【技术实现步骤摘要】
本专利技术属于计算机数据处理，尤其涉及一种基于多特征融合和二维时间卷积网络的日径流预测方法。
技术介绍
1、准确、稳健的径流预测模型对于水资源管理至关重要，它指导着水资源的开发、调度和可持续利用，对生产生活、生态环境等各个领域都具有深远的影响。在实际的径流预测研究中，流域流量在多种因素的影响下，呈现出趋势性、多源性以及随机性等复杂性质，使得现有的径流预测模型无法充分提取流域的多源数据特征。因此，在径流预测中，构建有效的预测模型对多源数据的时空特征进行提取，是提高径流预测准确性和可靠性的关键。
2、从20世纪50年代至今，水文预报的研究已有70多年的历史。迄今为止，根据水文预报模型的发展历程和建模机理，可将水文预报模型分为三大类：经验模型、物理过程驱动模型和数据驱动模型。
3、人工智能模型具备出色的非线性映射能力、强大的特征提取技术和自学习泛化能力。在大数据处理和特征提取方面，神经网络模型具有独特的优势，它不受物理过程的限制，能够很好地适应复杂的时间序列数据，有效解决水文预报中多特征、多规律水文过程的问题。近年来随着理论的突破和技术的进步，人工智能模型在径流预测方面取得了显著的成效。
4、尽管人工智能模型在处理非线性关系方面表现出色，但在提取非平稳径流序列的特征方面存在以下不足：1）需耗费大量的时间、精力进行反复训练寻求最优解；2）与训练数据量多少存在十分强的关联性，如若存在部分水文站数据缺失、数据记载有误等问题也会造成最终预测结果的偏差。
5、为了克服单一神经网络预测模型的局限性，
6、然而，现有的结合信号分解方法的混合模型往往注重于径流序列的特征分解，而忽视了其他因素的影响，近年来提出的新方法对多源数据研究仍旧不够透彻，多源数据预测模型更需要广大学者投入精力进行深入研究。
技术实现思路
1、本专利技术的目的是克服现有技术中的不足，提供一种基于多特征融合和二维时间卷积网络的日径流预测方法。
2、这种基于多特征融合和二维时间卷积网络的日径流预测方法，包括以下步骤：
3、s1、对目标流域的水文数据和气象多源数据进行特征挖掘和多源特征融合，将多源特征序列和径流量自适应傅里叶分解序列进行按通道拼接融合得到多源融合特征，采用双层路由注意力对多源融合特征进行权重的动态分配，使用残差连接将多源融合特征输入和双层路由注意力输出进行相加并归一化得到多源融合序列；
4、s2、构建基础的扩张卷积核，把多源融合序列作为二维特征进行扩张卷积，然后构建基于扩张卷积和因果卷积的二维扩张因果卷积核，再构建空间反卷积核，构建二维时间卷积模块；
5、s3、构建损失函数msae，进行预测模型的训练与预测。
6、作为优选，步骤s1中，对日径流量的影响因素变量之间的相关性进行分析，采用最大互信息系数来衡量两个变量之间的关联程度对多源数据进行特征筛选，最大互信息系数的取值越接近1，表示变量之间的关联度越大；取值越接近0，表示变量之间的关联度越小；经过特征筛选后得到多源特征序列。
7、作为优选，步骤s1中，采用自适应傅里叶分解算法，分解非线性和非平稳的日径流量时间序列为个imf分量，得到径流量自适应傅里叶分解序列；将多源特征序列和径流量自适应傅里叶分解序列进行按通道拼接融合得到多源融合特征：
8、
9、采用双层路由注意力对多源融合特征进行权重的动态分配，并优化特征的融合，在这些路由区域的联合中应用细粒度的标记对标记注意力；双层路由注意力在第一层注意力中过滤掉不相关信息，然后在第二层注意力中进一步整合各路由区域之间的关联信息。
10、作为优选，步骤s1中，双层路由注意力的组件包括区域划分、使用有向图的区域到区域路由和标记对标记的注意力：
11、对于多源融合特征，其中表示实数，表示特征数量，表示时间长度，表示的通道数；进行区域划分时，首先将多源融合特征划分为个非重叠区域，单个区域包含个特征矩阵，即为；随后，通过线性变换获得：
12、
13、双层路由注意力机制采用查询-键-值（q-k-v）的模式，其中q、k和v分别由与对应的权重矩阵进行线性变换得到。
14、作为优选，步骤s1中，通过领接矩阵构建有向图找到不同键值对对应的参与关系，找到每个给定区域的强相关性区域；首先计算每个区域中和的平均值，得到，，然后计算和的区域间相关性的邻接矩阵，并只保留前个最相关区域的索引，得到区域到区域路由索引矩阵；利用计算细粒度的标记对标记注意力，将路由区域中的k和v张量聚合后，在k-v张量上应用细粒度的标记对标记注意力：
15、
16、然后对和使用注意力操作：
17、
18、其中表示使用深度卷积进行参数化操作；使用残差连接将多源融合特征输入和双层路由注意力输出进行相加，并对其进行归一化操作，得到多源融合序列。
19、作为优选，步骤s2中，首先将多源融合序列作为二维特征进行扩张卷积，然后构建基于扩张卷积和因果卷积的二维扩张因果卷积核，在时间维度上保持tcn中的扩张因果卷积，在空间维度上使用扩张卷积，多源融合序列和卷积核在输出序列元素位置上的二维扩张因果卷积的数学模型为：
20、
21、式中，表示空间维度位置，表示时间维度位置，表示空间维度卷积核宽度，表示时间维度卷积核宽度，表示空间维度扩张系数，表示时间维度扩张系数；二维扩张因果卷积操作的感受野大小计算方式为：
22、
23、其中表示网络层数，表示第层的空间维度扩张系数，表示第层的时间维度扩张系数。
24、作为优选，步骤s2中，构建空间反卷积核的方法为：在时间维度上的卷积核宽度为1；在空间维度上，卷积核宽度以还原多源融合特征的空间维度为目标进行设置，具体的空间维度卷积核宽度计算方式为：
25、
26、其中为二维扩张因果卷积的输入空间特征维度，为二维扩张因果卷积的输出空间特征维度；经过二维扩张因果卷积输出特征的空间维度还原到，对于二维扩张因果卷积输出和过滤器，在输出序列元素位置上的反卷积的计算公式为：
27、 。
28、作为优选，步骤s2中，构建空间反卷积核后，对空间反卷积输出特征进行权重归一化，并进行relu激活和dropout操作；采用残差连接二维扩张因果层的输入和dropout操作后的输出构建二维时间卷积残差块，根据多源融合特征的尺寸确定二维扩张因果卷积核和反卷积核的大小；构建二维本文档来自技高网...
【技术保护点】
1.一种基于多特征融合和二维时间卷积网络的日径流预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多特征融合和二维时间卷积网络的日径流预测方法，其特征在于，步骤S1中，对日径流量的影响因素变量之间的相关性进行分析，采用最大互信息系数来衡量两个变量之间的关联程度对多源数据进行特征筛选，最大互信息系数的取值越接近1，表示变量之间的关联度越大；取值越接近0，表示变量之间的关联度越小；经过特征筛选后得到多源特征序列。
3.根据权利要求1所述的基于多特征融合和二维时间卷积网络的日径流预测方法，其特征在于，步骤S1中，采用自适应傅里叶分解算法，分解非线性和非平稳的日径流量时间序列为个IMF分量，得到径流量自适应傅里叶分解序列；将多源特征序列和径流量自适应傅里叶分解序列进行按通道拼接融合得到多源融合特征：
4.根据权利要求1所述的基于多特征融合和二维时间卷积网络的日径流预测方法，其特征在于，步骤S1中，双层路由注意力的组件包括区域划分、使用有向图的区域到区域路由和标记对标记的注意力：
5.根据权利要求4所述的基于多特征融合和二维时
6.根据权利要求1所述的基于多特征融合和二维时间卷积网络的日径流预测方法，其特征在于，步骤S2中，首先将多源融合序列作为二维特征进行扩张卷积，然后构建基于扩张卷积和因果卷积的二维扩张因果卷积核，在时间维度上保持TCN中的扩张因果卷积，在空间维度上使用扩张卷积，多源融合序列和卷积核在输出序列元素位置上的二维扩张因果卷积的数学模型为：
7.根据权利要求1所述的基于多特征融合和二维时间卷积网络的日径流预测方法，其特征在于，步骤S2中，构建空间反卷积核的方法为：在时间维度上的卷积核宽度为1；在空间维度上，卷积核宽度以还原多源融合特征的空间维度为目标进行设置，具体的空间维度卷积核宽度计算方式为：
8.根据权利要求7所述的基于多特征融合和二维时间卷积网络的日径流预测方法，其特征在于，步骤S2中，构建空间反卷积核后，对空间反卷积输出特征进行权重归一化，并进行Relu激活和Dropout操作；采用残差连接二维扩张因果层的输入和Dropout操作后的输出构建二维时间卷积残差块，根据多源融合特征的尺寸确定二维扩张因果卷积核和反卷积核的大小；构建二维时间卷积模块，根据扩张因子大小和网络层数大小确定二维时间卷积模块中的残差块数量和参数，将各个残差块的输出用跳跃连接按通道拼接；截取二维时间卷积模块输出的最后一个时间点的特征，得到下一个时刻的特征结果，并将其输入到线性层映射到径流量预测值。
9.根据权利要求1所述的基于多特征融合和二维时间卷积网络的日径流预测方法，其特征在于，步骤S3中，基于MSE和MAE构建损失函数MSAE，通过调整参数控制损失函数在MSE和MAE之间的平衡，损失函数MSAE公式为：
10.根据权利要求1所述的基于多特征融合和二维时间卷积网络的日径流预测方法，其特征在于，步骤S3中，整体模型参数更新方式采用Adam梯度下降法，利用训练集进行模型训练；将训练好的模型用于预测集进行预测，得到径流量预测值，并采用评价指标对模型的预测准确度进行评价。
...【技术特征摘要】
1.一种基于多特征融合和二维时间卷积网络的日径流预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多特征融合和二维时间卷积网络的日径流预测方法，其特征在于，步骤s1中，对日径流量的影响因素变量之间的相关性进行分析，采用最大互信息系数来衡量两个变量之间的关联程度对多源数据进行特征筛选，最大互信息系数的取值越接近1，表示变量之间的关联度越大；取值越接近0，表示变量之间的关联度越小；经过特征筛选后得到多源特征序列。
3.根据权利要求1所述的基于多特征融合和二维时间卷积网络的日径流预测方法，其特征在于，步骤s1中，采用自适应傅里叶分解算法，分解非线性和非平稳的日径流量时间序列为个imf分量，得到径流量自适应傅里叶分解序列；将多源特征序列和径流量自适应傅里叶分解序列进行按通道拼接融合得到多源融合特征：
4.根据权利要求1所述的基于多特征融合和二维时间卷积网络的日径流预测方法，其特征在于，步骤s1中，双层路由注意力的组件包括区域划分、使用有向图的区域到区域路由和标记对标记的注意力：
5.根据权利要求4所述的基于多特征融合和二维时间卷积网络的日径流预测方法，其特征在于，步骤s1中，通过领接矩阵构建有向图找到不同键值对对应的参与关系，找到每个给定区域的强相关性区域；首先计算每个区域中和的平均值，得到，然后计算和的区域间相关性的邻接矩阵，并只保留前个最相关区域的索引，得到区域到区域路由索引矩阵；利用计算细粒度的标记对标记注意力，将路由区域中的k和v张量聚合后，在k-v张量上应用细粒度的标记对标记注意力：
6.根据权利要求1所述的基于多特征融合和二维时间卷积网络的日径流预测方法，其特征在于，步骤s2中，首先将多源融合序列作为二维特征进行扩张卷积，然后构建基于扩张卷积...
【专利技术属性】
技术研发人员：王铮，张梦君，赵燕伟，屠杭垚，余利进，张仁贡，赵克华，
申请(专利权)人：浙大城市学院，
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。