[發明專利]一種基于相似性搜索和LSTM神經網絡的水位預測方法

有效

• 申請號: 201910706437.X
• 申請日: 2019-08-01
• 公開（公告）號: CN111401599B
• 公開（公告）日: 2022-08-26
• 發明（設計）人: 萬定生;周金玉
• 申請（專利權）人: 河海大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/04;G06N3/08;G06F16/2458;G06F16/22;G06F16/29
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

本發明公開一種基于相似性搜索和LSTM神經網絡的水位預測方法，根據待預測日前二十日的水位與此前所有歷史水位數據進行比較，利用相似性搜索找出與其相近的一系列時間序列，將其作為訓練集采用LSTM網絡進行預測。該方法主要包括：數據預處理，旨在查補原始數據中的缺失及錯誤；水文時間序列快速相似搜索，在離線過程使用滑動窗口方法劃分原始時間序列，再通過改進Chameleon聚類方法、最小距離方差法和學習過濾選擇法選擇合適的索引參考集，最后基于約束DTW距離對原始時間序列的每個位置進行嵌入索引計算形成最終的索引空間。本發明能夠提前預測水位，為防洪抗災工作提供有效的技術支持。

技術領域

本發明涉及一種基于相似性搜索和LSTM神經網絡預測水位技術，具體涉及對水位信息進行相似性搜索有效降低訓練集的冗余以及利用LSTM神經網絡進行預測的技術。

背景技術

近年來，我國水文行業從傳統水文向現代水文邁進，自動水文站觀測技術快速推廣，從人工手動記錄水文數據資料記錄到當前自動站每幾分鐘甚至每秒鐘一次的數據記錄，水文數據資料覆蓋愈加全面。這些水文數據擁有數量大、類別雜、時空性、更新快等特點，同時，它們受到季節氣候、地貌特征、水文規律等諸多條件影響，隱藏了很多有價值的規律和信息。如何對它們進行有力的分析，從中得到有用的信息從而服務于水文預報、洪水檢測等成為人們關注的焦點。傳統水文行業普遍根據水文環境和過程建立物理模型再加以人工經驗進行預測。

現今常用的水文時間序列預測模型存在一些缺點，基于統計學方法的時間序列預測模型需要基于一些歸納和假想情況進行模擬分析，會有不符合實際情況的可能性；灰色系統理論中，數據愈分散，準確度就愈低；最為常用的神經網絡模型，BP網絡易陷入局部最優解，單一ELM學習性能不穩定。近年來，深度學習研究在其他領域取得了不俗的成就，同樣也可以將其引入水文時間序列預測研究中，結合時間序列相似性研究，對水文時間序列進行預測。

發明內容

發明目的：本發明的目的在于解決現有技術中存在的不足，提高預測精度和減少預測用時，提供一種基于相似性搜索和LSTM神經網絡的水位預測方法。

技術方案：本發明的一種基于相似性搜索和LSTM神經網絡的水位預測方法，所述方法包括如下步驟：

(1)獲取待預測日前二十日及此前歷史水位數據，并對數據預處理；

(2)依據水文時間序列快速相似性搜索方法對已處理數據進行相似性搜索，得到K條與待搜索序列相似的序列組成訓練集；

(3)構建基于LSTM的神經網絡模型，將相似性搜索結果作為訓練集，通過網絡模型進行訓練預測。

步驟(1)中數據預處理方法包括：填補缺失數據、修正錯誤數據、平滑數據、標準化數據；缺失數據填補方法缺失值計算方法如下：缺失數據為單值時，采用均值插補法，其中x_miss為缺失值，miss為缺失值在數據中所處位置的下標，公式如下：

x_miss＝(x_miss-1+x_miss+1)/2， (公式1)

缺失數據為連續多值時采用線性插補法，其中x_exist和x_exist+m為已知值，兩者中間缺失m個數據，缺失值x_miss(exist＜miss＜exist+m)公式如下：

錯誤數據修正方法依據拉依達準則，確定數據集X,數值分布在(μ-3σ,μ+3σ) 中的概率為0.9973，μ為X的均值，σ為X的標準差，不在此范圍內的數據被識別為錯誤數據,將其刪除。

平滑數據為消除數據隨機波動和錯誤點產生的干擾，對給定數據進行數據平滑操作。采用部分數據的加權和作為參考進行平滑處理，公式如下：