[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的水位預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011337201.2
• 申請(qǐng)日: 2020-11-25
• 公開（公告）號(hào): CN112541615A
• 公開（公告）日: 2021-03-23
• 發(fā)明（設(shè)計(jì)）人: 姬戰(zhàn)生;章國(guó)穩(wěn);張振林;黃薇;楊云;王英英;邱超;孟健
• 申請(qǐng)（專利權(quán)）人: 杭州市水文水資源監(jiān)測(cè)中心
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 浙江杭知橋律師事務(wù)所 33256
• 代理人: 陳麗霞

1.基于卷積神經(jīng)網(wǎng)絡(luò)的水位預(yù)測(cè)方法，其特征在于，所述方法包括：

獲取待預(yù)測(cè)的目標(biāo)水文參數(shù)，目標(biāo)水文參數(shù)包括起漲水位、上游水位、下游水位、上游水庫(kù)下泄流量以及區(qū)間降水量的一種或多種；

對(duì)目標(biāo)水文參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理后，輸入訓(xùn)練完的卷積神經(jīng)網(wǎng)絡(luò)中，其中，卷積神經(jīng)網(wǎng)絡(luò)包括依次連接的三層卷積層和兩層全連接層，卷積層的預(yù)設(shè)權(quán)重大于全連接層的預(yù)設(shè)權(quán)重；

根據(jù)卷積神經(jīng)網(wǎng)絡(luò)的輸出，對(duì)當(dāng)前時(shí)段之后的指定時(shí)段內(nèi)，目標(biāo)水文參數(shù)對(duì)應(yīng)的水位值進(jìn)行預(yù)測(cè)；

其中，卷積神經(jīng)網(wǎng)絡(luò)基于在線剔除式過程進(jìn)行訓(xùn)練。

2.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的水位預(yù)測(cè)方法，其特征在于，卷積神經(jīng)網(wǎng)絡(luò)基于在線剔除式過程進(jìn)行訓(xùn)練包括：

獲取歷史水文參數(shù)和對(duì)應(yīng)的歷史水位值，以及實(shí)時(shí)水文參數(shù)和對(duì)應(yīng)的實(shí)時(shí)水位值；

根據(jù)實(shí)時(shí)水文參數(shù)和剔除后的歷史水文參數(shù)，獲取預(yù)設(shè)數(shù)量的參考水文參數(shù)；

將參考水文參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理，輸入待訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)；

根據(jù)卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值與對(duì)應(yīng)的實(shí)際水位值，確定預(yù)測(cè)誤差百分比，并在預(yù)測(cè)誤差百分比小于或等于預(yù)設(shè)閾值時(shí)，獲得訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)；

其中，預(yù)設(shè)數(shù)量的參考水文參數(shù)為固定值。

3.根據(jù)權(quán)利要求2所述的基于卷積神經(jīng)網(wǎng)絡(luò)的水位預(yù)測(cè)方法，其特征在于，預(yù)測(cè)誤差百分比包括預(yù)測(cè)誤差最大百分比和平均絕對(duì)值百分比誤差，預(yù)測(cè)誤差最大百分比和平均絕對(duì)值百分比誤差分別根據(jù)公式(1)和公式(2)確定：

其中，E_max為預(yù)測(cè)誤差最大百分比，MAPE為平均絕對(duì)值百分比誤差，n為測(cè)試集數(shù)目，y_act(i)為第i時(shí)刻的實(shí)際水位值，y_pred(i)為第i時(shí)刻的預(yù)測(cè)值。

4.根據(jù)權(quán)利要求2所述的基于卷積神經(jīng)網(wǎng)絡(luò)的水位預(yù)測(cè)方法，其特征在于，將參考水文參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理，輸入待訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)之前，還包括：

對(duì)卷積層和全連接層的權(quán)重進(jìn)行初始化處理，得到對(duì)應(yīng)預(yù)設(shè)權(quán)重；

其中，根據(jù)均值為0，標(biāo)準(zhǔn)差為1的正態(tài)分布隨機(jī)數(shù)對(duì)卷積層的權(quán)重進(jìn)行初始化處理。

5.根據(jù)權(quán)利要求2所述的基于卷積神經(jīng)網(wǎng)絡(luò)的水位預(yù)測(cè)方法，其特征在于，卷積神經(jīng)網(wǎng)絡(luò)還包括修正單元，將參考水文參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理，輸入待訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)之后，還包括：

當(dāng)預(yù)測(cè)誤差百分比大于預(yù)設(shè)閾值時(shí)，根據(jù)修正單元對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行修正，不斷迭代，直至預(yù)測(cè)誤差百分比小于或等于預(yù)設(shè)閾值；

其中，修正單元包括模型誤差修正子單元、模型參數(shù)修正子單元、模型輸入修正子單元、模型狀態(tài)修正子單元的一種或多種。

6.根據(jù)權(quán)利要求5所述的基于卷積神經(jīng)網(wǎng)絡(luò)的水位預(yù)測(cè)方法，其特征在于，當(dāng)預(yù)測(cè)誤差百分比大于預(yù)設(shè)閾值時(shí)，根據(jù)修正單元對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行修正，不斷迭代，直至預(yù)測(cè)誤差百分比小于或等于預(yù)設(shè)閾值，包括：

使用Adam優(yōu)化算法對(duì)卷積層和全連接層的預(yù)設(shè)權(quán)重進(jìn)行更新，不斷迭代，直至預(yù)測(cè)誤差百分比小于或等于預(yù)設(shè)閾值；

其中，Adam優(yōu)化算法的學(xué)習(xí)率為0.01～0.0001，一階矩陣的指數(shù)衰減率為0.9，二階矩陣的指數(shù)衰減率為0.999。

7.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的水位預(yù)測(cè)方法，其特征在于，三層卷積層的激活函數(shù)均設(shè)置為relu函數(shù)。

8.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的水位預(yù)測(cè)方法，其特征在于，采用線性函數(shù)歸一化對(duì)目標(biāo)水文參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理。