[发明专利]一种基于神经网络的水流量预测模型

权利要求书

1.一种基于神经网络的水流量预测模型，其特征在于，包括：

顺次连接的分支网络组和全连接网络；所述分支网络组包括并联的第一分支网络和第二分支网络；所述第一分支网络基于循环神经网络构建，所述第二分支网络基于图卷积神经网络和循环神经网络构建；所述全连接网络基于全连接层构建；

所述第一分支网络，用于对第一数据进行时序特征提取；所述第一数据基于预定流域的N个水文站点中位于所述预定流域的出口断面处的目标水文站点的历史K年各小时流量数据构建；

所述第二分支网络，用于对第二数据中的降雨数据进行图数据特征提取和时序特征提取；所述第二数据基于所述N个水文站点的历史K年各小时降雨数据、所述N个水文站点的位置连接关系、预先获取的未来P小时各水文站点的先验降雨数据构建；

所述全连接网络，用于对两个分支网络输出的特征进行合并分类预测，得到所述目标水文站点未来P小时的流量预测值；其中N、K和P为大于1的自然数。

2.根据权利要求1所述的模型，其特征在于，所述第一分支网络包括GRU模块；所述第二分支网络包括顺次连接的GCN模块、维度变化模块、GRU模块和注意力层；所述全连接网络包括concat模块和多个全连接层。

3.根据权利要求2所述的模型，其特征在于，所述第一数据和所述第二数据的构建过程包括：

获取所述预定流域的原始降雨数据、原始流量数据，以及表征所述预定流域的N个水文站点位置连接关系的邻接矩阵；其中，所述原始降雨数据包括所述预定流域的N个水文站点的历史K年各小时降雨数据，所述原始流量数据包括所述N个水文站点中位于所述预定流域的出口断面处的目标水文站点的历史K年各小时流量数据；

将所述原始降雨数据、所述原始流量数据和预先获取的未来P小时各水文站点的先验降雨数据进行预处理，分别得到处理后降雨数据、处理后流量数据和处理后先验降雨数据；

利用所述邻接矩阵得到归一化拉普拉斯矩阵；

基于所述处理后流量数据构建第一数据，并基于所述处理后降雨数据、所述处理后先验降雨数据和所述归一化拉普拉斯矩阵，构建第二数据。

4.根据权利要求3所述的模型，其特征在于，所述将所述原始降雨数据、所述原始流量数据和预先获取的未来P小时各水文站点的先验降雨数据进行预处理，分别得到处理后降雨数据、处理后流量数据和处理后先验降雨数据，包括：

将所述原始降雨数据进行数据剔除处理、数据补全处理和归一化处理，得到处理后降雨数据；

将所述原始流量数据进行归一化处理，得到处理后流量数据；

将所述未来P小时各水文站点的先验降雨数据进行归一化处理，得到处理后先验降雨数据。

5.根据权利要求4所述的模型，其特征在于，所述将所述原始降雨数据进行数据剔除处理、数据补全处理和归一化处理，得到处理后降雨数据，包括：

将所述原始降雨数据中，数据数目低于预设数量的水文站点所对应的数据剔除，得到剩余降雨数据；

对所述剩余降雨数据中缺失的降雨数据，利用反距离加权法进行数据补全，得到补全降雨数据；

将所述补全降雨数据进行归一化处理，得到处理后降雨数据。

6.根据权利要求3所述的模型，其特征在于，所述利用所述邻接矩阵得到归一化拉普拉斯矩阵，包括：

利用所述邻接矩阵得到度矩阵；

利用所述邻接矩阵和所述度矩阵得到归一化拉普拉斯矩阵。

7.根据权利要求4所述的模型，其特征在于，所述基于所述处理后流量数据构建第一数据，并基于所述处理后降雨数据、所述处理后先验降雨数据和所述归一化拉普拉斯矩阵，构建第二数据，包括：

从所述处理后流量数据中选取T小时对应的数据构建第一数据；

从所述处理后降雨数据中选取T小时对应的数据与所述处理后先验降雨数据构建输入向量，由所述输入向量与所述归一化拉普拉斯矩阵以及预设的参数矩阵，构建第二数据；

其中，T为大于1的自然数，且T小于等于所述K年对应的小时数。