[发明专利]一种基于时空信息的水文数据异常检测方法

说明书

本发明公开了一种基于时空信息的水文数据异常检测方法，包括：关联站点划分；水位时间序列划分；利用训练好的卷积神经网络(CNN)模型得到模型输出结果，并使用马尔科夫链(MC)对模型输出结果进行残差值预测，根据模型输出结果和预测的残差值判断异常站点；获取到待检测站点和其所有关联站点的异常状况；采用动态分配D‑S证据理论(DA‑DS)算法进行结果融合，得到水文数据异常预测结果。本发明充分考虑暴雨季对于水文数据的影响，提高了检测精度，并且引入混合蛙跳算法(SFLA)来改进卷积网络参数，加入MC算法来进行残差预测，增加了预测数据的准确性；最后通过动态分配D‑S证据理论，充分考量了空间因素，将多关联站点预测结果融合，有效减少了误报次数。

技术领域

本发明属于数据挖掘领域，涉及一种数据异常检测方法，具体涉及一种基于时空信息的水文数据异常检测方法。

背景技术

近年来，由于乱砍滥伐、掠夺性使用森林资源，我国长江、黄河流域植被遭到损坏，土地沙漠化严重，洪涝灾害时有发生。据不完全统计，建国以来，我国洪涝受灾面积年均1.34亿亩，成灾面积0.76亿亩，直接经济损失达上百亿元。鉴于上述情况，如何利用有效的方法精准、快速地预报洪水，对于防洪减灾、调节生态平衡以及区域水资源的调度具有重要的意义。

异常检测作为数据挖掘领域的重要分支，在众多领域中都得到了广泛的应用^[1-3]。随着水利信息化水平的不断提高，水利行业的发展也迎来了新的生机，如何利用有效的方法从海量的水文数据中挖掘出有价值的信息已成为水利信息化过程中研究的关键问题。近年来，学者们对水文数据异常检测进行了大量的研究，也取得了颇丰的研究成果。早先，研究人员们使用传统的数据模型或者简单的机器学习模型达到了较好的实验效果，其中比较具有代表性的模型有滑动窗口、ARIMA等。但是，随着大数据时代的到来，传统的模型已经难以适应庞大数据量的计算以及水文数据复杂特性的处理。针对此问题，学者们开始通过组合模型的方式来弥补传统单一模型存在的缺陷，从而有效提高了实验结果的准确性。后来，随着神经网络以及深度学习的不断发展，像BP神经网络^[4]、长短期记忆网络(Long Short-Term Memory,LSTM)^[5]等诸多算法在异常检测领域也得到了广泛的应用，这些算法利用神经网络强大的特征学习能力以及计算能力在异常检测的精度上有了很大的提升。

综上所述，利用有效的方法对水文数据进行分析处理，既是相关部门防洪报汛的要求，也是国民经济建设的重要保障。若能够综合分析出一套完整的水文数据异常检测体系，不仅能够有效提高水文数据异常检测的精度，而且还能够将此理论体系应用于其它领域的异常检测中。目前，应用于水文数据异常检测的算法在异常检测的精度上已经能够达到较高的水平。但是，现有的异常检测算法对于水文数据表现出的季节性、随机性以及时空相关性等复杂特性处理尚不够充分，所以在异常检测的精度上还存在较大的提升空间，值得投入大量的时间和精力去开展研究。

发明内容

发明目的：针对现有技术中对于水文数据复杂特性的处理尚不够充分，导致检测的误报率较高、检出率低的现状，本发明结合了基于加权累积降雨量的水文时间序列划分方法和基于SFLA-CNN和MC的水文数据异常检测算法，并引入动态分配D-S证据理论来进行多站关联异常检测，提出一种准确率较高且误报率显著降低的基于时空信息的水文数据异常检测方法。

技术方案：为实现上述目的，本发明提供一种基于时空信息的水文数据异常检测方法，包括如下步骤：

S1：划分出与待检测站点相关联的站点；

S2：根据划分出的站点，将水文数据的水位时间序列进行划分；

S3：根据划分好的水位时间序列，利用训练好的卷积神经网络模型得到模型输出结果，并使用马尔科夫链对模型输出结果进行残差值预测，根据模型输出结果和预测的残差值判断站点是否发生异常；

S4：通过步骤S3的方法获取到待检测站点和其所有关联站点的异常状况；