[發明專利]一種基于神經網絡的水流速度預測方法、系統及電子設備

有效

• 申請號: 202010633280.5
• 申請日: 2020-07-04
• 公開（公告）號: CN111768046B
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 張慧;馬文靜;胡志剛
• 申請（專利權）人: 江蘇工程職業技術學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08;G06N3/04
• 代理公司: 南通物格知識產權代理事務所(普通合伙) 32395
• 代理人: 胡燕

本發明公開了一種基于神經網絡的水流速度預測方法、系統及電子設備，包括：步驟1，采集河床床面粗糙程度、水面坡降大小、斷面形狀規則程度、水流含沙量大小、測點離開床面的距離作為第一特征；步驟2，采集河道級別的變化處作為第二特征；步驟3，確定各個河道軌跡間的特征距離；步驟4，為第一特征、第二特征和第三特征分配相應的權重，且第二特征的權重值大于第一特征和第三特征的權重值；步驟5，將第一特征、第二特征、第三特征及其相應的權重值輸入流速預測模型，輸出水流速度。本發明的預測方法，模型多樣化，考慮到河道級別的變化以及河道之間的間接作用對水流流速的影響，因此具有預測精度高等優點。

技術領域

本發明涉及流體速度預測領域，具體涉及一種基于神經網絡的水流速度預測方法、系統及電子設備。

背景技術

傳統的水流速度預測方法，多是通過采集河道當前的河床床面粗糙程度、水面坡降大小、斷面形狀規則程度、水流含沙量大小、測點離開床面的距離等少量數據存入數據庫MySQL中，之后利用訓練好的單一一種模型，統計分析這些數據來實現水流速度預測。但是這種方法的數據來源單一，使用模型單一，且并沒有考慮河道級別的變化以及河道之間的間接作用對水流流速的影響，因此現有的模型預測精度較低，準確度不高。

發明內容

發明目的：本發明的目的是為了解決現有技術中的不足，提供一種基于神經網絡的水流速度預測方法、系統及電子設備，該預測方法，模型多樣化，考慮到河道級別的變化以及河道之間的間接作用對水流流速的影響，因此具有預測精度高等優點。

技術方案：本發明所述的一種基于神經網絡的水流速度預測方法，包括如下步驟：

步驟1，采集河床床面粗糙程度、水面坡降大小、斷面形狀規則程度、水流含沙量大小、測點離開床面的距離作為第一特征；

步驟2，采集河道級別的變化處作為第二特征；

步驟3，確定各個河道軌跡間的特征，包括：將河床床面粗糙程度、水面坡降大小、斷面形狀規則程度、水流含沙量大小、測點離開床面的距離及河道級別作為河道軌跡P1、P2…、Pn的特征向量，每條河道軌跡特征表達式為：

Pi＝(R1,R2,R3,R4,R5,R6)，

式中，i表示第i條河道軌跡，R1表示河床床面粗糙程度，R2表示水面坡降大小，R3表示斷面形狀規則程度，R4表示水流含沙量大小，R5表示測點離開床面的距離，R6表示河道級別；

計算不同河道軌跡特征之間的特征距離L:

式中，LS(q_i,q_j)表示兩條河道軌跡之間的實際距離；q_i和q_j分別表示第i條和第j條河道軌跡的特征；|PR_i-PR_j|為對應q_i和q_j河道級別的差值；isSep表示兩條河道是否為河道交叉處，取值為1或0；b表示修正系數，所述修正系數可動態調整；

若特征距離小于設定閾值，則將該特征距離作為第三特征；

步驟4，為第一特征、第二特征和第三特征分配相應的權重，且第二特征的權重值大于第一特征和第三特征的權重值；

步驟5，將第一特征、第二特征、第三特征及其相應的權重值輸入流速預測模型，輸出水流速度。

進一步的，還包括：

所述流速預測模型包括人工神經網絡模型、深度學習模型、樸素貝葉斯模型。

進一步的，還包括：

將第一特征輸入人工神經網絡模型；

將第二特征輸入深度學習模型；

將第三特征輸入樸素貝葉斯模型；