[发明专利]一种基于ARIMA-HRNN的多维实时洪水预报方法

说明书

本发明涉及洪水预报技术领域(IPC分类号：G06Q10/04)，尤其涉及一种基于ARIMA‑HRNN的多维实时洪水预报方法。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。本发明将动态回归模块和深度学习模块的输出结合起来进行融合，并在预测结果中加入线性成分，使预测结果能够适应由于尺度转换而导致的输入期尺度的变化。此外，ARIMA‑HRNN模型可以有效地描述水库洪水预报过程中的完整洪水过程，从而提高了洪水预报在实际预报时的精度。

技术领域

本发明涉及洪水预报技术领域(IPC分类号：G06Q10/04)，尤其涉及一种基于ARIMA-HRNN的多维实时洪水预报方法。

背景技术

可靠的洪水预报是做好水库防洪发电调度的前提，因此水库洪水预报是整个防洪和发电调度决策的核心组成部分。传统上基于水文模型来进行洪水预报，由于传统水文模型(例如新安江模型)结构及参数所限，难以完全反映水文规律，故预报精度往往不够理想。

本发明提供的一种基于ARIMA-HRNN的实时洪水预报方法，可以用来可靠地预测给定地点的洪水趋势和洪峰时间。本发明将动态回归模块和深度学习模块的输出结合起来进行融合，并在预测结果中加入线性成分，使预测结果能够适应由于尺度转换而导致的输入期尺度的变化。基于用户自动导入的数据或从气象部门自动导入的信息进行水库长期径流预报和短期洪水径流预报。本方法基于网络的图形用户界面应用以时间序列图、表格、GIS图、过程动画显示和自动生成的预测报告等格式向用户提供所生成的数据。与其他方法相比，本发明在预测流量准确性、峰值与峰现时间差值具有更好的表现。

发明内容

本发明公开了一种基于ARIMA-HRNN的多维实时洪水预报方法，该方法通过优化网络结构及其权重系数，使复杂的水文规律蕴含在模型中，解决了传统水文模型的缺陷，从而达到提高预报精度的目的。

为了解决上述问题，本发明的提供了一种基于ARIMA-HRNN的多维实时洪水预报方法，包括以下步骤：

S1.采用卷积核函数来平滑局部噪声；

S2.使用混合循环神经网络(HRNN)模型进行特征提取；

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.采用差分整合移动平均自回归模型(ARIMA)添加线性分量增强预测；

S5.添加权重平均模块将HRNN输出结果与自回归融合滑动平均模块ARIMA回归值加权平均融合。

优选的，所述S2步骤中的特征提取为提取洪水的峰值特征，在洪水过程中会有多峰过程和单峰过程的情况，对于任一洪水中入库流量对应的时间系列Q＝{Q₀,Q₁…,Q_T}，Q为洪水入库对应时间序列。不同的时间分别记为Q₀，Q₁……Q_T。本发明首先提取了总数据样本的20％的样本数据即并按时间依次对洪水的入库流量顺序进行排序，查找一组洪峰位置Q_peak＝{Q_i∣0iT}，(i代表洪水入库的某一时间序列)确定编号n，并保留洪水Q_i中数据样本(5/n)％的数据不会平滑，以确保洪水的形状。

优选的，所述S2步骤中的HRNN模型中引入了卷积神经网络(CNN)，主要用于提取不同变量之间的非线性依赖关系。与图像对应的庞大规模的维度不同，时间序列所提取的特征维度较少，因此在进行卷积后不需要进行池化层处理，对于选用的激活函数，本发明使用了Relu激活函数。