【技术实现步骤摘要】
本专利技术涉及土木工程、水利工程灾害防治研究领域，特别是涉及一种基于深度学习进行地下水位预测的方法，具体为一种基于卷积注意力长短期神经网络的地下水位多步预测方法。
技术介绍
1、地下水是影响地下工程安全的重要因素，地下水可能导致多种工程灾害，如：土壤液化，地下隧道、管道以及其他地下设施的沉降或进水。此外，地下水也可能诱发滑坡、塌陷等地质灾害。因此，准确预测地下水位变化能更好地预防和管理潜在的工程灾害。
2、传统的地下水位预测方法通常依赖于统计学模型或物理模型，这些方法在一定程度上受到数据质量和模型复杂性的限制，预测精度不能适应复杂的工程环境。
3、随着深度学习技术的发展，尤其是卷积神经网络（cnn）和长短期记忆网络（lstm）等神经网络结构的兴起，已经出现了一些新的方法来解决地下水位预测问题。这些方法利用神经网络自动捕捉数据中的时序模式和特征提取，已经在一些地下水位预测任务中表现出良好的性能。
4、然而，地下水位数据受到气象、地质、水文等多种因素影响，水位数据具有高度的多样性和复杂性，地下水位的多步预测仍然具有挑战性。地下水位数据通常具有长期依赖性，因此需要考虑未来长时的预测，这增加了地下水位预测的难度。地下水位数据还可能受到缺失、噪声或异常值的影响，需要有效的数据处理方法。由于地下水位的准确预测对于工程安全至关重要，因此需要更有效、准确和稳定的地下水位预测方法来提高预测准确性，以满足工程灾害预防的需求。
技术实现思路
1、针对现有技术的不足，本
2、为实现以上目的，本专利技术通过以下技术方案予以实现：
3、本专利技术提供一种基于卷积注意力长短期神经网络的地下水位多步预测方法，包括如下步骤：s10，获取地下水位相关的监测数据，得到多特征监测时序数据；s20，基于多特征监测时序数据，构建多特征监测数据样本张量；s30，建立卷积注意力长短期神经网络模型；s40，基于多特征监测数据样本张量，训练卷积注意力长短期神经网络模型，获得最优模型；s50，将用于预测的监测数据代入最优模型，经模型计算输出多步预测数据。
4、作为一种较佳实施方式，步骤s10中，所述监测数据是按照时序采集的多传感器数据，包括：地下水水位高度、降雨量、温度传感器数据、当地水库排水量、当地河流水位高度。
5、作为一种较佳实施方式，步骤s20中，所述构建多特征监测数据样本张量包括：
6、s201，对多特征监测时序数据进行预处理，将空缺数据填充，并删除异常数据；
7、s202，将多特征监测时序数据组成多特征监测时序数据矩阵x*，其中每一行代表一个时序样本，每列代表不同的特征；
8、s203，将多特征监测时序数据矩阵x*的每列数据x*i进行归一化转换，得到归一化样本矩阵x；
9、s204，对监测时间数据进行处理，将日期转换为时间戳，并将时间戳并入归一化样本矩阵x作为矩阵的一列；
10、s205，将归一化样本矩阵x按照行数分为训练集、验证集和测试集；
11、s206，将训练集、验证集和测试集矩阵分别分割为成三个三维张量x_train、x_val、x_test，三维张量的维度分别为：批量大小、时间步、特征通道数。
12、作为一种较佳实施方式，在步骤s203中，利用如下公式对多特征监测时序数据矩阵x*的每列数据x*i进行归一化转换：
13、
14、式中，k为每列数据的序号数，即表示多特征监测时序数据矩阵x*中第i列第k个时序数据的数据值，是时序数据的归一函数值，也是构成所述归一化样本矩阵x的第i列第k个时序数据，第i列数据的值域为[]，即和分别为多特征监测时序数据矩阵x*中第i列数据x*i的最小值和最大值，归一化样本矩阵x中的每列数据xi代表一种监测数据i。
15、作为一种较佳实施方式，在步骤s204中，利用如下公式将日期转换为时间戳xt，并将所述时间戳xt并入归一化样本矩阵x中：
16、
17、式中，t表示日期，xt表示转换后的时间戳。
18、作为一种较佳实施方式，在步骤s30中，所述卷积注意力长短期神经网络模型包括：卷积层、多头自注意力机制层、长短期循环神经网络层、全连接层。
19、作为一种较佳实施方式，所述卷积层包括一维卷积层和一维最大池化层，其中：
20、所述一维卷积层由如下公式表示：
21、
22、式中，relu表示修正线性单元激活函数，conv1d表示一维卷积操作，w是卷积核，b是卷积层的偏置，xcov表示三维张量；
23、所述一维最大池化层由如下公式表示：
24、<mi>maxpool1d</mi><mi>(</mi><msub><mi>x</mi><mi>pool</mi></msub><mi>)=max(conv(</mi><msub><mi>x</mi><mi>pool</mi></msub><mi>)[i:i+</mi><mi>kernel_size</mi><mi>])</mi>
25、式中，maxpool1d表示一维最大池化操作，i表示池化核在输入序列上的起始位置，kernel_size表示池化核大小，xpool表示一维卷积层的输出张量。
26、作为一种较佳实施方式，所述多头自注意力机制层由自注意力分数层和多头注意力层构成，多头注意力层由如下公式表示：
27、
28、式中，q表示查询query，用来计算注意力分数的表示、k表示键key，用来与查询进行比较的表示、v表示值value，与注意力权重相乘以产生最终输出的表示，q、k、v通过如下自注意力分数层线性变换获得，i表示在多头自注意力机制中第i个注意力头：
29、
30、
31、
32、式中，x为自注意力分数层输入张量、wqi、wki、wvi为可训练的参数矩阵。
33、作为一种较佳实施方式，所述长短期循环神经网络层包括：遗忘门、输入门和输出门，以及细胞状态和隐藏状态；所述长短期循环神经网络层处理数据包括如下步骤：
34、（1），在每个时间步，根据前一个时间步的隐藏状态和当前时间步的输入，计算遗忘门、输入门和输出门的值；
35、（2），利用遗忘门，确定从细胞状态中被遗忘的信息；
3本文档来自技高网...
【技术保护点】
1.一种基于卷积注意力长短期神经网络的地下水位多步预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的预测方法，其特征在于，步骤S10中，所述监测数据是按照时序采集的多传感器数据，包括：地下水水位高度、降雨量、温度传感器数据、当地水库排水量、当地河流水位高度。
3.根据权利要求1所述的预测方法，其特征在于，步骤S20中，所述构建多特征监测数据样本张量包括：
4.根据权利要求3所述的预测方法，其特征在于，在步骤S203中，利用如下公式对多特征监测时序数据矩阵X*的每列数据X*i进行归一化转换：
5.根据权利要求3所述的预测方法，其特征在于，在步骤S204中，利用如下公式将日期转换为时间戳Xt，并将所述时间戳Xt并入归一化样本矩阵X中：
6.根据权利要求1所述的预测方法，其特征在于，在步骤S30中，所述卷积注意力长短期神经网络模型包括：卷积层、多头自注意力机制层、长短期循环神经网络层、全连接层。
7.根据权利要求6所述的预测方法，其特征在于，所述卷积层包括一维卷积层和一维最大池化层，其中：
9.根据权利要求6所述的预测方法，其特征在于，所述长短期循环神经网络层包括：遗忘门、输入门和输出门，以及细胞状态和隐藏状态；所述长短期循环神经网络层处理数据包括如下步骤：
10.根据权利要求1所述的预测方法，其特征在于，步骤S40中，所述训练卷积注意力长短期神经网络模型包括如下步骤：
11.根据权利要求10所述的预测方法，其特征在于，所述模型性能指标用均方误差SME和决定系数R2值衡量，多次训练取均方误差SME和决定系数R2最优值时的模型。
...【技术特征摘要】
1.一种基于卷积注意力长短期神经网络的地下水位多步预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的预测方法，其特征在于，步骤s10中，所述监测数据是按照时序采集的多传感器数据，包括：地下水水位高度、降雨量、温度传感器数据、当地水库排水量、当地河流水位高度。
3.根据权利要求1所述的预测方法，其特征在于，步骤s20中，所述构建多特征监测数据样本张量包括：
4.根据权利要求3所述的预测方法，其特征在于，在步骤s203中，利用如下公式对多特征监测时序数据矩阵x*的每列数据x*i进行归一化转换：
5.根据权利要求3所述的预测方法，其特征在于，在步骤s204中，利用如下公式将日期转换为时间戳xt，并将所述时间戳xt并入归一化样本矩阵x中：
6.根据权利要求1所述的预测方法，其特征在于，在步骤s30中，所述卷积注意力长短期神经网络模...
【专利技术属性】
技术研发人员：兰涛，张黎明，孙均雨，秦广冲，刘鑫，张法兴，
申请(专利权)人：中国船舶集团国际工程有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。