[发明专利]一种洪水流量预测的方法

说明书

本发明公开了一种洪水流量预测的方法，属于深度学习领域。该方法包括以下步骤：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；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；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；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；5，对测试集数据进行预测，得到最终的预测结果。本发明预测方法具有很强的准确性，预测效率高，可以快速完成洪水预测。

技术领域

本发明涉及一种洪水流量预测的方法，属于深度学习领域。

背景技术

洪水是由于暴雨、风潮等因素引起的江河湖泊水量迅速增加、水位迅猛上涨的一种自然现象，由于水体上涨超过一定水位从而威胁有关地区的安全，甚至造成灾害。因此，洪水的预测显得格外重要，一旦我们可以精准的提前预测到洪水，成千上万人的生命和财产便可得到保护，这使得洪水预报对于计算机和水文学界的研究人员而言都是紧迫而重要的任务。

时至今日，许多研究人员致力于设计准确而可靠的洪水预报模型，这些方法通常被分为两类：水文模型以及数据驱动模型。水文模型通过基于仿真的功能系统，对洪水的复杂水文过程进行概括和近似。水文物理模型通过对一条河流按相似原理缩小而获得其主要物理性质，描述了从线索到函数结果的复杂水文过程；而水文数学模型则遵循数学表达式相似的原理来描述水文现象物理过程却不考虑原型的物理本质，主要根据收集的历史洪水因素—降雨、径流等估计河流流量。

在不考虑洪水的复杂物理过程的情况下，数据驱动模型收集历史洪水数据，并通过学习收集的水文因素中的模式直接估算河流径流。随着深度学习结构的显着发展，研究人员已开始尝试使用LSTM(长短期记忆人工神经网络)相关网络进行准确的洪水预报，该网络将洪水过程视为随时间变化的顺序数据。

然而，由于洪水发生频率较低，产生机理复杂，在利用深度学习方法探究河流流量与特征因子间关系时会产生各样的问题，比如出现数据不足的问题，导致过拟合或低问题建模能力；同时如何有效地提取时间信息和特征信息在理解序列信息方面起着关键作用，这也带来了如何进行精准建模的问题。

发明内容

针对现有技术的不足，本发明提出了一种洪水流量预测的方法，通过特征增强与分离特征信息时间信息突出感知的洪水预测。

本发明为解决其技术问题采用如下技术方案：

一种洪水流量预测的方法，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2的具体过程如下：

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：