[发明专利]一种基于深度学习的特征提取水文预报的方法

权利要求书

1.一种基于深度学习的特征提取水文预报的方法，其特征在于，依次包括如下步骤：

S1、提取流域历史信息，通过对所有历史信息进行物理成因分析、相关性分析和显著性检验，获得流域水文预报特征因子集合；

S2、利用数据挖掘算法针对水文预报特征因子集合进行训练，获得不同因子作用下量值和过程形态相似的多组场次洪水过程集合；

S3、构建传统水文预报模型库和方法库，基于步骤S2所述特征因子和场次洪水过程，采用深度学习算法开展模型、方法的参数率定，获得对应不同模型和方法的多组参数方案的集合，并形成模型、方法与参数方案配套的模型库和方法库；

S4、针对预见期内可能出现的洪水过程，提取其所能获得的基础信息，通过聚类分析方法实现基础信息和所述特征因子集合的匹配，进而获得可能发生洪水的所述量值和所述过程形态，然后在模型库和方法库中选择相应的模型、方法及配套参数完成水文预报计算，以获得预报信息；

S5、进行预报效果检验，判断预报精度是否满足需求，若是，则结束预报；若否，则重复所述步骤S4，更换模型、方法及配套参数重新预报，直至预报精度满足要求为止；

所述步骤S3中，所述采用深度学习算法包括递归神经网络开展传统水文预报模型的参数率定，针对每一类传统水文预报模型，重复所述率定过程，将各模型所述率定结果统一保存入库，形成模型库和方法库；

所述率定过程主要分为模型构建和模型训练两个部分；

其中，所述模型构建主要包括数据规范化和模型初始化两个过程；

所述模型训练包括前向传播和反向传播两个过程；

所述前向传播：针对某一类待学习的水文预报模型，将划分好的训练数据依次传递至输入层-隐藏层-输出层进行前向学习，根据输出结果，计算场次洪水预报值与实际值的偏差；

所述反向传播：基于上述计算偏差，进行输出层-隐藏层-输入层的反向调整，直至计算偏差达到终止精度要求或计算次数达到最大迭代次数，此时输出的该水文预报模型的相关参数即为此次率定结果；

所述前向传播包括：

S31、初始化参数：随机初始化U、V、W，通常初始化为0；

S32、令计算时刻t＝0，按照下式计算：

s₁＝Ux₁+Wh₀，h₁＝f(s₁)，o₁＝g(Vh₁)

S33、然后依次改变计算时刻t＝t+1，并将上一次计算时刻t-1的状态作为其记忆状态参与下一次预测计算，即：

s_t＝Ux_t+Wh_t-1，h₁＝f(s_t)，o_t＝g(Vh_t)

式中：U、V、W分别为输入层到隐含层直接的权重、隐藏层到隐藏层的权重、隐藏层到输出层的权重；s_t为时刻t的记忆；f(·)是激活函数；g(·)是soft max；x_t为时刻t的输入；h_t为时刻t的隐藏状态；o_t为时刻t的输出。