[发明专利]基于深度学习的水流量预测模型

说明书

本发明公开了一种基于深度学习的水流量预测模型，包括：顺次连接的分支网络组和第三网络；分支网络组包括并联的第一分支网络和第二分支网络；第一分支网络基于卷积神经网络以及循环神经网络构建；第二分支网络基于循环神经网络构建；第三网络基于全连接层构建；第一分支网络，用于对网格化降雨数据提取空间分布特征，并进行时序特征提取，得到第一输出特征；第二分支网络，用于对处理后流量数据进行时序特征提取，得到第二输出特征；第三网络，用于对第一输出特征以及第二输出特征进行合并并分类预测，得到目标水文站点未来P小时的流量预测值。

技术领域

本发明属于水流量预测领域，具体涉及一种基于深度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。

当前的基于深度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。

但现有的基于深度学习的水流量预测模型多属于单点预测，即只能预测未来一个时间点的流量情况，预测得到的单个时间点的流量数据缺乏实际应用价值。并且，现有的基于深度学习的水流量预测模型在利用降雨数据时仅仅将其作为时间序列进行分析，并未考虑降雨量的空间分布情况，因此无法完全挖掘实际降雨数据所描述的信息，预测的准确性不高。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于深度学习的水流量预测模型。本发明要解决的技术问题通过以下技术方案实现：

第一方面，本发明实施例提供的一种基于深度学习的水流量预测模型，包括：

顺次连接的分支网络组和第三网络；所述分支网络组包括并联的第一分支网络和第二分支网络；所述第一分支网络基于卷积神经网络以及循环神经网络构建；所述第二分支网络基于循环神经网络构建；所述第三网络基于全连接层构建；

所述第一分支网络，用于对网格化降雨数据提取空间分布特征，并进行时序特征提取，得到第一输出特征；所述网格化降雨数据基于预定流域的N个水文站点的历史K年各小时和未来P小时降雨量数据和所述N个水文站点的位置信息确定；

所述第二分支网络，用于对处理后流量数据进行时序特征提取，得到第二输出特征；所述处理后流量数据基于所述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年各小时水流量数据确定；

所述第三网络，用于对所述第一输出特征以及所述第二输出特征进行合并并分类预测，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。

可选的，所述第一分支网络包括依次连接的降维网络、特征变换网络以及多个GRU层；所述第二分支网络包括多个GRU层；所述第三网络包括concat模块以及多个全连接层。

可选的，所述网格化降雨数据以及所述处理后流量数据的构建过程包括：

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；