(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 202210964513.9 (22)申请日 2022.08.11 (71)申请人 河海大学 地址 211100 江苏省南京市江宁区佛城西 路8号 (72)发明人 万定生　张婧玉　余宇峰　 (51)Int.Cl. G06F 16/2458(2019.01) G06K 9/62(2022.01) G06Q 50/26(2012.01) (54)发明名称 一种基于极值点划分和L-K模式距离的降雨 过程相似性搜索方法及系统 (57)摘要 本发明提出了一种基于极值点划分和L ‑K模 式距离的降雨过程相似性搜索方法及系统， 属于 水文水资源与数据挖掘技术交叉领域。 首先根据 最小降雨间隔时间将雨量序列划分为多个单场 降雨序列， 然后依据滑动窗口的思想确定序列中 的重要极值点， 得到L ‑K模式序列； 定义 分段距离 以及L‑K模式距离， 基于此构建距离累积矩阵计 算单场降雨间的相似距离； 采用基于DTW距离指 标的聚类算法对 单场降雨序列进行聚类， 并根据 聚类结果标记每场降雨， 将雨量站的降雨序列转 换为模式序列， 最后基于分类距离计算雨量站点 间的相似距离。 本发明方法从单场降雨角度出 发， 更细粒度地分析降雨过程信息， 定义序列重 要极值点和L ‑K模式距离， 提供了一种降雨过程 相似性搜索方法及系统。 权利要求书4页 说明书9页 附图3页 CN 115309805 A 2022.11.08 CN 115309805 A 1.一种基于极值点划分和L ‑K模式距离的降雨过程相似性搜索方法及系统， 其特征在 于， 包括如下步骤： 步骤1： 从单个雨量站点一段时期的历史雨量数据中， 根据最小降雨间隔时间(T)将雨 量序列划分为 N个单场降雨序列； 步骤2： 对单场降雨的总雨 量进行统计分析， 删除无效降雨数据； 步骤3： 依据滑动窗口 的思想确定单场降雨时间序列中的重要极值 点； 步骤4： 根据重要极值点对单场降雨时间序列进行分段， 提取分段特征， 得到L ‑K模式序 列； 步骤5： 定义分段距离以及L ‑K模式距离， 并基于此构建距离累积矩阵计算单场降雨间 的相似距离 。 步骤6： 采用改进的K ‑means算法对待比较的两个雨 量站的所有降雨序列进行聚类。 步骤7： 根据聚类结果标记每场降雨， 将雨量站的降雨序列转换为模式序列， 最后基于 分类距离计算 雨量站点间的相似距离 。 2.根据权利要求1所述的基于极值点划分和L ‑K模式距离的降雨过程相似性搜索方法 及系统， 其特征在于： 所述步骤1中的最小降雨间隔时间(T)并没有统一的规定， 并且不同的 最小降雨间隔时间会产生不同的划分结果。 假设最小降雨间隔时间取T， 对历史雨量序列从 前向后扫描， 第一个非0值则记录为单场降雨的开始， 若扫描到连续T个0， 则扫描 结束， 认为 连续T个0之前的序列为 一次独立的降雨过程， 即单场降雨序列。 3.根据权利要求1所述的基于极值点划分和L ‑K模式距离的降雨过程相似性搜索方法 及系统， 其特征在于： 所述步骤2中的无效降雨的定义是指单场降雨量≤2mm的降雨为无效 降雨(一般不产生径流)， 降雨 量＞2mm的降雨为有效降雨。 4.根据权利要求1所述的基于极值点划分和L ‑K模式距离的降雨过程相似性搜索方法 及系统， 其特 征在于： 所述 步骤3中的确定 重要极值 点具体包括如下步骤： 步骤31： 设单场降雨时间序列为X＝<x1， x2， ...， xn>， 且序列长度为n。 设w是用户指定的 窗口大小。 例如w＝3， 则表示在数据点前三个和后三个点的范围内进行计算， 也就是(xi‑3， xi‑2， xi‑1， xi， xi+1， xi+2， xi+3)。 步骤32： 根据单场降雨序列X＝<x1， x2， ...， xn>生成一个等长的0 ‑1模式序列。 算法如 下： 窗口中心从x1滑动到xn， 如果xi是窗口内 的最大值则 记为1， 如果xi是窗口内的最小值则 记为‑1， 否则记为0 。 步骤33： 根据0 ‑1模式序列来确定重要极值点。 首先， 序列的起始点和终止点是重要极 值点； 其次， 0 ‑1模式中所有不连续的1和 ‑1都是重要极值点； 连续的1和连续的 ‑1只记录首 尾为重要极值 点。 5.根据权利要求1所述的基于极值点划分和L ‑K模式距离的降雨过程相似性搜索方法 及系统， 其特征在于： 所述步骤4中的根据重要极值点对单场降雨时间序列进行分段， 具体 包括如下步骤： 步骤41： 根据重要极值点对序列分段。 也就是说， 将单场降雨时间序列X＝<x1， x2， ...， xn>表示为单场降雨分段序列， 即X ’＝<(x1， xa， ta)， (xa， xb， tb)， ...， (xm， xn， tn)>。 以(xa， xb， tb)为例， xa表示这一段的起始数据点， xb表示这一段的终止数据点， tb表示这 一段的结束时刻。权　利　要　求　书 1/4 页 2 CN 115309805 A 2步骤42： 提取每一分段的线段长度和线段斜率作为特征， 将单场降雨分段序列表示为 L‑K模式序列。 以(xa， xb， tb)为例， 其线段长度是tb‑ta， 线段斜率是 用l表示线段长度， 用k表示线 段斜率， (xa， xb， tb)就可以表示 为(la， lb)。 例如， 设单场降雨时间序列[1.5， 1， 0.5， 0.5， 1， 3.5， 6.5， 0.5， 0]， 序列长度为9， 下标范 围0‑8。 取w＝3， 得到0 ‑1模式序列为[1， 0， ‑1，‑1， 0， 0， 1， 0， ‑1]， 因此重要极值点的下标是0， 2， 3， 6， 8； 根据重要极值点对序列进行划分， 得到单场降雨分段序列[(1.5， 0.5， 2)， (0.5， 0.5， 3)， (0.5， 6.5， 6)， (6.5， 0， 8)]； 提取分段长度和斜率， 得到L ‑K模式序列 [(2，‑0.5)， (1， 0)， (3， 2)， (2， ‑3.25)]。 6.根据权利要求1所述的基于极值点划分和L ‑K模式距离的降雨过程相似性搜索方法 及系统， 其特 征在于： 所述 步骤5中的分段距离， 定义如下： 以分段(2， ‑0， 5)， (1， ‑3)为例， 计算 这两个分段之间的分段距离： 计算得到， 分段(2， ‑0， 5)， (1， ‑3)之间的分段距离为6 。 7.根据权利要求1所述的基于极值点划分和L ‑K模式距离的降雨过程相似性搜索方法 及系统， 其特征在于： 所述步骤5中的基于 分段距离构建累积矩阵计算单场降雨间的相似距 离， 具体步骤如下： 步骤51： 设序列a长度为m， 序列b长度为n， 距离累积矩阵大小为m ×n， 记为dp[m][n]。 采 用分段距离计算两 两分段的相似距离， 函数记作LKmode()。 步骤52： 根据下面的公式计算距离累积矩阵。 距离累积矩阵的dp[ ‑1][‑1]就代表两条 时间序列间 的L‑K模式距离。 距离越小， 序列间 相似度越高。 8.根据权利要求1所述的基于极值点划分和L ‑K模式距离的降雨过程相似性搜索方法 及系统， 其特征在于： 所述步骤6中的采用改进的K ‑means算法对 所有单场降雨进行聚类， 具 体步骤如下： 步骤61： 指定聚类类别数K的初始值为MinK， MinK为2到10之间 的自然数； 指定聚类类别 数K的阈值为MaxK， MaxK为15 到30之间的自然数； 步骤62： 判断K是否小于等于预设的阈值MaxK， 如果是， 则随机从样本数据中取K个样本 点作为初始聚类中心， 转向步骤6 3， 否则转向步骤67； 这里的样本数据指的是， 对两个待比较的雨量站的历史雨量数据进行步骤1到步骤4的 处理， 得到C个单场降雨的L ‑K模式序列。 雨量站1划分出N个单场降雨， 雨量站2划分出M个单 场降雨， 即C＝ N+M， 每一个样本数据就是 单场降雨的L ‑K模式序列。 步骤63： 分别计算各个样本点到各聚类 中心的距离， 计算距离时采用步骤5中所述的L ‑权　利　要　求　书 2/4 页 3 CN 115309805 A 3