李 俊(太原理工大學(xué)水利科學(xué)與工程學(xué)院，太原 030024)

水面蒸發(fā)作為水循環(huán)的一個(gè)重要環(huán)節(jié)，對(duì)水資源的合理開發(fā)、制定適當(dāng)?shù)墓喔戎贫绕鸬绞种匾挠绊慬1]，因此對(duì)水面蒸發(fā)量進(jìn)行預(yù)測能夠?yàn)檗r(nóng)業(yè)活動(dòng)的決策提供一定的依據(jù)。

現(xiàn)行預(yù)測水面蒸發(fā)量的方法有：多元線性回歸模型[2]、灰色預(yù)測模型[3]、RBF神經(jīng)網(wǎng)絡(luò)模型[4]、BP神經(jīng)網(wǎng)絡(luò)模型[5]等，水面蒸發(fā)量與各個(gè)因素之間存在著復(fù)雜的線性關(guān)系，所以使用多元線性回歸模型并不能很好地反映水面蒸發(fā)的這一特性，而灰色預(yù)測模型存在對(duì)背景值和初始值的規(guī)定是不盡合理的缺點(diǎn)[6]，為了達(dá)到相同的精度要求，RBF神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)結(jié)構(gòu)復(fù)雜過BP神經(jīng)網(wǎng)絡(luò)的，因此針對(duì)水面蒸發(fā)與預(yù)測因素之間存在非線性關(guān)系的特點(diǎn)，以及模型的簡潔性，本文使用BP神經(jīng)網(wǎng)絡(luò)來對(duì)水面蒸發(fā)進(jìn)行預(yù)測，同時(shí)為了改變以往使用BP神經(jīng)網(wǎng)絡(luò)預(yù)測水面蒸發(fā)的過程中沒有對(duì)指標(biāo)進(jìn)行篩選，造成模型結(jié)構(gòu)不必要的擴(kuò)展，降低模型工作效率，因此本文使用灰色關(guān)聯(lián)理論對(duì)指標(biāo)進(jìn)行初步篩選，去除一些與水面蒸發(fā)相關(guān)性相對(duì)較弱的指標(biāo)，從而減少預(yù)測模型的輸入，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)。以往使用灰色關(guān)系法進(jìn)行指標(biāo)篩選時(shí)，只是主觀的確定一個(gè)關(guān)聯(lián)度閥值來對(duì)指標(biāo)進(jìn)行篩選，但并未對(duì)篩選后指標(biāo)的合理性進(jìn)行分析[7]，存在很大的主觀性，因此本文使用方差來代表指標(biāo)的信息[8]，對(duì)海選指標(biāo)與篩選后的指標(biāo)的信息進(jìn)行比較，從而得出篩選后的指標(biāo)的信息持有度(簡稱此法為指標(biāo)信息評(píng)價(jià)法)，以此來對(duì)指標(biāo)的合理性進(jìn)行分析。

本文稱結(jié)合灰色關(guān)聯(lián)法、指標(biāo)信息評(píng)價(jià)法與BP神經(jīng)網(wǎng)絡(luò)的方法為改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)法，以太原地區(qū)的水面蒸發(fā)預(yù)測為例進(jìn)行預(yù)測演算，并對(duì)預(yù)測模型的合理性進(jìn)行分析，以期驗(yàn)證預(yù)測模型的合理性，為水面蒸發(fā)的預(yù)測提供參考。

1 模型介紹

按照上文的內(nèi)容，本文按照灰色關(guān)聯(lián)法、指標(biāo)信息評(píng)價(jià)法與BP神經(jīng)網(wǎng)絡(luò)3個(gè)部分來對(duì)改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行介紹。

1.1 灰色關(guān)聯(lián)法

灰色關(guān)聯(lián)度可以表示2個(gè)指標(biāo)之間的密切程度[9]，因此計(jì)算各個(gè)預(yù)測因子與被預(yù)測因子之間的關(guān)聯(lián)度，從而得出各個(gè)預(yù)測因子與被預(yù)測因子的密切程度。

設(shè)有n-1個(gè)預(yù)測因子，1個(gè)預(yù)測因子，共有m組數(shù)據(jù)，得到以下矩陣樣本：

(1)

式中：xi，j為第i組的第j個(gè)指標(biāo)值(1≤j≤n-1)；xi，n為第i組的預(yù)測值。

對(duì)預(yù)測因子與被預(yù)測因子標(biāo)準(zhǔn)化，以避免指標(biāo)量綱的影響，按下式計(jì)算：

(2)

式中：yij為標(biāo)準(zhǔn)化后的指標(biāo)值。

使用式(2)對(duì)式(1)中的每一個(gè)指標(biāo)值進(jìn)行標(biāo)準(zhǔn)化轉(zhuǎn)換后，可以得到以下矩陣：

(3)

通過式(4)求每一個(gè)預(yù)測因子與被預(yù)測因子對(duì)應(yīng)預(yù)測因子的關(guān)聯(lián)度。

(4)

式中：k(ij)為預(yù)測因子yij與被預(yù)測因子yin對(duì)應(yīng)指標(biāo)的關(guān)聯(lián)度；λ一般取0.5。

接著使用式(5)求每個(gè)預(yù)測因子與被預(yù)測指標(biāo)的關(guān)聯(lián)度。

(5)

根據(jù)各個(gè)預(yù)測因子的關(guān)聯(lián)度來進(jìn)行排序(聯(lián)系度越大，聯(lián)系越密切)。

1.2 指標(biāo)信息評(píng)價(jià)法

變異系數(shù)法中提出使用方差大小來表示指標(biāo)攜帶信息的多少，從而對(duì)指標(biāo)進(jìn)行賦權(quán)[10]。同樣的，可以使用方差的大小來評(píng)定篩選后的指標(biāo)是否發(fā)生信息丟失，從而對(duì)指標(biāo)的合理性進(jìn)行評(píng)價(jià)。具體方法如下。

根據(jù)式(5)計(jì)算得到的每個(gè)指標(biāo)與被預(yù)測指標(biāo)的關(guān)聯(lián)度，從高到低對(duì)各個(gè)預(yù)測因子進(jìn)行排列，從而得到以下樣本矩陣[按照關(guān)聯(lián)度高低把矩陣式(3)前n-1列從左到右排列，最后一列為被預(yù)測因子與矩陣式(3)最后一列相同]。

(6)

式中：za，b為第a組的第b個(gè)指標(biāo)值(1≤a≤n-1)；yi，n為第i組的預(yù)測值。

使用預(yù)測因子的信息持有度Rb來表示篩選出的b個(gè)預(yù)測因子所持有的信息占原預(yù)測因子信息的百分比，由此敘述可得以下公式。

Rb=(Sb/Sn-1)×100%

(7)

式中：Sb與Sn-1與分別為矩陣式(6)中前b個(gè)預(yù)測因子的方差、矩陣式(6)中前n-1個(gè)預(yù)測因子的方差。

不斷地對(duì)b進(jìn)行取值進(jìn)行試算，當(dāng)Rb大于M時(shí)，對(duì)應(yīng)最小的b即是最優(yōu)預(yù)測因子個(gè)數(shù)，前b個(gè)預(yù)測因子為最優(yōu)預(yù)測因子。在主成分分析理論中，通常保留累計(jì)方差貢獻(xiàn)率達(dá)到70%～90% 的信息含量較大的主成分，表示全部原始指標(biāo)信息的絕大多數(shù)得到了反映[11]，借助此思想，且為保險(xiǎn)起見，M取90%。

1.3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)[12]。同時(shí)其能夠反映被預(yù)測因子與預(yù)測因子之間的非線性關(guān)系，適合用于水面蒸發(fā)預(yù)測。

BP神經(jīng)網(wǎng)絡(luò)的工作示意圖見圖1。從左到右的三列圓圈分別表示輸入層、隱含層、輸出層，分別說明如下。

圖1 BP神經(jīng)網(wǎng)絡(luò)工作示意圖Fig.1 Schematic diagram of BP neural network

輸入層：在本文中輸入層一般為預(yù)測因子，輸入層節(jié)點(diǎn)的個(gè)數(shù)也和最優(yōu)預(yù)測因子個(gè)數(shù)相等。

隱含層：對(duì)以隱含層的節(jié)點(diǎn)數(shù)目前沒有統(tǒng)一的確定方法，一般取為輸入層節(jié)點(diǎn)數(shù)的75%[13]，按照這個(gè)比例選取幾個(gè)可能的節(jié)點(diǎn)數(shù)進(jìn)行試驗(yàn)，最終確定最優(yōu)隱含層的節(jié)點(diǎn)數(shù)。

輸出層：輸出層節(jié)點(diǎn)的個(gè)數(shù)和被預(yù)測因子個(gè)數(shù)相等，在本文中等于1。

在確定以上結(jié)構(gòu)后，編寫程序，在Matlab R2013a中進(jìn)行運(yùn)算。

1.4 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型

綜合以上3部分，對(duì)改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型的演算流程進(jìn)行介紹，具體如下。

(1)使用灰色關(guān)聯(lián)法分別計(jì)算各個(gè)海選預(yù)測因子與被預(yù)測因子的關(guān)聯(lián)度，并按照關(guān)聯(lián)度大小從左到右對(duì)海選預(yù)測因子進(jìn)行排列。

(2)使用指標(biāo)信息評(píng)價(jià)法判定出最優(yōu)預(yù)測因子組合。

(3)根據(jù)最優(yōu)預(yù)測因子組合、BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)與水面蒸發(fā)預(yù)測的特點(diǎn)定出BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，使用Matlab R2013a編程實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)算法。

(4)對(duì)結(jié)果進(jìn)行合理性分析。

2 實(shí)例演示

本文選取太原地區(qū)為研究區(qū)域，收集2008年10月1日至2009年4月30日的逐日的平均氣壓、日最高氣壓、日最低氣壓、日最高氣溫、平均風(fēng)速、最大風(fēng)速、極大風(fēng)速、日照時(shí)數(shù)、蒸發(fā)量作為基礎(chǔ)資料，其中選取平均氣壓、日最高氣壓、日最低氣壓、日最高氣溫、平均風(fēng)速、最大風(fēng)速、極大風(fēng)速、日照時(shí)數(shù)為海選預(yù)測因子，蒸發(fā)量作為被預(yù)測因子。

由以上說明可知，在矩陣式(1)、式(3)、式(6)中m和n的取值分別為212、9。同時(shí)選擇2008-10-01-2009-03-31的數(shù)據(jù)作為訓(xùn)練指標(biāo)，而2009-04-01-2009-04-30的數(shù)據(jù)作為檢驗(yàn)指標(biāo)。具體數(shù)據(jù)見表1(應(yīng)該展示的數(shù)據(jù)為2008年10月至2009年4月7個(gè)月的數(shù)據(jù)，但限于篇幅只是展示了2008年10月這一整個(gè)月的數(shù)據(jù))。

表1 示例數(shù)據(jù)表(2008年10月)Tab.1 Sample data sheet(2008.10)

注：表1中,使用了國際單位的表示方法，但在后文的計(jì)算中為了和收集的數(shù)據(jù)一致，所以后文的數(shù)據(jù)依然以使用原數(shù)據(jù)的單位表示，即平均氣壓、日最高氣壓、日最低氣壓、日最高氣溫、平均風(fēng)速、最大風(fēng)速、極大風(fēng)速、日照時(shí)數(shù)、蒸發(fā)量的單位分別為：0.1 hPa、0.1 hPa、0.1 hPa、0.1 ℃、0.1 m/s、0.1 m/s、0.1 m/s、0.1 h、0.1 mm。

根據(jù)式(2)對(duì)表1的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，使用式(4)和式(5)計(jì)算各個(gè)預(yù)測因子與被預(yù)測因子的關(guān)聯(lián)度，結(jié)果見表2。

選取不同的b值帶入公式(7)進(jìn)行試算，各個(gè)b值對(duì)應(yīng)的信息持有度見表3。

表2 預(yù)測因子關(guān)聯(lián)度表Tab.2 Predictive factor correlation degree

表3 b值與Rb對(duì)應(yīng)關(guān)系表Tab.3 Relationship between b and Rb

由表3可知Rb大于90%時(shí)，最小的b值為5，故最優(yōu)預(yù)測因子為日最高氣溫、日照時(shí)數(shù)、極大風(fēng)速、平均風(fēng)速、最大風(fēng)速。

由以上可得，在BP神經(jīng)網(wǎng)絡(luò)中輸入層的節(jié)點(diǎn)數(shù)為5，經(jīng)過對(duì)可能隱含層節(jié)點(diǎn)數(shù)的試驗(yàn)，得出隱含層節(jié)點(diǎn)數(shù)為4，輸出層節(jié)點(diǎn)數(shù)為1，所以BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為5-4-1。

以日最高氣溫、日照時(shí)數(shù)、極大風(fēng)速、平均風(fēng)速、最大風(fēng)速為預(yù)測因子，蒸發(fā)量為被預(yù)測因子。

同時(shí)選擇2008-10-01-2009-03-31的數(shù)據(jù)作為訓(xùn)練指標(biāo)，而2009-04-01-2009-04-30的數(shù)據(jù)作為檢驗(yàn)指標(biāo)。使用Matlab R2013a編程實(shí)現(xiàn)模型算法。檢驗(yàn)結(jié)果見表4。

表4 檢查結(jié)果表(2009年4月)Tab.4 Result of checking(2009-04)

如果相對(duì)誤差絕對(duì)值小于20%算作合格的話[2]，合格率等于(21/30)×100%=70%。

3 結(jié) 語

本文以太原地區(qū)的水面蒸發(fā)預(yù)測為例，使用結(jié)合灰色關(guān)聯(lián)法、指標(biāo)信息評(píng)價(jià)法與BP神經(jīng)網(wǎng)絡(luò)法的改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)法對(duì)該研究區(qū)的水面蒸發(fā)進(jìn)行預(yù)測，最后得出該模型的預(yù)報(bào)的合格率為70%。

灰色關(guān)聯(lián)法可以計(jì)算各個(gè)預(yù)測因子與被預(yù)測因子的關(guān)聯(lián)度，可以為指標(biāo)的篩選作準(zhǔn)備，同時(shí)使用指標(biāo)信息評(píng)價(jià)法可以避免人為主觀確定關(guān)聯(lián)度閾值來選定最優(yōu)最優(yōu)預(yù)測因子的缺點(diǎn)，通過灰色關(guān)聯(lián)法與指標(biāo)信息評(píng)價(jià)法來對(duì)指標(biāo)進(jìn)行篩選，可以減少BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)，優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，提高預(yù)測效率。

綜上可以得出該模型對(duì)于水面蒸發(fā)的預(yù)測具有一定適用性。

[1] 徐繼紅.干旱區(qū)影響水面蒸發(fā)的氣象因素多元回歸分析[J].水利規(guī)劃與設(shè)計(jì),2016,(9)：62-64.

[2] 魏光輝,董新光,楊鵬年,等.基于灰色關(guān)聯(lián)分析與多元線性回歸模型的水面蒸發(fā)預(yù)測[J].節(jié)水灌溉,2012,(2)：41-44.

[3] 石麗忠,陳金良,遲道才,等.關(guān)于遼陽市水面蒸發(fā)量灰色預(yù)測模型的研究[J].節(jié)水灌溉,2007,(8)：37-39.

[4] 魏光輝,馬 亮.基于灰色關(guān)聯(lián)分析與RBF神經(jīng)網(wǎng)絡(luò)的水面蒸發(fā)量預(yù)測[J].干旱氣象,2009,27(1)：73-77.

[5] 劉彩紅,馮宗友.基于BP神經(jīng)網(wǎng)絡(luò)的新疆平原地區(qū)水面蒸發(fā)量預(yù)測模型研究[J].重慶工學(xué)院學(xué)報(bào)(自然科學(xué)版),2007,21 (6)：87-89.

[6] 楊華龍,劉金霞,鄭 斌.灰色預(yù)測GM(1,1)模型的改進(jìn)及應(yīng)用[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2011,41 (23)：39-46.

[7] 薛 楠,鄔貽萍,鄶 晶.灰色關(guān)聯(lián)度在單病種質(zhì)控指標(biāo)篩選中的應(yīng)用[J].中國衛(wèi)生統(tǒng)計(jì),1999,16 (3)：181-182.

[8] 顧在浜,石寶峰,遲國泰.基于聚類—灰色關(guān)聯(lián)分析的綠色產(chǎn)業(yè)評(píng)價(jià)指標(biāo)體系構(gòu)建[J].資源開發(fā)與市場,2013,29(4)：350-354.

[9] 劉 博,肖長來,田浩然,等.灰色關(guān)聯(lián)和層次分析法在地下水質(zhì)評(píng)價(jià)中的應(yīng)用----以吉林市為例[J].節(jié)水灌溉,2013,(1)：26-29.

[10] 張小泓. 基于變異系數(shù)法的灰色關(guān)聯(lián)模型在節(jié)水灌溉工程投標(biāo)方案優(yōu)選中的應(yīng)用[J].節(jié)水灌溉,2009,(8)：54-56.

[11] 汪冬華.多元統(tǒng)計(jì)分析與SPSS 應(yīng)用[M]．上海：華東理工大學(xué)出版社，2010:192-215.

[12] 于 濤. BP網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)率算法分析[D].大連：大連理工大學(xué)，2011：1-2.

[13] 唐啟義,馮明光. DPS數(shù)據(jù)處理系統(tǒng)[M]．北京：科學(xué)出版社，2006:933-934.