[发明专利]一种基于机器学习的水流量预测模型

说明书

本发明公开了一种基于机器学习的水流量预测模型，包括顺次连接的卷积模块和全连接模块；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；全连接模块用于对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N个水文站点的历史K年各小时降雨数据、N个水文站点中目标水文站点的历史K年各小时流量数据，以及未来P小时各水文站点的已知降雨数据构建。本发明能准确预测未来一个时间段的洪水流量情况。

技术领域

本发明属于洪水预测领域，具体涉及一种基于机器学习的水流量预测模型。

背景技术

洪水是常见的自然灾害之一，每年有上亿人受洪水影响，流离失所，而洪水所造成的财力物力损失也非常巨大。有效地预测洪水流量并及时发出预警对于防洪减灾具有重大意义。

当前的基于机器学习的水流量预测模型主要分为传统物理模型和智能洪水预测模型。传统物理模型例如新安江模型，其是在充分挖掘当地的地形地貌、蒸发量、植被覆盖率等物理特征的前提下，进行物理过程的参数计算，最终制定出的一套具有区域针对性的预测模型。而智能洪水预测模型是以海量的历史数据作为先验知识，利用机器学习等智能方法得到的从输入特征到输出特征的函数映射或者联合分布。

但现有的基于机器学习的水流量预测模型多属于单点预测，即预测未来一个时间点的流量情况，而在实际情况中，预测得到的单个时间点的流量数据缺乏实际应用价值。

发明内容

本发明实施例的目的在于提供一种基于机器学习的水流量预测模型，以实现对未来一个时间段进行洪水流量预测的目的。具体技术方案如下：

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。

可选的，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。

可选的，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。

可选的，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。

可选的，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；