[发明专利]一种基于CS-LSTM的洪水预报方法

权利要求书

1.一种基于CS-LSTM的洪水预报方法，其特征在于，其步骤如下：

步骤一：将目标水文站上游控制区域的N个雨量站的降雨和目标水文站的流量Q作为特征参量；

步骤二：采集t-n时刻到t时刻的特征参量作为样本数据，并对样本数据进行归一化处理；

步骤三：将归一化后的样本数据按时间顺序划分为训练集和验证集，其中，训练集和验证集的比例为7:3；

步骤四：设置布谷鸟搜索算法的鸟窝的数量为m_k，并随机生成每个鸟窝的位置，设置最大迭代次数为kmax，设置舍弃概率为Pa，其中，鸟窝的位置包括批处理大小、时间步长和神经元数量三种超参数；

步骤五：根据每个鸟窝的位置构建基于长短时记忆神经网络的洪水预报模型，分别利用训练集对洪水预报模型进行训练，得到第k次迭代的预报模型；

步骤六：分别利用验证集对第k次迭代的预报模型进行验证，并计算第k次迭代的每个鸟窝的适应度值，将所有鸟窝的适应度值进行对比得到最优的适应度值以及最优适应度值对应的鸟窝位置；

步骤七：分别利用莱维飞行算法对第k次迭代的每个鸟窝的位置进行更新，得到第k+1次迭代的鸟窝的位置；

步骤八：如果达到最大迭代次数kmax，输出最优的适应度值对应的鸟窝位置，否则，执行步骤九；

步骤九：将当前最优适应度值与上一代的最优适应度值进行比较，若当前最优适应度值优于上一代的最优适应度值，则利用当前最优适应度值更新最优适应度值，执行步骤十，否则，将上一代的最优适应度值作为最优适应度值，并保存最优适应度值对应的鸟窝位置；

步骤十：利用随机数r∈[0,1]与舍弃概率Pa进行比较，若rPa，则对该鸟窝位置进行随机改变，反之则不变，最后保留最好的一组鸟窝位置；

步骤十一：利用最优适应度值对应的鸟窝位置构建基于长短时记忆神经网络的最优洪水预报模型，再利用训练集对最优洪水预报模型进行训练，得到最终的洪水预报模型；

步骤十二：将待预测的特征参量输入最终的洪水预报模型中，得到预测结果。

2.根据权利要求1所述的基于CS-LSTM的洪水预报方法，其特征在于，所述对样本数据进行归一化处理的方法为：

式中，x'表示归一化结果，x表示样本数据，μ为样本数据的均值，σ为样本数据的标准差。

3.根据权利要求1所述的基于CS-LSTM的洪水预报方法，其特征在于，所述每个鸟窝的适应度值的计算公式为：

其中，f_k,j表示第k次迭代的第j个鸟窝的适应度值，j＝1,2,…,m_k，n'表示验证集的样本总数量，Q_i,j表示第j个鸟窝对应的第i个样本的目标水文站流量的真实值，表示表示第j个鸟窝对应的第i个样本的目标水文站流量的预测值。

4.根据权利要求1所述的基于CS-LSTM的洪水预报方法，其特征在于，所述利用莱维飞行算法对第k次迭代的每个鸟窝的位置进行更新的方法为：

其中，表示第k+1次迭代的第j个鸟窝的位置，表示第k次迭代的第j个鸟窝的位置，表示点乘运算，a表示步长控制因子，为莱维飞行算法的随机搜索路径，s为莱维飞行算法得到的随机步长。

5.根据权利要求1所述的基于CS-LSTM的洪水预报方法，其特征在于，利用验证集对第k次迭代的预报模型进行验证的评价指标包括纳什效率系数NSE、均方根误差RMSE、偏差bias和相关系数R²。

6.根据权利要求5所述的基于CS-LSTM的洪水预报方法，其特征在于，所述纳什效率系数NSE为：

所述均方根误差RMSE为：

所述偏差bias为：

所述相关系数R²为：

其中，n'表示验证集的样本总数量，Q_i表示第i个样本的目标水文站流量的真实值，表示第i个样本的目标水文站流量的预测值，表示第i个样本的目标水文站流量的真实值的均值，表示第i个样本的目标水文站流量的预测值的均值。