[发明专利]一种基于神经网络的水流量预测方法、装置和电子设备

权利要求书

1.一种基于神经网络的水流量预测方法，其特征在于，包括：

获取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；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；

将所述第一数据输入预先训练得到的洪水流量预测模型的第一分支网络进行时序特征提取；利用所述第二数据和所述洪水流量预测模型的第二分支网络进行针对降雨数据的图数据特征提取和时序特征提取；并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所述的方法，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。

3.根据权利要求1所述的方法，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。

4.根据权利要求1所述的方法，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。

5.根据权利要求4所述的方法，其特征在于，所述将所述第一数据输入预先训练得到的洪水流量预测模型的第一分支网络进行时序特征提取，包括：

将所述第一数据输入所述第一分支网络，利用所述第一分支网络的GRU模块进行时序特征提取，得到第一输出特征。

6.根据权利要求5所述的方法，其特征在于，所述利用所述第二数据和所述洪水流量预测模型的第二分支网络进行针对降雨数据的图数据特征提取和时序特征提取，包括：

将所述第二数据中的所述归一化拉普拉斯矩阵以及所述预设的参数矩阵作为所述第二分支网络的网络结构参数；

将所述输入向量作为所述第二分支网络的输入，利用所述第二分支网络的GCN模块对所述输入向量进行图数据特征提取；

将所述GCN模块提取出的特征利用所述第二分支网络的维度变化模块进行维度重构；

将维度重构后的特征利用所述第二分支网络的GRU模块进行时序特征提取；

将所述GRU模块提取出的特征利用所述第二分支网络的注意力层进行加权处理，得到第二输出特征。

7.根据权利要求6所述的方法，其特征在于，所述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，包括：

将所述第一输出特征和所述第二输出特征输入第三网络，利用所述第三网络的concat模块进行特征合并，得到合并特征；

将所述合并特征利用第三网络的多个全连接层进行分类预测，得到所述目标水文站点未来P小时的流量预测值。