[发明专利]基于卷积神经网络的水位预测方法

说明书

本申请提供了基于卷积神经网络的水位预测方法，在获取待预测的目标水文参数之后，再对目标水文参数进行标准化处理，并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。结合起涨水位、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，并利用卷积神经网络强大的特征提取能力，突破了传统水位预测方法的局限性，大大提升了水位预测的精度，可靠性高，具有广泛的适用范围。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种基于卷积神经网络的水位预测方法。

背景技术

对比文件1(CN201911269292.8)公开了一种基于循环神经网络和卷积神经网络的智能水位预测方法，基于从空间连续的多个水位站采集的海量数据，构建基于循环神经网络和卷积神经网络的水位预测模型，进行水位预测。但是对比文件1所述的水位预测方法，只是基于两个现有的网络叠加，简单地实现水位预测功能，具体而言，对比文件1的方法在得到水位样本数据之后，直接输入模型当中，并未对神经网络中不同网络层结构识别的主辅地位进行区分，也即没有考虑到不同网络层的权重对预测结果的影响，精度差，存在欠拟合和过拟合的弊端。

基于此，本申请提出了一种基于卷积神经网络的水位预测方法，结合起涨水位、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，并利用卷积神经网络强大的特征提取能力，突破了传统水位预测方法的局限性，大大提升了水位预测的精度，可靠性高，具有广泛的适用范围。

发明内容

本方案提供一种基于卷积神经网络的水位预测方法，结合起涨水位、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，利用卷积神经网络强大的特征提取能力，限定卷积层的预设权重大于全连接层，提高了水位预测的鲁棒性，得到了更精确的识别结果。

本方案提供了一种基于卷积神经网络的水位预测方法，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。

本方案的起涨水位、上游水位、下游水位、上游水库下泄流量以及区间降水量是影响水位的关键因素，选择性地将其作为输入参数的量化指标，极大地提高了模型预测的准确性；同时，卷积层用于进行卷积计算，目的是提取输入的不同特征，而全连接层用于把前边提取的特征综合起来，即本方案将目标水文参数先输入至卷积层，再通过全连接层，可以极大地提高目标水文参数的特征提取能力；而每个网络层的权重在特征提取过程中发挥着至关重要的作用，即参数在输入卷积神经网络时，随着网络层连接的先后顺序，特征提取能力由强至弱，故通过设置卷积层的预设权重大于全连接层的预设权重，可以进一步提高目标水文参数的特征提取能力，进而更大程度地保留了目标水文参数的数据特征，因此大大提高了模型的预测效果。

不仅如此，卷积神经网络的网络层数目与模型训练过程中的迭代更新过程密切相关，本方案的模型训练过程详见下文。需要说明的是，随着卷积神经网络中网络层数目的增多，极易出现梯度消失和梯度爆炸问题。而当出现上述问题时，网络层的权重便会更新很慢，甚至会出现几乎不变的情况，此时卷积神经网络便会接近初始化情况，达不到训练的效果。本申请将卷积层的网络层数目设置为三层，全连接层的网络层数目设置为两层，避免了梯度消失和梯度爆炸等问题，在水位预测过程中，具有三层卷积层和两层全连接层数目的卷积神经网络具有较佳的预测效果。