[发明专利]一种基于ASCS的LSTM神经网络水文预测方法及系统

权利要求书

1.一种基于ASCS的LSTM神经网络水文预测方法，其特征在于，该方法包括以下步骤：

(1)采集一水系流域的流量雨量值及所述水系流域对应的雨量站一定时间段内的雨量，形成雨量样本数据，进而一定间隔年份的雨量样本数据形成雨量样本数据集，并对所述雨量样本数据集进行预处理；

雨量样本数据包括：一水系流域当前以及前15小时的流量雨量值以及所述水系流域对应的雨量站当前及前15小时雨量值以及未来6小时平均雨量值；

(2)采用ASCS算法对LSTM神经网络的学习率lr和隐含层节点数hidden_size参数进行寻优，同时利用雨量样本数据集对LSTM神经网络进行训练，最终得到ASCS_LSTM神经网络水文预测模型；

采用ASCS算法对LSTM神经网络的学习率lr和隐含层节点数hidden_size参数进行寻优，具体包括：

(21)初始化LSTM神经网络的隐含层节点数hidden_size和学习率lr参数的取值范围；

(22)随机产生n个鸟巢位置，一个鸟巢位置相当于一组LSTM神经网络的参数(hidden_size，lr)，设置解的维度dim、发现外来鸟蛋的概率p_a、解的范围和最大迭代次数time；

(23)将预测得到的流量值结果的均方根误差作为每个鸟巢位置适应度值，获取每个鸟巢位置和它的适应度值；

(24)采用新的莱维飞行公式计算每个鸟巢新的位置，计算该位置对应的适应度大小，对适应度值大小采用淘汰择优原则，如果适应度更佳，就用新的鸟巢位置替换原来的鸟巢位置；

(25)按照概率丢弃差的鸟巢位置，用偏好随机游动生成新的鸟巢位置替代已丢弃的鸟巢位置；

(26)比较得到一组较优鸟巢位置，判断当前迭代次数是否符合终止条件，如果能够满足，输出最优解，否则返回步骤(24)继续对孵化鸟巢位置进行优化；

所述新的莱维飞行公式表示为：

其中，和分别是第i个鸟巢在第h+1和h代时的位置，是点对点乘法，α₀是步长因子，α是步长控制量，x_best是当前最优解位置，L(β)是莱维随机搜索路径，h_max是迭代总次数，h_i是当前迭代次数，i＝1,2,3,…n；

(3)对所述ASCS_LSTM神经网络水文预测模型进行测试。

2.一种基于ASCS的LSTM神经网络水文预测系统，其特征在于，包括：

采集模块，用于采集一水系流域的流量雨量值及所述水系流域对应的雨量站一定时间段内的雨量，形成雨量样本数据，进而一定间隔年份的雨量样本数据形成雨量样本数据集；

采集模块中，雨量样本数据包括：一水系流域当前以及前15小时的流量雨量值以及所述水系流域对应的雨量站当前及前15小时雨量值以及未来6小时平均雨量值；

预处理模块，用于对所述雨量样本数据集进行预处理；

参数寻优模块，用于采用ASCS算法对LSTM神经网络的学习率lr和隐含层节点数hidden_size参数进行寻优；

参数寻优模块中，采用ASCS算法对LSTM神经网络的学习率lr和隐含层节点数hidden_size参数进行寻优，具体包括：

(21)初始化LSTM神经网络的隐含层节点数hidden_size和学习率lr参数的取值范围；

(22)随机产生n个鸟巢位置，一个鸟巢位置相当于一组LSTM神经网络的参数(hidden_size，lr)，设置解的维度dim、发现外来鸟蛋的概率p_a、解的范围和最大迭代次数time；

(23)将预测得到的流量值结果的均方根误差作为每个鸟巢位置适应度值，获取每个鸟巢位置和它的适应度值；

(24)采用新的莱维飞行公式计算每个鸟巢新的位置，计算该位置对应的适应度大小，对适应度值大小采用淘汰择优原则，如果适应度更佳，就用新的鸟巢位置替换原来的鸟巢位置；

(25)按照概率丢弃差的鸟巢位置，用偏好随机游动生成新的鸟巢位置替代已丢弃的鸟巢位置；

(26)比较得到一组较优鸟巢位置，判断当前迭代次数是否符合终止条件，如果能够满足，输出最优解，否则返回步骤(24)继续对孵化鸟巢位置进行优化；

所述新的莱维飞行公式表示为：

其中，和分别是第i个鸟巢在第h+1和h代时的位置，是点对点乘法，α₀是步长因子，α是步长控制量，x_best是当前最优解位置，L(β)是莱维随机搜索路径，h_max是迭代总次数，h_i是当前迭代次数，i＝1,2,3,…n；

模型训练模块，用于利用雨量样本数据集对LSTM神经网络进行训练，最终得到ASCS_LSTM神经网络水文预测模型；

测试模块，用于对所述ASCS_LSTM神经网络水文预测模型进行测试。