[發(fā)明專利]一種基于實(shí)現(xiàn)月平均水文流量預(yù)測的系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201811151722.1
• 申請日: 2018-09-29
• 公開（公告）號: CN109508810A
• 公開（公告）日: 2019-03-22
• 發(fā)明（設(shè)計(jì)）人: 李幼萌;霍琳琳
• 申請（專利權(quán)）人: 天津大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 天津市北洋有限責(zé)任專利代理事務(wù)所 12201
• 代理人: 劉玥

本發(fā)明公開了一種基于LSTM數(shù)據(jù)模塊實(shí)現(xiàn)月平均水文流量預(yù)測的系統(tǒng)，包括如下步驟：步驟一，采集氣象數(shù)據(jù)通過數(shù)據(jù)預(yù)處理模塊構(gòu)建水文流量數(shù)據(jù)模型；步驟二，通過LSTM數(shù)據(jù)模塊中第一數(shù)據(jù)處理層對水文流量數(shù)據(jù)模型中預(yù)處理數(shù)據(jù)進(jìn)行計(jì)算獲得每日水文平均流量數(shù)據(jù)集；步驟三，通過LSTM數(shù)據(jù)模塊中第二數(shù)據(jù)處理層對每日水文流量數(shù)據(jù)集進(jìn)行計(jì)算獲得月水文平均流量數(shù)據(jù)集；步驟四，通過如下公式對月水平平均數(shù)據(jù)集進(jìn)行計(jì)算求出Nash檢測系數(shù)，該方法該方法可以利用復(fù)雜的水文流量數(shù)據(jù)獲得精準(zhǔn)地每日平均流量預(yù)測，為提供準(zhǔn)確的月平均水文流量數(shù)據(jù)奠定基礎(chǔ)。

技術(shù)領(lǐng)域

本申請屬于將深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)和水文領(lǐng)域相結(jié)合，特別涉及一種基于LISM數(shù)據(jù)模塊實(shí)現(xiàn)月平均水文流量預(yù)測的系統(tǒng)。

背景技術(shù)

LSTM(Long Short-Term Memory)是長短期記憶網(wǎng)絡(luò)，是RNN的一種特殊網(wǎng)絡(luò)，在算法中加入了判斷信息是否有用的門單元，是解決長序依賴問題的有效技術(shù)。RNN是神經(jīng)網(wǎng)絡(luò)里面的循環(huán)神經(jīng)網(wǎng)絡(luò)，是一類用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱層和輸出層，在層之間的神經(jīng)元之間建立權(quán)連接。神經(jīng)元模型是經(jīng)過生物神經(jīng)元抽象而來，神經(jīng)元接受輸入x₁、x₂、x₃、x₄等，通過帶權(quán)重ω的連接進(jìn)行傳遞，將總輸入信號與神經(jīng)元的閾值進(jìn)行比較，最后通過激活函數(shù)處理確定是否激活。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供一種一種基于LISM數(shù)據(jù)層實(shí)現(xiàn)月平均水文流量預(yù)測的方法，該方法可以利用復(fù)雜的水文流量數(shù)據(jù)獲得精準(zhǔn)地月平均每日流量預(yù)測，為提供準(zhǔn)確的月平均水文流量數(shù)據(jù)奠定基礎(chǔ)。

本發(fā)明的技術(shù)方案:

一種基于LSTM數(shù)據(jù)模塊實(shí)現(xiàn)月平均水文流量預(yù)測的系統(tǒng)，包括如下步驟：

步驟一，采集氣象數(shù)據(jù)通過數(shù)據(jù)預(yù)處理模塊構(gòu)建水文流量數(shù)據(jù)模型；

步驟二，通過LSTM數(shù)據(jù)模塊中第一數(shù)據(jù)處理層對水文流量數(shù)據(jù)模型中預(yù)處理數(shù)據(jù)進(jìn)行計(jì)算獲得每日水文平均流量數(shù)據(jù)集；

步驟三，通過LSTM數(shù)據(jù)模塊中第二數(shù)據(jù)處理層對每日水文流量數(shù)據(jù)集進(jìn)行計(jì)算獲得月水文平均流量數(shù)據(jù)集；

步驟四，通過如下公式對月水平平均數(shù)據(jù)集進(jìn)行計(jì)算求出Nash檢測系數(shù)

所述LSTM數(shù)據(jù)模塊中第一數(shù)據(jù)處理層包括如下步驟：

2.1對第一數(shù)據(jù)處理層進(jìn)行定義；

2.2對步驟2.1的數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測；

2.3通過MSE和Nash公式計(jì)算獲得日流量參數(shù)；

2.4判斷日流量參數(shù)是否滿足日調(diào)參數(shù)，如果滿足輸出日流量參數(shù)，否則返回步驟2.1。

所述LSTM數(shù)據(jù)模塊中第二數(shù)據(jù)處理層包括如下步驟：

3.1對第二數(shù)據(jù)處理層進(jìn)行定義；

3.2對步驟3.1的數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測；

3.3通過MSE和Nash公式計(jì)算獲得月流量參數(shù)；

3.4判斷月流量參數(shù)是否滿足月調(diào)參數(shù)，如果滿足輸出月流量參數(shù)，否則返回步驟3.1。

與現(xiàn)有技術(shù)相比，本發(fā)明具有的優(yōu)點(diǎn)：

1、本發(fā)明使用LSTM重新建立模型，提高具有較大數(shù)據(jù)的水文流量預(yù)測的精確度和準(zhǔn)確性。

2、本發(fā)明使用循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的LSTM方法對水文流量進(jìn)行預(yù)測，比較適合數(shù)據(jù)量較大的情況。

附圖說明