文章目录
- 1 封面
- 2 摘要
- 3 研究背景
- 4 平台介绍
- 4.1 平台框架
- 4.2 平台整体架构
- 5 平台关键技术
- 5.1 技术一：数据质量控制
- 5.2 缺失数据——插补方法
- 5.2.1 基于ARIMA与SVM组合预测单向插补模型
- 5.2.2 基于Adaboost组合预测的多向插值模型
- 5.3 异常数据——检测
- 5.3 技术二：多重情景仿真技术
- 注意：技术三杂糅在技术二中，是河道淹没可视化
- 6 平台集成与应用
- 7 结语
写在前面：河海大学学报（自然科学版）；主办方：河海大学；中文核心期刊；双月刊；B类
1 封面
2 摘要
关键词：洪水预报；智能调度
三个技术：数据质量控制；多重情景仿真；洪水淹没仿真
3 研究背景
- 中小河流的降雨量大且集中，导致水位起伏较大，易发生洪涝灾害；
- 国家对于中小河流的治理经验缺乏；
- 防控和应急管理需求：准确预报、及时预警、科学调度、有效处置
- 洪水预警预报平台始于20世纪70年代，如美国3S洪水预警系统、意大利DAMSAFE决策支持系统、欧盟洪水预报及报警响应系统；
- 我国预报预警服务体系：
- 可视化展示：地理信息系统（GIS）、数字高程模型
- 中小河流水位流量等水文数据，在一定时间内具有时间序列的特征，即表现出一定的连续性和周期性。时序性
4 平台介绍
4.1 平台框架
4.2 平台整体架构
对于云服务这一块，还是不太了解。（属于云计算这门课程的内容，当时上课玩手机了）
5 平台关键技术
5.1 技术一：数据质量控制
- 缺失数据
- 冗余数据
- 异常数据
5.2 缺失数据——插补方法
5.2.1 基于ARIMA与SVM组合预测单向插补模型
- 差分整合移动平均自回归模型（ARIMA）【已有】
创新点：加入固定滑动窗口，SW_ARIMA - 支持向量机（SVM）
创新点：粒子群优化算法（PSO）
- 流程图如下：
- 解释说明：单一的预测模型存在较大误差。本文将这两种单一的预测模型并联加权组合，目的是减少模型的预测误差
【小声bb：这…手法感觉和我之前写专利可太相似了】 - 佐证：
5.2.2 基于Adaboost组合预测的多向插值模型
- 考虑到水文数据的时序性（连续性和周期性），可以利用存在记录中的观测数据和历史相同时刻的观测数据，对未来相同时刻缺失的数据进行预测，构造多向插补模型，将预测值当作参考值。
- 自己写一点关于adaboost的认识：
Adaboost：自适应增强算法
- 主要的思想
- 首先这个算法里包含了很多弱分类器（这里的强弱是相对的），重点关注弱分类器分类错误的问题。然后用下一个弱分类器，去优化刚刚预测出错的地方，以达到整个组合的预测性能最优！
- 【在adaboost中，包含多个分类器，后一个模型的训练永远是在前一个模型的基础上完成的！】
- 整个组合，也就是多个分类器之和，称之为强分类器！
- 步骤一：对于训练的每个弱分类器（weak learner），计算样本困难度。
- 首先初始化所有的样本困难度：
- 然后在前一个模型训练完成之后，更新所有样本的困难度。
- 特点一：所有样本的总困难度不变，和为1；更新后依旧和为1。
- 基于当前样本困难度，训练下一个 学习器（learner）
- 步骤二：当你全部跑完你的弱分类器之后，你需要把它们组合起来。那么每个分类器对于数据的分类总要有个权重吧！这一步就是需要去学习每个弱分类器的权重
- 步骤三：最后将所有的权重*输出，求和，得到最终的输出。
- adaboost的缺点：容易overfit；对于异常点过于敏感；模型的性能起点低；速度慢
5.3 异常数据——检测
- iForest 孤立森林算法的检测模型（已有）
提出ReMiss-iForest算法——
5.3 技术二：多重情景仿真技术
- 提出一种“中小河流垂直河道淹没算法”
- 基于UE4引擎的淹没可视化
注意：技术三杂糅在技术二中，是河道淹没可视化
6 平台集成与应用
- 平台采用Java、Spring Cloud、Docker等技术栈，构建了此平台。
7 结语
没提到未来的研究方向
参考视频：五分钟机器学习、刘二大人（b站up主）
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
