[發明專利]一種基于LSTM深度學習的河流水溫預測方法

在審

• 申請號: 202010972535.0
• 申請日: 2020-09-16
• 公開（公告）號: CN112116147A
• 公開（公告）日: 2020-12-22
• 發明（設計）人: 王遠坤;邱如健;王棟;陶雨薇;吳吉春
• 申請（專利權）人: 南京大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06K9/62;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 張華蒙

1.一種基于LSTM深度學習的河流水溫預測方法，其特征在于，包括如下步驟：

1)收集某河流水文和氣象數據，包括逐日氣溫AT、逐日流量Q和逐日水溫WT時間序列y_o；

2)選取時間序列y_o分別作為訓練集和測試集，并完成正則化處理，正則化后的時間序列為y_o′；

3)基于正則化后的時間序列為y_o′的訓練集部分，將逐日氣溫AT和逐日流量Q作為輸入因子，逐日水溫WT為輸出因子，構建長短期記憶神經網絡LSTM水溫預測模型；

4)基于正則化后的時間序列為y_o′的測試集部分，將逐日氣溫AT和逐日流量Q輸入訓練好的網絡中，通過反正則化處理得到測試集逐日水溫WT預測結果y_p；

5)對比步驟4)得到的預測結果y_p和步驟1)中收集的測試集逐日水溫WT時間序列y_o，以平均絕對誤差MAE、均方根誤差RMSE、納什效率系數NSE和決定系數R²作為檢驗標準，驗證模型合理性。

2.根據權利要求1所述的一種基于LSTM深度學習的河流水溫預測方法，其特征在于，步驟2)中，所述的選取時間序列y_o是選取前70％長度的時間序列y_o作為訓練集，剩余30％長度的時間序列y_o作為測試集。

3.根據權利要求1所述的一種基于LSTM深度學習的河流水溫預測方法，其特征在于，步驟2)中，所述的完成正則化處理的計算公式為：

其中，x_raw表示原始變量；x_norm是正則化后的變量；表示x的平均值，σ_x表示x的標準偏差。

4.根據權利要求3所述的一種基于LSTM深度學習的河流水溫預測方法，其特征在于，步驟3)中，所述的長短期記憶神經網絡LSTM水溫預測模型通過遺忘門f_t、輸入門i_t和輸出門o_t控制LSTM層記憶單元數據信息的流動，包括如下步驟：

3.1)基于正則化后的時間序列為y_o′的訓練集部分，輸入當前時刻t的逐日氣溫AT和逐日流量Q構成的矩陣x_t和t-1時刻的記憶單元隱含狀態向量h_t-1至f_t，h_t-1封裝和匯總了t-2時刻出現的所有信息，f_t控制著數據信息的遺忘或保留：

f_t＝σ(W_f[x_t,h_t-1]+b_f) (II)；

其中，W_f為遺忘門權重矩陣，b_f為遺忘門偏置，σ(·)表示Sigmoid激活函數；

3.2)輸入門i_t由sigmoid層和tanh層兩部分組成，sigmoid層更新當前輸入信息，tanh層生成新的記憶單元中間狀態向量用于更新記憶單元狀態：

i_t＝σ(W_i[x_t,h_t-1]+b_i) (III)；

其中，W_i表示輸入門權重矩陣，表示單元狀態權重矩陣，b_i和分別為輸入門和單元狀態偏置，tanh(·)表示雙曲正切函數；

3.3)更新t時刻記憶單元狀態c_t：

其中，c_t-1表示t-1時刻記憶單元狀態，⊙表示兩個向量元素間的乘積；

3.4)輸出門o_t控制著長期記憶對t時刻輸出的影響：

o_t＝σ(W_o[x_t,h_t-1]+b_o) (VI)；

其中，W_o為輸出門權重矩陣，b_o為輸出門偏置；

35)輸出門o_t和t時刻記憶單元狀態c_t共同決定t時刻記憶單元輸出y_t：

h_t＝tanh(c_t)⊙o_t (VII)；

y_t＝W_yh_t+b_y (VIII)；

其中，h_t為t時刻的記憶單元隱含狀態向量，W_y為單元輸出權重矩陣和b_y為單元輸出偏置。