[发明专利]一种基于机器学习的水流量预测模型

权利要求书

1.一种基于机器学习的水流量预测模型，其特征在于，包括：

顺次连接的卷积模块和全连接模块；

所述卷积模块，用于在P次迭代中，对每次迭代的输入数据提取时序特征；

所述全连接模块，用于对所述卷积模块提取出的特征进行分类预测，得到该次迭代对应的，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，第一次迭代的输入数据基于预定流域的N个水文站点的历史K年各小时降雨数据、所述N个水文站点中位于所述预定流域的出口断面处的所述目标水文站点的历史K年各小时流量数据，以及预先获取的未来P小时各水文站点的已知降雨数据构建；其中P、N和K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，所述卷积模块包括三层一维卷积层；所述全连接模块包括三层全连接层。

3.根据权利要求2所述的模型，其特征在于，所述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。

4.根据权利要求1或3所述的模型，其特征在于，所述第一次迭代的输入数据的构建过程包括：

获取原始降雨数据和原始流量数据；其中，所述原始降雨数据包括所述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、所述未来P小时各水文站点的已知降雨数据，构建所述第一次迭代的输入数据。

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。

6.根据权利要求5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。

7.根据权利要求5所述的模型，其特征在于，所述归一化处理包括[0,1]归一化处理。

8.根据权利要求5所述的模型，其特征在于，所述基于所述处理后降雨数据、所述处理后流量数据、所述未来P小时各水文站点的已知降雨数据，构建所述第一次迭代的输入数据，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；基于所述未来P小时各水文站点的已知降雨数据，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]的数据作为第一次迭代的输入数据，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。