[发明专利]一种基于ARIMA-HRNN的多维实时洪水预报方法

权利要求书

1.一种基于ARIMA-HRNN的多维实时洪水预报方法，其特征在于，包括以下步骤：

S1.采用卷积核函数来平滑局部噪声；

S2.使用HRNN进行特征提取；

S3.采用了时间序列注意力机制，对上游水库的流出流量、降雨等输入向量分配各种注意力权重；

S4.采用ARIMA添加线性分量增强预测；

S5.添加权重平均模块将HRNN输出结果与ARIMA回归值加权平均融合。

2.根据权利要求1所述的多维实时洪水预报方法，其特征在于，所述S2中的HRNN中在提取多维特征时使用了CNN。

3.根据权利要求1所述的多维实时洪水预报方法，其特征在于，所述S2中的特征提取为提取洪水的峰值特征。

4.根据权利要求1所述的多维实时洪水预报方法，其特征在于，所述S2包括以下子步骤：

S21.将CNN提取的特征矩阵作为输入；

S22.使用Bi-LSTM作为循环单元，信息进入LSTM；

S23.通过遗忘门从主信息流中丢弃一些无用的信息，按下式进行处理：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

式中，f_t为遗忘门输出；W_f为遗忘权重矩阵；h_t-1为上一时刻网络状态；x_t为当前输入；b_f为遗忘门偏置；

S24.确定信息的更新情况；

S25.通过输出门确定输出的信息。

5.根据权利要求4所述的多维实时洪水预报方法，其特征在于，所述S25包括以下子步骤：

S251.输出门会读取当前输入x_t和上一时刻网络状态h_t-1，经过sigmoid函数得到一个值为0～1之间的激活向量来确定单元状态哪些部分可以输出；

S252.利用tanh函数层得到-1～1范围之间的激活向量来处理LSTM单元当前的状态C_t，并与第一步的结果进行矢量逐元素相乘，得到输出h_t。

6.根据权利要求1所述的多维实时洪水预报方法，其特征在于，所述S3包括以下子步骤：

S31.通过点积形式来计算注意力权重aW_t；

S32.通过softmax函数概率计算注意力权重aW_t，得到概率向量p_t；

S33.将Bi-LSTM生成的隐藏状态h与相应的注意力概率向量相乘，得到其加权值；

S34.通过注意力层的输出和LSTM的输出之后，模型将两个模块的输出结果相加。

7.根据权利要求6所述的多维实时洪水预报方法，其特征在于，所述S32中的aW_t按下式进行获取：

aW_t＝tanh(h_t)

式中，tanh为激活函数，aW_t为注意力权重。

8.根据权利要求1所述的多维实时洪水预报方法，其特征在于，所述S4中ARIMA包括自回归模型、运动平均模型和平滑处理模型。