基于深度学习网状流域淹没模型的水位预测方法技术

本发明专利技术涉及一种基于深度学习网状流域淹没模型的水位预测方法，包括以下步骤：步骤S1:获取流域内每个测点的雨水情数据，并预处理；步骤S2:对预处理后的雨水情数据，进行特征提取和叠加操作；步骤S3:根据提取、叠加后的特征，基于LSTM模型进行训练拟合；步骤S4:使用PSO搜索步骤S3训练后LSTM模型的最优参数,得到基于深度学习网状流域淹没模型；步骤S5:基于深度学习网状流域淹没模型，进行流域水位预测。本发明专利技术可以实现不同测点监测数据的继承，有效避免重复计算导致的算力资源浪费，提高预测效率。测效率。测效率。

【技术实现步骤摘要】
基于深度学习网状流域淹没模型的水位预测方法


[0001]本专利技术涉及水位预测领域，具体涉及一种基于深度学习网状流域淹没模型的水位预测方法。

技术介绍

[0002][0003]随着人工智能技术的快速发展，以及流域雨水情监测体系的逐步覆盖，运用机器学习进行河流水位预测，已被应用于有洪水风险的河流的防洪预警系统中。
[0004]流域淹没模型，围绕着流域多个测点的水位预测进行，传统方法针对每个水位预测点单独建立模型，每个模型运用流域数据中与该水位预测点的相关数据进行训练拟合，因此，该技术方案有三个缺点：
[0005]1.模型数量过多。模型数量等于预测点数量，当预测点较多时，模型训练和部署工作量高，运维成本大，该问题在中大型流域中普遍存在；
[0006]2.重复的特征提取造成算力资源浪费。在不同测点的水位预测模型中，特征重复出现的频率极高，每个模型会分别对这些重复特征进行提取，重复提取极大的造成了算力的浪费。
[0007]3.特别对于前期数据量比较少，后期模型需要不断迭代的情况，运维成本高，将造成很大的迭代成本。

技术实现思路

[0008]有鉴于此，本专利技术的目的在于提供一种基于深度学习网状流域淹没模型的水位预测方法，可以实现不同测点监测数据的继承，有效避免重复计算导致的算力资源浪费，提高预测效率。
[0009]为实现上述目的，本专利技术采用如下技术方案：
[0010]一种基于深度学习网状流域淹没模型的水位预测方法，包括以下步骤：
[0011]步骤S1:获取流域内每个测点的雨水情数据，并预处理；
[0012]步骤S2:对预处理后的雨水情数据，进行特征提取和叠加操作；
[0013]步骤S3:根据提取、叠加后的特征，基于LSTM模型进行训练拟合，；
[0014]步骤S4:使用PSO搜索步骤S3训练后LSTM模型的最优参数, 得到基于深度学习网状流域淹没模型；
[0015]步骤S5:基于深度学习网状流域淹没模型，进行流域水位预测。
[0016]进一步的，所述步骤S1，具体为：
[0017]步骤S11:获取流域内每个测点的雨水情数据,并将雨水情数据归约到同一精度，然后将采集时间作为关键字进行数据的连接；
[0018]步骤S12:连接完成的数据按采集时间进行排序。
[0019]进一步的，所述雨水情数据包括的雨量、水位数据，水库测点则额外包含泄洪量数
据。
[0020]进一步的，所述步骤S2具体为：
[0021]步骤S21:选取流域上游测点的数据作为初始输入，使用conv1D 对输入进行卷积，提取输入层的信息，再使用全连接层将卷积层输出映射到更高维的空间，该全连接层有两个输出方向：一个向下输入到模型中进行训练,另一个横向叠加给下一个输入；
[0022]步骤S22:按照流域空间上下游关系逐步输入测点数据，每次输入一个测点的雨量、水位数据，同步骤S21使用conv1D提取输入信息，经过全连接层映射到高维空间，全连接层计算公式如下：
[0023][0024]其中，D
j
为第j个输出，f(x)为激活函数，W
ji
为第j个输出的第 i个输入权值参数，ε
j
为第j个输出的偏置参数，n为输入的总数；
[0025]使用merge层合并上一个测点的全连接层输出，merge层的输出仍为两个方向：一个输入到LSTM层中获取长短时信息,另一个叠加给下一个输入；特征叠加过程如下：
[0026][0027]式中，分别为输入的X
i
，G
i
数据集进行卷积后全连接数据矩阵向量，其中为传感器新增特征或数据进行卷积全连接后的数据矩阵向量。
[0028]进一步的，所述LSTM模型采用MSE构造为损失函数，当预测点个数大于1时，水位预测模型的MSE有多组，取多组MSE的均值作为目标函数，或根据预测点的重要度进行评价指标的权重分配，权重构造方式如公式所示：
[0029][0030]式中，w
i
为每个模型的MSE的权重，MSE
i
,分别为第i个模型的MSE和所有模型MSE的加权平均数。
[0031]进一步的，待优化的参数包括窗口宽度、LSTM层神经元个数、 Dropout率，学习率和batchsize五个超参数。
[0032]进一步的，所述步骤S4具体为：
[0033]使用粒子群优化算法对这五个超参数进行寻优，其中，每增加一个水位预测点，LSTM层与Dropout层个数将分别+1，所以最终模型寻优的超参数个数为3+2n个，其中n为水位预测点个数；
[0034]将MSE构造为PSO的目标函数，当预测点个数大于1时，水位预测模型的MSE有多组，取多组MSE的均值作为目标函数，或根据预测点的重要度进行评价指标的权重分配，权重构造方式及其在粒子群中的迭代方式如公式所示：
[0035][0036]式中，W(X)为PSO寻参的最佳模型超参数组合，其中寻优超参数包括每个模型的窗
口宽度、LSTM层神经元个数、Dropout率，学习率、batchsize五个超参数，w
i
为每个模型的MSE的权重，MSE
i
为第 i个模型的MSE；
[0037]根据粒子群寻到的最优参数组合，得到基于深度学习网状流域淹没模型。
[0038]本专利技术与现有技术相比具有以下有益效果：
[0039]1、本专利技术可以仅使用一个模型完成整个流域所有水位预测，能够极大的减小模型部署的工作量；
[0040]2、本专利技术可以实现不同测点监测数据的继承，有效避免重复计算导致的算力资源浪费，有效避免重复计算导致的算力资源浪费，提高预测效率；
[0041]3、本专利技术可以应用于建立复杂流域监测模型。
附图说明
[0042]图1是本专利技术一实施例中模型训练过程示意图；
[0043]图2是本专利技术一实施例中数据的提取、叠加过程示意图；
[0044]图3是本专利技术一实施例中训练拟合过程示意图；
[0045]图4是本专利技术一实施例中PSO流程图；
[0046]图5是本专利技术一实施例方法示意图；
[0047]图6是本专利技术一实施例复杂流域示意图；
[0048]图7是本专利技术一实施例流域淹没模型。
具体实施方式
[0049]下面结合附图及实施例对本专利技术做进一步说明。
[0050]请参照图1
‑
7，本专利技术提供一种基于深度学习网状流域淹没模型的水位预测方法，包括以下步骤：
[0051]步骤S1:获取流域内每个测点的雨水情数据，并预处理；
[0052]步骤S2:对预处理后的雨水情数据，进行特征提取和叠加操作；
[0053]步骤S3:根据提取、叠加后的特征，基于LSTM模型进行训练拟合，；
[0054]步骤S4:使用PSO搜索步骤S3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习网状流域淹没模型的水位预测方法，其特征在于，包括以下步骤：步骤S1:获取流域内每个测点的雨水情数据，并预处理；步骤S2:对预处理后的雨水情数据，进行特征提取和叠加操作；步骤S3:根据提取、叠加后的特征，基于LSTM模型进行训练拟合，；步骤S4:使用PSO搜索步骤S3训练后LSTM模型的最优参数,得到基于深度学习网状流域淹没模型；步骤S5:基于深度学习网状流域淹没模型，进行流域水位预测。2.根据权利要求1所述的基于深度学习网状流域淹没模型的水位预测方法，其特征在于，所述步骤S1，具体为：步骤S11:获取流域内每个测点的雨水情数据,并将雨水情数据归约到同一精度，然后将采集时间作为关键字进行数据的连接；步骤S12:连接完成的数据按采集时间进行排序。3.根据权利要求1所述的基于深度学习网状流域淹没模型的水位预测方法，其特征在于，所述雨水情数据包括的雨量、水位数据，水库测点则额外包含泄洪量数据。4.根据权利要求1所述的基于深度学习网状流域淹没模型的水位预测方法，其特征在于，所述步骤S2具体为：步骤S21:选取流域上游测点的数据作为初始输入，使用conv1D对输入进行卷积，提取输入层的信息，再使用全连接层将卷积层输出映射到更高维的空间，该全连接层有两个输出方向：一个向下输入到模型中进行训练,另一个横向叠加给下一个输入；步骤S22:按照流域空间上下游关系逐步输入测点数据，每次输入一个测点的雨量、水位数据，同步骤S21使用conv1D提取输入信息，经过全连接层映射到高维空间，全连接层计算公式如下：其中，D
j
为第j个输出，f(x)为激活函数，W
ji
为第j个输出的第i个输入权值参数，ε
j
为第j个输出的偏置参数，n为输入的总数；使用merge层合并上一个测点的全连接层输出，merge层的输出仍为两个方向：一个输入到LSTM层中获取长短时信息,另一个叠加给下一个输...

【专利技术属性】
技术研发人员：马森标，黄正鹏，徐飞，陈友武，黄祖海，
申请(专利权)人：福建中锐网络股份有限公司，
类型：发明
国别省市：