【技术实现步骤摘要】
本专利技术涉及水位预测，尤其涉及一种水位预测方法及设备。
技术介绍
1、在日常的河流湖库监测工作中水位是一个重要指标，水位能够直观的反映城市及灌区供水量、暴雨及洪水流量、径流泥沙及养分输移率等信息，特别是在极端天气条件下，如暴雨和旱灾，其作用更为突出，为了有效应对这些极端天气事件，建立连续可靠的水位告警系统对于全面提升防汛抗旱水平和江河湖泊日常管理能力具有重要意义。
2、目前的水位告警智能化程度较低，通常只在水位超过预警阈值时才发出警报。这样可能导致在水位急剧上升时反应不及时，直到水位达到危险水平才发出警报，可能造成严重的洪涝灾害。因此，在某些极端情况下，提前对水位变化趋势进行监测并预测更为重要。而现有的水位预测往往是通过采集海量水位数据，构建基于卷积神经网络的水位预测模型，进行水位预测。而往往不同区域之间的水位特征是存在差异的，若只是通过采集水位数据后，直接输入到神经网络模型中，会忽略区域中水位特征之间的差异，导致获得的水位变化趋势不准确，使得预测结果精度低。
3、在实现本专利技术过程中，专利技术人发现现有技术中至少存在如下问题：
4、现有的水位预测方法会忽略区域中水位特征之间的差异，使得预测结果精度低。
技术实现思路
1、本专利技术的目的在于提供一种水位预测方法及设备，以解决现有技术中存在的现有水位预测方法会忽略区域中水位特征之间的差异，使得预测结果精度低的技术问题。本专利技术提供的诸多技术方案中的优选技术方案所能产生的诸多技术效果详见下文阐
2、为实现上述目的，本专利技术提供了以下技术方案：
3、本专利技术提供的一种水位预测方法，包括以下步骤：通过实时目标检测算法，将获取的水位图像转换为水位数据；基于k-means聚类算法，将所述水位数据进行信息融合，得到多簇同类水位数据；通过卷积神经网络对每簇所述同类水位数据进行特征提取，得到水位趋势特征；基于支持向量回归算法，根据所述水位趋势特征进行水位预测。
4、可选的，基于k-means聚类算法，将所述水位数据进行信息融合，得到多簇同类水位数据，包括以下步骤：在多个所述水位数据中，随机选择k个作为k个簇群的初始聚类中心；计算每个所述水位数据与各个所述初始聚类中心的距离，并根据所述距离将所述水位数据分配到距离最近的所述初始聚类中心所属的所述簇群，得到k个新的所述簇群；计算每个新的所述簇群内所有所述水位数据的均值，将所述均值作为新的所述簇群的目标聚类中心；其中，在新的所述簇群中，所述目标聚类中心距离各个所述水位数据的距离最小；基于各个所述目标聚类中心所属的所述簇群，得到多簇所述同类水位数据。
5、可选的，所述通过卷积神经网络对每簇所述同类水位数据进行特征提取，得到水位趋势特征，包括以下步骤：通过标准卷积，对同一簇的所述同类水位数据进行特征提取，得到每个区域水位的通用特征；对所述通用特征进行多尺度的特征提取，获得多个不同尺度的信息特征；将多个不同尺度的所述信息特征拼接为所述水位趋势特征。
6、可选的，所述对所述通用特征进行多尺度的特征提取，获得多个不同尺度的信息特征包括：通过时域卷积对所述通用特征进行特征提取，得到第一信息特征；通过扩张卷积对所述通用特征进行特征提取，得到第二信息特征；通过最大池化对所述通用特征进行特征提取，得到第三信息特征；通过平均池化对所述通用特征进行特征提取，得到第四信息特征。
7、可选的，所述基于支持向量回归算法，根据所述水位趋势特征进行水位预测，包括以下步骤：将所述水位趋势特征映射为水位向量；通过所述支持向量回归算法对所述水位向量进行训练得到初始预测模型；以损失函数最小化为目标，对所述初始预测模型进行优化，得到水位预测模型；通过所述水位预测模型对进行水位预测。
8、可选的，所述初始预测模型f(x)为：其中，λi为所述水位向量的拉格朗日乘子；k(x,xi)为核函数；x为输入数据；xi为所述水位向量；b为偏置项；n为所述水位向量的个数。
9、可选的，所述初始预测模型的所述损失函数l(yi,f(x))为：其中，yi为所述水位数据；ε为控制容忍度的参数；r为正则化项。
10、可选的，所述水位预测方法还包括：通过对采集的水位原始图像进行图像处理，得到所述水位图像；所述通过对采集的水位原始图像进行图像处理，得到所述水位图像，包括以下步骤：计算所述水位原始图像的灰度直方图；将所述灰度直方图中的像素数量归一化到所述水位原始图像的总像素数，得到累积分布函数；通过所述累积分布函数计算所述水位原始图像、灰度直方图的灰度映射函数；根据所述映射函数，生成均衡图像；对所述均衡图像进行去噪，得到所述水位图像。
11、可选的，基于支持向量回归算法，根据所述水位趋势特征进行水位预测之后，所述水位预测方法还包括：得到预测水位，若所述预测水位超过告警阈值，则触发报警。
12、一种水位预测设备，包括：
13、一个或多个处理器；
14、存储器，用于存储一个或多个计算机程序，一个或多个所述处理器用于执行所述存储器存储的一个或多个计算机程序，以使一个或多个所述处理器执行以上任一项所述的一种水位预测方法。
15、实施本专利技术上述技术方案中的一个技术方案，具有如下优点或有益效果：
16、本专利技术在获得水位数据后，通过k-means聚类算法对一个区域内所有的水位数据进行智能分割，将相似的数据划分为同一组，不同的数据划分为不同的组，能够有效的组织水位数据，识别出潜在的水位趋势；再通过卷积神经网络提取同一簇水位数据的水位特征，能够全面的考虑到水位数据之间的差异，为后续水位预测提供丰富的水位信息；最后建立支持向量回归预测模型，能够预测得到高精度的预测结果，便于提前做出水位预警，能够及时对自然灾害做出反应。
本文档来自技高网...【技术保护点】
1.一种水位预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种水位预测方法，其特征在于，基于K-means聚类算法，将所述水位数据进行信息融合，得到多簇同类水位数据，包括以下步骤：
3.根据权利要求1所述的一种水位预测方法，其特征在于，所述通过卷积神经网络对每簇所述同类水位数据进行特征提取，得到水位趋势特征，包括以下步骤：
4.根据权利要求3所述的一种水位预测方法，其特征在于，所述对所述通用特征进行多尺度的特征提取，获得多个不同尺度的信息特征包括：通过时域卷积对所述通用特征进行特征提取，得到第一信息特征；通过扩张卷积对所述通用特征进行特征提取，得到第二信息特征；通过最大池化对所述通用特征进行特征提取，得到第三信息特征；通过平均池化对所述通用特征进行特征提取，得到第四信息特征。
5.根据权利要求1所述的一种水位预测方法，其特征在于，所述基于支持向量回归算法，根据所述水位趋势特征进行水位预测，包括以下步骤：
6.根据权利要求5所述的一种水位预测方法，其特征在于，所述初始预测模型f(x)为：其中，λi为所述水位
7.根据权利要求6所述的一种水位预测方法，其特征在于，所述初始预测模型的所述损失函数L(yi,f(x))为：其中，yi为所述水位数据；ε为控制容忍度的参数；R为正则化项。
8.根据权利要求1所述的一种水位预测方法，其特征在于，所述水位预测方法还包括：通过对采集的水位原始图像进行图像处理，得到所述水位图像；所述通过对采集的水位原始图像进行图像处理，得到所述水位图像，包括以下步骤：
9.根据权利要求1所述的一种水位预测方法，其特征在于，基于支持向量回归算法，根据所述水位趋势特征进行水位预测之后，所述水位预测方法还包括：得到预测水位，若所述预测水位超过告警阈值，则触发报警。
10.一种水位预测设备，其特征在于，包括：
...【技术特征摘要】
1.一种水位预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种水位预测方法，其特征在于，基于k-means聚类算法，将所述水位数据进行信息融合，得到多簇同类水位数据，包括以下步骤：
3.根据权利要求1所述的一种水位预测方法，其特征在于，所述通过卷积神经网络对每簇所述同类水位数据进行特征提取，得到水位趋势特征，包括以下步骤：
4.根据权利要求3所述的一种水位预测方法，其特征在于，所述对所述通用特征进行多尺度的特征提取，获得多个不同尺度的信息特征包括：通过时域卷积对所述通用特征进行特征提取，得到第一信息特征；通过扩张卷积对所述通用特征进行特征提取，得到第二信息特征；通过最大池化对所述通用特征进行特征提取，得到第三信息特征；通过平均池化对所述通用特征进行特征提取，得到第四信息特征。
5.根据权利要求1所述的一种水位预测方法，其特征在于，所述基于支持向量回归算法，根据所述水位趋势特征进行水位预测，包括以下步骤：
<...【专利技术属性】
技术研发人员：于振楠，龚潇，陈维洲，李景山，
申请(专利权)人：深圳市宏电技术股份有限公司，
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。