[发明专利]基于深度学习的洪水流量预测方法、装置和电子设备

权利要求书

1.一种基于深度学习的洪水流量预测方法，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N个水文站点的原始位置信息；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，所述原始位置信息包括所述N个水文站点的经度和所述N个水文站点的纬度；

将所述原始降雨数据、预先获取的未来P小时的先验降雨数据、所述原始流量数据以及所述原始位置信息进行预处理，分别得到处理后降雨数据、处理后先验降雨数据、处理后流量数据以及处理后位置信息；

基于所述处理后降雨数据、所述处理后先验降雨数据以及所述处理后位置信息，形成网格化降雨数据；包括：针对每一小时，从所述处理后降雨数据和所述处理后先验降雨数据中，选取该小时各水文站点对应的降雨数据分别填入所述处理后位置信息中各水文站点的对应位置处，形成该小时对应的第一网格化降雨数据，由所述处理后降雨数据和所述处理后先验降雨数据对应的所有所述第一网格化降雨数据构成所述网格化降雨数据；

基于所述网格化降雨数据，利用预先训练得到的基于深度学习的洪水流量预测模型的第一分支网络提取空间分布特征，以及提取历史T小时和未来P小时的降雨数据的时序特征，得到第一输出特征；基于所述处理后流量数据，利用所述基于深度学习的洪水流量预测模型的第二分支网络提取历史T小时的流量数据的时序特征，得到第二输出特征；利用所述基于深度学习的洪水流量预测模型的第三网络对所述第一输出特征以及所述第二输出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，N、K、T和P均为大于1的自然数，且T小于等于所述K年对应的小时数。

2.根据权利要求1所述的基于深度学习的洪水流量预测方法，其特征在于，所述将所述原始降雨数据、预先获取的未来P小时的先验降雨数据、所述原始流量数据以及所述原始位置信息进行预处理，分别得到处理后降雨数据、处理后流量数据以及处理后位置信息，包括：

对所述原始降雨数据进行数据剔除、数据补全处理以及归一化处理，得到处理后降雨数据；

将所述先验降雨数据进行归一化处理，得到处理后先验降雨数据；

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；

将所述原始位置信息进行网格化处理，得到处理后位置信息。

3.根据权利要求2所述的基于深度学习的洪水流量预测方法，其特征在于，所述归一化处理包括[0,1]归一化处理。

4.根据权利要求1所述的基于深度学习的洪水流量预测方法，其特征在于，所述基于所述网格化降雨数据，利用预先训练得到的基于深度学习的洪水流量预测模型的第一分支网络提取空间分布特征，以及提取历史T小时和未来P小时的降雨数据的时序特征，得到第一输出特征，包括：

将所述网格化降雨数据输入所述第一分支网络的降维网络得到降维数据；

将所述降维数据利用所述第一分支网络的特征变换网络进行特征展平，得到展平数据；

从所述展平数据中选取历史T小时和未来P小时对应的数据构成第一向量；

将所述第一向量利用所述第一分支网络的多个GRU层提取时序特征，得到第一输出特征；

其中，所述降维网络包括二维卷积层以及最大池化层。

5.根据权利要求4所述的基于深度学习的洪水流量预测方法，其特征在于，所述基于所述处理后流量数据，利用所述基于深度学习的洪水流量预测模型的第二分支网络提取历史T小时的流量数据的时序特征，得到第二输出特征，包括：

从所述处理后流量数据中选取T小时对应的数据构成第二向量；

将所述第二向量利用所述第二分支网络的多个GRU层提取时序特征，得到第二输出特征。