一种基于深度学习的特征提取水文预报的方法技术

本发明专利技术涉及水文预报技术领域，尤其为一种基于深度学习的特征提取水文预报的方法，包括以下步骤：S1，在服务器内构建水文特征提取卷积网络模型，通过网络收集洪水发生时的水文特征，并将收集到的水文特征组成训练集A，将训练集A送入水文特征提取卷积网络模型中，水文特征提取卷积网络模型对训练集进行处理，得到处理集B；S2，对处理集B进行归一化处理，得到归一数据集C，将归一数据集C送入判定函数内，得到判断值，将判断值与判断阈值进行对比，本发明专利技术可以有效解决现有的水位预报方法仍然存在着仍然存在的精度偏低、预见期不足、难以满足时代发展、社会进步所要求的越来越高的预报精度要求，而且极易造成数据资源浪费的问题。而且极易造成数据资源浪费的问题。

【技术实现步骤摘要】
一种基于深度学习的特征提取水文预报的方法


[0001]本专利技术涉及水文预报
，具体为一种基于深度学习的特征提取水文预报的方法。

技术介绍

[0002]水文预报既是水旱灾害防御的重要技术支撑，又是水库兴利调度和资源高效利用的重要手段，水文预报的相关模型和方法众多，大都能够反映水文学的一些基本规律，但由于人类对流域水文气象现象认识有限，自然界规律变化又错综复杂，传统模型和方法难以全面反映客观规律，例如统计类预报方法通常面临物理意义考虑不充分的问题，而陆气耦合类方法往往存在气象信息与水文模型空间尺度不匹配的矛盾。
[0003]现有的水位预报方法仍然存在着仍然存在精度偏低、预见期不足的问题，不仅难以满足时代发展、社会进步所要求的越来越高的预报精度要求，而且极易造成数据资源的浪费的问题。
[0004]因此，需要一种基于深度学习的特征提取水文预报的方法来解决上述
技术介绍
中提出的问题。

技术实现思路

[0005]本专利技术的目的在于提供一种基于深度学习的特征提取水文预报的方法，以解决上述
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：
[0007]一种基于深度学习的特征提取水文预报的方法，包括以下步骤：
[0008]S1，在服务器内构建水文特征提取卷积网络模型，通过网络收集洪水发生时的水文特征，并将收集到的水文特征组成训练集A，将训练集A送入水文特征提取卷积网络模型中，水文特征提取卷积网络模型对训练集进行处理，得到处理集B；
[0009]S2，对处理集B进行归一化处理，得到归一数据集C，将归一数据集C送入判定函数内，得到判断值，将判断值与判断阈值进行对比，若判断值大于判断阈值，则将训练集A重新送入水文特征提取卷积网络模型中，并更改水文特征提取卷积网络模型的处理参数，水文特征提取卷积网络模型对训练集A进行再一次处理，直到得到的判断值小于判断阈值，若判断值小于判断阈值，则保存此时水文特征提取卷积网络模型的处理参数；
[0010]S3，将当前的水文特征数据输入水文特征提取卷积网络模型中，水文特征提取卷曲网络模型对水文特征数据进行预测处理，得到水文预测结果。
[0011]作为本专利技术优选的方案，所述水文特征提取卷曲网络模型由六个卷积层、六个池化层以及两个处理预测层组成，六个池化层与六个卷积层一一对应，并处理对应卷积层输出的特征数据，两个处理预测层采用全连接，并接收池化层输入长度数据。
[0012]作为本专利技术优选的方案，所述S2中归一化处理的公式为：
其中V
′
为归一化后的数据，为处理集B中的数据平均值，E为归一函数，E＝∫V(1+K2)
r
，X为处理集B中的数据偏差值，Y为处理集B中的数据关联度，k1为第一比例系数，r为处理集B中的数据权重因子，k2为第二比例系数。
[0013]作为本专利技术优选的方案，所述S2中判断函数为其中S为判断值，N为归一数据集C中的数据数量。
[0014]作为本专利技术优选的方案，所述处理预测层在处理预测时使用的计算函数为：处理预测层用softmax函数表示最后分类层输出，其中X为上一层的输入数据，b为数据的偏置参数，w
i
为数据的权重，k为纠正参数。
[0015]作为本专利技术优选的方案，所述六个卷积层具体为两个含有20个4
×
4大小的卷积核且具有20个不同的特征映射的卷积层，两个含有20个8
×
8大小的卷积核且有20个不同的特征映射的卷积层以及两个含有64个9
×
9大小的卷积核且具有20个不同的特征映射的卷积层。
[0016]作为本专利技术优选的方案，所述S2中判断阈值的计算公式为其中I
k
为水文特征提取卷积网络模型的纠正参数，I
i
为处理集B中的数据。
[0017]与现有技术相比，本专利技术的有益效果是：
[0018]1、本专利技术中，通过在服务器内构建水文特征提取卷积网络模型，通过网络收集洪水发生时的水文特征，并将收集到的水文特征组成训练集A，将训练集A送入水文特征提取卷积网络模型中，水文特征提取卷积网络模型对训练集进行处理，得到处理集B，对处理集B进行归一化处理，得到归一数据集C，将归一数据集C送入判定函数内，得到判断值，将判断值与判断阈值进行对比，若判断值大于判断阈值，则将训练集A重新送入水文特征提取卷积网络模型中，并更改水文特征提取卷积网络模型的处理参数，水文特征提取卷积网络模型对训练集A进行再一次处理，直到得到的判断值小于判断阈值，若判断值小于判断阈值，则保存此时水文特征提取卷积网络模型的处理参数，将当前的水文特征数据输入水文特征提取卷积网络模型中，水文特征提取卷曲网络模型对水文特征数据进行预测处理，得到水文预测结果，采用深度学习算法实现特征因子训练和参数方案优选，能够更全面、更深入地利用历史信息，实现水文预报过程中输入和输出的直接匹配，从而获得更好的预报效果，即能够显著提高水文预报精度、有效延长水文预报预见期，更好地服务于全国各个流域水旱灾害防御工作。
具体实施方式
[0019]下面将结合本专利技术实施例，对本专利技术实施例中的技术方案进行清楚、完整地描述，
显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0020]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同，本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术，本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0021]实施例，本专利技术提供一种技术方案：
[0022]一种基于深度学习的特征提取水文预报的方法，包括以下步骤：
[0023]S1，在服务器内构建水文特征提取卷积网络模型，通过网络收集洪水发生时的水文特征，并将收集到的水文特征组成训练集A，将训练集A送入水文特征提取卷积网络模型中，水文特征提取卷积网络模型对训练集进行处理，得到处理集B；
[0024]S2，对处理集B进行归一化处理，得到归一数据集C，将归一数据集C送入判定函数内，得到判断值，将判断值与判断阈值进行对比，若判断值大于判断阈值，则将训练集A重新送入水文特征提取卷积网络模型中，并更改水文特征提取卷积网络模型的处理参数，水文特征提取卷积网络模型对训练集A进行再一次处理，直到得到的判断值小于判断阈值，若判断值小于判断阈值，则保存此时水文特征提取卷积网络模型的处理参数；
[0025]S3，将当前的水文特征数据输入水文特征提取卷积网络模型中，水文特征提取卷曲网络模型对水文特征数据进行预测处理，得到水文预测结果。
[0026]进一步的，所述水文特征提取卷曲网络模型由六个卷积层、六个池化层以及两个处理预测层组成，六本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的特征提取水文预报的方法，其特征在于，包括以下步骤：S1，在服务器内构建水文特征提取卷积网络模型，通过网络收集洪水发生时的水文特征，并将收集到的水文特征组成训练集A，将训练集A送入水文特征提取卷积网络模型中，水文特征提取卷积网络模型对训练集进行处理，得到处理集B；S2，对处理集B进行归一化处理，得到归一数据集C，将归一数据集C送入判定函数内，得到判断值，将判断值与判断阈值进行对比，若判断值大于判断阈值，则将训练集A重新送入水文特征提取卷积网络模型中，并更改水文特征提取卷积网络模型的处理参数，水文特征提取卷积网络模型对训练集A进行再一次处理，直到得到的判断值小于判断阈值，若判断值小于判断阈值，则保存此时水文特征提取卷积网络模型的处理参数；S3，将当前的水文特征数据输入水文特征提取卷积网络模型中，水文特征提取卷曲网络模型对水文特征数据进行预测处理，得到水文预测结果。2.根据权利要求1所述的一种基于深度学习的特征提取水文预报的方法，其特征在于：所述水文特征提取卷曲网络模型由六个卷积层、六个池化层以及两个处理预测层组成，六个池化层与六个卷积层一一对应，并处理对应卷积层输出的特征数据，两个处理预测层采用全连接，并接收池化层输入长度数据。3.根据权利要求1所述的一种基于深度学习的特征提取水文预报的方法，其特征在于：所述S2中归一化处理的公式为：,其中V
′
为归一化后的数据，为处理集B中的数据平均值...

【专利技术属性】
技术研发人员：王洁，梁峰铭，王丽荣，孙彤，葛慧，解文娟，
申请(专利权)人：河北省气象灾害防御和环境气象中心河北省预警信息发布中心，
类型：发明
国别省市：