[发明专利]一种基于CS-LSTM的洪水预报方法

说明书

本发明提出了一种基于CS‑LSTM的洪水预报方法，用于解决现有预测模型中参数选取不准确，造成模型的预测性能差的技术问题。其步骤为：首先，采集目标水文站的特征参量作为样本数据，对样本数据进行归一化处理，并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；其次，构建基于长短时记忆神经网络的洪水预报模型，利用布谷鸟搜索算法和训练集、验证集对洪水预报模型进行迭代寻优，得到最终的洪水预报模型；最后，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。本发明能够准确的预测未来预见期下的洪水过程，可为水文水资源管理和水库调度提供一定的依据，为深度学习在水文领域的应用提供借鉴。

技术领域

本发明涉及水文预报技术领域，特别是指一种基于CS-LSTM的洪水预报方法。

背景技术

洪涝灾害威胁人民生命财产安全，阻碍社会经济可持续发展，精确洪水预报是重要的防洪减灾非工程措施。目前水文预报研究主要是对流域建立以物理机制或者物理概念为基础的传统水文模型，建立传统的水文模型通常需要复杂的数学公式且有其适用条件，因此会受到很多因素限制，导致对洪水过程预测较差。随着科学技术发展获取数据的方式逐渐多样化，如通过遥感技术获取土地利用类型、植被类型和气象等条件，对流域产汇流机制研究的深入，传统水文模型并不能满足目前水文预报发展需求。

随着计算机技术的飞速发展，以人工神经网络为核心的人工智能大数据技术在各个领域得以应用。在众多神经网络中，循环神经网络(Recurrent Neural Network，RNN)将时间序列的概念引入到网络结构设计中，使其在时间序列数据分析中表现出更强的适应性。1997年Hochreiter和Schmidhuber在RNN的基础上提出带有记忆单元的长短时记忆神经网络(Long Short Term Memory，LSTM)，使得神经网络在具有时间序列性质过程的模拟和预测愈发成熟。这一神经网络广泛地应用于文本识别、语音识别及图像识别等问题。与传统的人工神经网络模型相比，LSTM在记忆细胞单元中增加控制门结构，弥补了RNN的梯度爆炸和梯度消失等问题，具有较好的时间序列捕获和长期记忆能力，并且在过去的两年中，LSTM在水文预报领域中的应用已有研究及应用。

Chen Liang等采用LSTM对洞庭湖的水位波动和水库运行进行了研究。将LSTM模型与SVM模型进行比较，综合考察三峡大坝的存在对洞庭湖水位的影响，得出LSTM模型的偏差值远远小于SVM模型，在对高水位的预测中表现出了较好的效果；Sudriani提出一种基于递归长短时记忆神经网络的深度学习算法提前预测旱期灌溉流量，通过对比流域测站实测数据，结果表明相对误差小于10％；Hrnjica提出了基于FFNN和LSTM的湖泊水位预测模型，并对模型模拟效果进行了误差分析，证明了该模型在对时间序列数据的预测中效果较好；冯钧等将LSTM与BP神经网络结合起来，建立了LSTM-BP多模型组合预报模型进行水文预报。Kratzert等利用大量流量数据集训练LSTM模型，通过LSTM模型预测结果与实际流量进行对比，得出LSTM可以用于流域的流量预测的结论。Miao等采用由卷积神经网络和长短时记忆(LSTM)递归模块组成的深度神经网络模型，提高了GCM降水预报的分辨率和准确性。

近年来，虽然国内外对LSTM在水文领域的研究逐渐兴起，但已有的研究大多在于探究LSTM在径流过程预测上的可行性，对于如何选取合适模型参数达到最优模拟效果的研究较少。与大多数神经网络模型类似，LSTM模型中部分超参数需要人为设置，如数据窗口大小、批处理数量和隐藏层神经元数量等。不同参数训练出的模型预测性能具有很大差异，因此选择合适的模型参数就显得尤为重要。目前，LSTM模型中超参数的选择往往依赖人们的经验和大量的实验，浪费人力、时间和计算资源。

发明内容

针对上述背景技术中存在的不足，本发明提出了一种基于CS-LSTM的洪水预报方法，解决了现有预测模型中参数选取不准确，造成模型的预测性能差的技术问题。

本发明的技术方案是这样实现的：

一种基于CS-LSTM的洪水预报方法，其步骤如下：