[发明专利]一种基于深度学习模型和BP神经网络校正的洪水预测方法

说明书

本发明公开了一种基于深度学习模型和BP神经网络校正的洪水预测方法，步骤为：1、对历史洪水过程数据进行归一化处理；2、对归一化后的历史洪水过程数据分析得到各监测点对出口流量的影响时间；3、利用滑动窗口从历史场次洪水数据中建立预测模型的输入和输出值，建立模型训练数据集TRSet1；4、利用TRSet1训练并建立深度学习的洪水预测模型CNNFM；5、建立实时误差校正模型训练数据集TRSet2；6、利用TRSet2训练并建立基于BP神经网络的误差校正模型BPCM；7、对实时监测的流量和雨量，利用模型CNNFM对实时数据进行预测，利用实时误差校正模型BPCM进行校正，获得最终的预测值。本发明通过深度学习自动提取数据特征的特点对训练数据进行建模，并通过BP神经网络进行实时校正，以提高模型预测的准确率。

技术领域

本发明属于信息处理技术领域，特别涉及一种基于深度学习模型和BP神经网络校正的洪水预测方法。

背景技术

我国国土辽阔，河流水资源众多，洪涝灾害频发，对我国经济发展、社会的进步带来了阻碍，因此开展水文预报研究十分重要。传统上大多使用基于物理过程的概念性水文模型描述水文过程，这类方法较为成熟，能够达到较好的预测效果。但是这些模型复杂，针对不同地区模型适应性较差，模型参数率定难度较大。因此基于数据驱动的水文过程预测方法日益得到发展。近年来，我国已经建立了较为完善的水文信息监测网络，采集了大量的水文数据，这些数据中蕴含了水文过程的内在规律，如何利用数据挖掘技术建立的基于数据驱动的预测模型，提高水文过程预测的准确率，是一个重要的研究方向。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种通过深度学习自动提取数据特征的特点对训练数据进行建模，并通过BP神经网络进行实时校正，以提高模型预测的准确率的基于深度学习模型和BP神经网络校正的洪水预测方法。

技术方案：为实现上述目的，本发明提供一种基于深度学习模型和BP神经网络校正的洪水预测方法，包括如下步骤：

(1)对历史洪水过程数据进行归一化处理；

(2)对归一化后的历史洪水过程数据序列进行分析，分析降雨量和蒸发量影响因素对流域出口流量的影响时间范围；

(3)利用滑动窗口从历史场次洪水数据中建立预测模型的输入和输出值，建立模型训练数据集TRSet1；

(4)建立基于深度学习的洪水预测模型CNNFM，利用训练数据TRSet1训练预测模型得到模型参数，建立流域的洪水预测模型；

(5)流域的洪水预测模型是指适应某具体流域的洪水预测模型，通过模型训练过程中，从输入参数中立定的模型参数体现了当前流域的特征。

(6)建立实时误差校正模型训练数据集TRSet2，输入与TRSet1相同，流域洪水预测模型的预测误差作为输出；

(7)建立基于BP神经网络的误差校正模型BPCM，利用TRSet2训练校正模型，获得模型参数，建立流域实时误差校正模型；

(8)流域实时误差校正模型是指适应具体流域的BP校正模型。该模型中的参数体现了当前流域的特征。

(9)对实时监测的降雨量和流量，利用流域洪水预测模型CNNFM对实时数据进行预测，利用流域实时误差校正模型BPCM进行校正，获得最终的预测值。

进一步的，所述步骤(1)中对历史洪水过程数据进行归一化处理的具体步骤如下：

采用离差标准化即min-max标准化将洪水过程预测涉及到的降雨量、蒸发量、流量和水位数据进行线性变化，通过转化公式将原始值映射到[0,1]之间；转化公式如下：