[发明专利]一种基于机器学习的水流量预测系统和方法

权利要求书

1.一种基于机器学习的水流量预测系统，其特征在于，包括N个站点端和一个预测端，其中所述N个站点端是预定流域的N个水文站点对应的终端，所述N个水文站点中有一个目标水文站点位于所述预定流域的出口断面处；

每个站点端，用于向所述预测端发送表征该水文站点历史K年各小时降雨数据的单端原始降雨数据，且所述目标水文站点对应的站点端还向所述预测端发送表征该目标水文站点历史K年各小时流量数据的原始流量数据；

预测端，用于获取所述单端原始降雨数据、所述原始流量数据和未来P小时各水文站点的先验降雨数据，并由获取到的所有单端原始降雨数据得到原始降雨数据；将所述原始降雨数据和所述原始流量数据进行预处理，分别得到处理后降雨数据和处理后流量数据；基于所述处理后降雨数据、所述处理后流量数据、所述先验降雨数据，构建输入数据；将所述输入数据输入预先训练得到的洪水流量预测模型进行循环迭代预测，每次迭代时对该次迭代的输入数据提取时序特征并进行分类预测，得到所述目标水文站点未来一小时的流量预测值，并利用得到的所述未来一小时的流量预测值，重新构建针对未来下一小时的迭代的输入数据，直至完成P次迭代，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所述的系统，其特征在于，所述预测端将所述原始降雨数据和所述原始流量数据进行预处理，分别得到处理后降雨数据和处理后流量数据，包括：

将所述原始降雨数据进行数据剔除和数据补全处理，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；

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。

3.根据权利要求2所述的系统，其特征在于，所述预测端将所述原始降雨数据进行数据剔除和数据补全处理，得到补全降雨数据，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。

4.根据权利要求2所述的系统，其特征在于，所述预测端的归一化处理包括[0,1]归一化处理。

5.根据权利要求2所述的系统，其特征在于，所述预测端基于所述处理后降雨数据、所述处理后流量数据、所述先验降雨数据，构建输入数据，包括：

基于所述处理后降雨数据，确定T小时中每小时对应的所述N个水文站点的第一归一化降雨总和数据；基于所述先验降雨数据，确定未来P小时中每小时对应的所述N个水文站点的第二归一化降雨总和数据，由所述第一归一化降雨总和数据与所述第二归一化降雨总和数据构成降雨数据分量；

从所述处理后流量数据中选取T小时对应的数据，与用0填充的未来P小时的所述目标水文站点的待预测流量数据构成流量数据分量；

由所述降雨数据分量和所述流量数据分量构成维度为[T+P，2]的输入数据，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。

6.根据权利要求1或5所述的系统，其特征在于，所述预测端将所述输入数据输入预先训练得到的洪水流量预测模型进行循环迭代预测，每次迭代时对该次迭代的输入数据提取时序特征并进行分类预测，得到所述目标水文站点未来一小时的流量预测值，并利用得到的所述未来一小时的流量预测值，重新构建针对未来下一小时的迭代的输入数据，包括：

针对第i次迭代，在该次迭代的输入数据中，对最新的T小时对应的降雨数据和流量数据利用所述洪水流量预测模型的三层一维卷积层提取时序特征，并利用所述洪水流量预测模型的三层全连接层进行分类预测，得到所述目标水文站点未来第i小时的流量预测值；

将所述未来第i小时的流量预测值存储在结果列表中，并在i小于P时，替换该次迭代的输入数据中，对应位置为0的流量数据，得到第i+1次迭代的输入数据，其中i＝1,2,…,P。

7.根据权利要求6所述的系统，其特征在于，所述预测端的所述洪水流量预测模型中，三层一维卷积层的卷积核数量分别为50、30、10；所述三层一维卷积层的卷积核大小均为5×2；所述三层全连接层的神经元数量分别为10、10、1。