[发明专利]面向物联网的基于长短时记忆网络的积水水位预测方法

权利要求书

1.一种面向物联网的基于长短时记忆网络的积水水位预测方法，其特征在于，包括以下步骤：

步骤S1，通过物联网平台获取积水相关的多特征传感器数据，所述积水相关的多特征传感器数据包括天气情况，河道，泵站、闸门和水流状态数据，

并在气象官方网站上获取降雨数据；

步骤S2，对获取的多特征积水相关数据进行清洗和归一化处理，并按比例将数据划分为训练集和测试集；

步骤S3，将训练集数据送入改进的LSTM长短期记忆神经网络中，对LSTM网络模型进行迭代优化；

步骤S4，利用已训练好的LSTM模型对测试集进行预测，并评估模型误差；

所述LSTM长短期记忆神经网络首先包括确定输入输出向量的步骤：路面积水深度的历史值用w_d表示，路面积水不仅与降雨量有关，还与附近的汇流和排水系统有相关性，其中包括泵站状态，河道状态，闸门开合度以及水流速度；泵站状态由两个水位传感器联合监控，实时上报进水侧水位p_i与出水侧水位p_o数据，河道状态包括河流的水位与流量情况，分别用r_l、r_f表示，闸门开合度由g表示，水流速度由w_v表示，降雨量由r_n表示；

LSTM神经网络的输入量为输出量为积水深度预测值，将输入输出量用时间序列表示，有：

其中，t表示当前时刻，t_h表示历史时间长度，Δt表示采样间隔，d表示预测时间步长，n_h＝t_h/Δt表示时间步，这里数据为每5分钟采集一次，因此设置Δt＝5min，设置t_h＝30min，d＝30，即目标为预测半小时后的积水深度，利用前30分钟的数据预测下一时刻的积水深度，不断滚动预测，直到预测出目标积水深度；

LSTM长短期记忆神经网络还包括确定模型参数的步骤：设置历史时间范围t_h和隐藏层层数N_hidden，历史时间范围t_h和N_hidden的值直接影响LSTM模型的性能，设置N_hidden＝2，t_h＝30min，即隐藏层设为2层，其中每个隐藏层包含60个LSTM单元；

还包括确定训练次数与样本批量大小的步骤：设置训练次数batch＝72，样本批量大小epoch＝60；

数据输入；将t时刻的由处理后的时间序列输入到LSTM网络的输入层，经过输入层的激励函数计算得到输入层输出；

LSTM细胞状态更新：输入层t时刻的输出、隐藏层t-1时刻的输出和LSTM细胞t-1时刻的状态相加送入隐含层节点，经过各个门和记忆细胞的计算得到输出，以此来更新细胞状态，具体为：

假设输入序列为(x₁，x₂，...x_n)，隐藏层状态为(h₁，h₂，...h_n),那么在t时刻：

i_t＝sigmoid(w_hih_t-1+w_xix_t)

f_t＝sigmoid(w_hfh_t-1+w_xix_t)

o_t＝sigmoid(w_hoh_t-1+w_hxx_t+w_coc_t)

其中，i_t为输入门的输入，f_t为遗忘门输入，c_t为细胞状态更新，o_t为输出门输出，h_t为隐藏层状态输出，Sigmoid为激活函数，w为各部分的可调参数矩阵或向量；

所述步骤S4利用已训练好的LSTM模型对测试集进行预测，并评估模型误差，具体包括：

数据输出；将输入层的输出结果输入到输出层，经过输出层的激励函数计算出预测值

计算模型权值：将与实际t+1时刻的积水水位相比较，得到损失函数值ε，利用反向传播算法，令ε反向传播到每一层节点，更新每个节点之间的权值，其中，所有网络参数都是随机初始化的，在训练过程中初始学习率设置为0.01，使用0.5的截止率；

确定模型：反复执行上一步，直到ε小于阈值或达到预先设定的训练次数，模型参数确定，网络训练完毕；

计算预测值：将测试集数据输入LSTM网络计算得到预测积水深度值并将重新加入输入时间序列预测出以此类推直至目标预测步数d，得到预测值

将预测数据同实际数据进行误差计算：对预测的数据进行反归一化处理，采用最小均方根误差RMSE和平均绝对误差MAE作为评估指标，其中，

其中是真实的积水水位值，而是网络预测的水位值，N是数据集个数。