[发明专利]一种洪水流量预测的方法

权利要求书

1.一种洪水流量预测的方法，其特征在于：包括以下步骤：

步骤1，输入收集到的昌化地区过去洪水场次数据集，提取输入数据集的数据包括径流量、降雨量、水量蒸发量；

步骤2，将数据传入特征增强模块中，通过改写多层次的卷积神经网络拉大输入输出数据维度差，突出并得到洪水因子中的关键信息；

步骤3，在循环神经网络中引入特征提取模块与时间信息编码模块，从不同视角进行建模，并将增强后的数据传入到搭建好的神经网络中进行训练；

步骤4，双视角权重平衡并调节其比重，通过合并单元进行感知信息融合，完成训练；

步骤5，对测试集数据进行预测，得到最终的预测结果，完成精准预测的任务；

步骤21，传入数据并将数据封装成批次大小的张量；

步骤22，特征增强模块中，在多层的卷积神经网络上通过一维数据的批归一化层对水文数据进行批归一化处理，稳定数据的分布会发生变化：

此次批量数据x的均值定义为：

其中：μ_β为此次批量数据的均值，x_i为样本的数据值，m为此次批量数据的总量；

样本批次的方差定义为：

其中：表示此次批量数据的方差；

接下来对x做归一化，得到

其中：∈为接近0的数，防止分母出现0；

引入缩放和平移变量，计算归一化后的值：

其中γ和β表示缩放因子与平移因子，y_i表示归一化处理之后的值；

步骤23，在特征增强模块中完成对这些特征的增强，通过三层卷积神经网络来实现；在第一层处将特征维度拉大为原来的两倍，以1*1卷积用来改变维数，即将维度升高；在中间层改为1*3卷积层；在最后一层将高维度的特征缩减为原始数据尺寸，进行数据的传递；

步骤24，对洪水中的特征因子进行特征增强，产生具有与当前任务相关的尺寸的改进特征；处理过的特征描述将与原始特征数据进行融合，利用这些信息来探索河流流量与特征因子之间的关系模型；增强特征的描述定义为：

F(f)＝C_B(B(f))

其中，f是洪水特征因子，B()是对特征的多次卷积操作，C_B()代表特征增强功能，F(f)表示经过增强模块之后的数据。

2.根据权利要求1所述的一种洪水流量预测的方法，其特征在于：所述步骤23中，三层卷积网络神经卷积核分别为1*1、1*3、1*1，通道数分别为32、64、32。

3.根据权利要求1所述的一种洪水流量预测的方法，其特征在于：步骤3的具体过程如下：

步骤31，在每个神经元中，有一个特征提取模块F和一个时间信息编码模块T，分别充当单个输入样本上的特征提取模块和顺序输入上的时间信息编码器；

步骤32，在时间戳t时的特征提取模块F的输出定义为：

其中：表示在时间戳t时的特征提取模块F的输出，F( )表示特征提取模块，p_i-1，t表示在时间戳t时第i层的特征提取模块F的输入，μ_i是第i层中F的参数；

步骤33，在时间戳t时的时间信息编码模块T的输出定义为：

其中：v_i，t表示时间戳t在第i层的存储状态，v_i，t-1表示上一时间点的时间信息存储状态，p_i-1，t表示在时间戳t时第i层的特征提取模块F的输入，表示第i层T的参数；

步骤34，在合并单元中融合来自两个单元的信息流，融合后的数据结果表示为：

其中ζ表示合并函数，通过同位元素对应相乘生成，p_i，t表示融合后的数据结果；

步骤35，在训练的初期阶段以80％的概率禁止从时间信息编码模块T进行反向传播，在训练的初期从80％禁止开始，以隔离每一层的时间信息；随后在训练过程中逐渐降低禁止率；

步骤36，以LSTM为基础网络进行上述内容的改写，传入增强后的数据流进行模型的训练。