)測值上校正預(yù)測偏差，得到最終的徑流預(yù)測值。本發(fā)明通過結(jié)合并行CNN?GRU架構(gòu)、SSA優(yōu)化算法和糾錯(cuò)機(jī)制，顯著提高了區(qū)域徑流預(yù)測的精度。

技術(shù)研發(fā)人員：王學(xué)斌,袁思敏,王禮源,孟雪姣,暢建霞,王義民
受保護(hù)的技術(shù)使用者：西安理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2