[发明专利]基于卷积神经网络的水位预测方法

权利要求书

1.基于卷积神经网络的水位预测方法，其特征在于，所述方法包括：

获取待预测的目标水文参数，目标水文参数包括起涨水位、上游水位、下游水位、上游水库下泄流量以及区间降水量的一种或多种；

对目标水文参数进行标准化处理后，输入训练完的卷积神经网络中，其中，卷积神经网络包括依次连接的三层卷积层和两层全连接层，卷积层的预设权重大于全连接层的预设权重；

根据卷积神经网络的输出，对当前时段之后的指定时段内，目标水文参数对应的水位值进行预测；

其中，卷积神经网络基于在线剔除式过程进行训练。

2.根据权利要求1所述的基于卷积神经网络的水位预测方法，其特征在于，卷积神经网络基于在线剔除式过程进行训练包括：

获取历史水文参数和对应的历史水位值，以及实时水文参数和对应的实时水位值；

根据实时水文参数和剔除后的历史水文参数，获取预设数量的参考水文参数；

将参考水文参数进行标准化处理，输入待训练的卷积神经网络；

根据卷积神经网络的预测值与对应的实际水位值，确定预测误差百分比，并在预测误差百分比小于或等于预设阈值时，获得训练好的卷积神经网络；

其中，预设数量的参考水文参数为固定值。

3.根据权利要求2所述的基于卷积神经网络的水位预测方法，其特征在于，预测误差百分比包括预测误差最大百分比和平均绝对值百分比误差，预测误差最大百分比和平均绝对值百分比误差分别根据公式(1)和公式(2)确定：

其中，E_max为预测误差最大百分比，MAPE为平均绝对值百分比误差，n为测试集数目，y_act(i)为第i时刻的实际水位值，y_pred(i)为第i时刻的预测值。

4.根据权利要求2所述的基于卷积神经网络的水位预测方法，其特征在于，将参考水文参数进行标准化处理，输入待训练的卷积神经网络之前，还包括：

对卷积层和全连接层的权重进行初始化处理，得到对应预设权重；

其中，根据均值为0，标准差为1的正态分布随机数对卷积层的权重进行初始化处理。

5.根据权利要求2所述的基于卷积神经网络的水位预测方法，其特征在于，卷积神经网络还包括修正单元，将参考水文参数进行标准化处理，输入待训练的卷积神经网络之后，还包括：

当预测误差百分比大于预设阈值时，根据修正单元对卷积神经网络进行修正，不断迭代，直至预测误差百分比小于或等于预设阈值；

其中，修正单元包括模型误差修正子单元、模型参数修正子单元、模型输入修正子单元、模型状态修正子单元的一种或多种。

6.根据权利要求5所述的基于卷积神经网络的水位预测方法，其特征在于，当预测误差百分比大于预设阈值时，根据修正单元对卷积神经网络进行修正，不断迭代，直至预测误差百分比小于或等于预设阈值，包括：

使用Adam优化算法对卷积层和全连接层的预设权重进行更新，不断迭代，直至预测误差百分比小于或等于预设阈值；

其中，Adam优化算法的学习率为0.01～0.0001，一阶矩阵的指数衰减率为0.9，二阶矩阵的指数衰减率为0.999。

7.根据权利要求1所述的基于卷积神经网络的水位预测方法，其特征在于，三层卷积层的激活函数均设置为relu函数。

8.根据权利要求1所述的基于卷积神经网络的水位预测方法，其特征在于，采用线性函数归一化对目标水文参数进行标准化处理。