[發明專利]基于深度學習的洪水流量預測方法、裝置和電子設備

有效

• 申請號: 202011379603.9
• 申請日: 2020-11-30
• 公開（公告）號: CN112668711B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 陳晨;趙松;周揚;江建格;欒定彬
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F18/214;G06F18/241;G06N3/0442;G06N3/0455;G06N3/0464;G06N3/08
• 代理公司: 西安嘉思特知識產權代理事務所(普通合伙) 61230
• 代理人: 劉長春

本發明公開了一種基于深度學習的洪水流量預測方法、裝置和電子設備，方法包括：獲取原始降雨數據、原始流量數據以及水文站點的原始位置信息；將原始降雨數據、先驗降雨數據、原始流量數據以及原始位置信息進行預處理，得到處理后降雨數據、處理后流量數據以及處理后位置信息；基于處理后降雨數據、處理后先驗降雨數據以及處理后位置信息，形成網格化降雨數據；對網格化降雨數據提取空間分布特征，并提取歷史T小時和未來P小時的降雨數據的時序特征，得到第一輸出特征；對處理后流量數據，提取歷史T小時的流量數據的時序特征，得到第二輸出特征；對第一輸出特征以及第二輸出特征進行合并分類預測，得到目標水文站點未來P小時的流量預測值。

技術領域

本發明屬于洪水流量預測領域，具體涉及一種基于深度學習的洪水流量預測方法、裝置和電子設備。

背景技術

洪水是常見的自然災害之一，每年有上億人受洪水影響，流離失所，而洪水所造成的財力物力損失也非常巨大。有效地預測洪水流量并及時發出預警對于防洪減災具有重大意義。

當前的洪水流量預測模型主要分為傳統物理模型和智能洪水預測模型。傳統物理模型例如新安江模型，其是在充分挖掘當地的地形地貌、蒸發量、植被覆蓋率等物理特征的前提下，進行物理過程的參數計算，最終制定出的一套具有區域針對性的預測模型。而智能洪水預測模型是以海量的歷史數據作為先驗知識，利用機器學習等智能方法得到的從輸入特征到輸出特征的函數映射或者聯合分布。

但現有的洪水流量預測模型多屬于單點預測，即只能預測未來一個時間點的流量情況，預測得到的單個時間點的流量數據缺乏實際應用價值。并且，現有的洪洪水流量預測模型在利用降雨數據時僅僅將其作為時間序列進行分析，并未考慮降雨量的空間分布情況，因此無法完全挖掘實際降雨數據所描述的信息，預測的準確性不高。

發明內容

為了解決現有技術中存在的上述問題，本發明提供了一種基于深度學習的洪水流量預測方法、裝置和電子設備。本發明要解決的技術問題通過以下技術方案實現：

第一方面，本發明實施例提供的一種基于深度學習的洪水流量預測方法，包括：

獲取預定流域的原始降雨數據、原始流量數據以及N個水文站點的原始位置信息；所述原始降雨數據包括所述預定流域的N個水文站點的歷史K年各小時降雨數據，所述原始流量數據包括所述N個水文站點中位于所述預定流域的出口斷面處的目標水文站點的歷史K年各小時流量數據，所述原始位置信息包括所述N個水文站點的經度和所述N個水文站點的緯度；

將所述原始降雨數據、預先獲取的未來P小時的先驗降雨數據、所述原始流量數據以及所述原始位置信息進行預處理，分別得到處理后降雨數據、處理后先驗降雨數據、處理后流量數據以及處理后位置信息；

基于所述處理后降雨數據、所述處理后先驗降雨數據以及所述處理后位置信息，形成網格化降雨數據；

基于所述網格化降雨數據，利用預先訓練得到的基于深度學習的洪水流量預測模型的第一分支網絡提取空間分布特征，以及提取歷史T小時和未來P小時的降雨數據的時序特征，得到第一輸出特征；基于所述處理后流量數據，利用所述基于深度學習的洪水流量預測模型的第二分支網絡提取歷史T小時的流量數據的時序特征，得到第二輸出特征；利用所述基于深度學習的洪水流量預測模型的第三網絡對所述第一輸出特征以及所述第二輸出特征進行合并分類預測，得到所述目標水文站點未來P小時的流量預測值，N、K、T和P均為大于1的自然數，且T小于等于所述K年對應的小時數。

可選的，所述將所述原始降雨數據、預先獲取的未來P小時的先驗降雨數據、所述原始流量數據以及所述原始位置信息進行預處理，分別得到處理后降雨數據、處理后流量數據以及處理后位置信息，包括：

對所述原始降雨數據進行數據剔除、數據補全處理以及歸一化處理，得到處理后降雨數據；

將所述先驗降雨數據進行歸一化處理，得到處理后先驗降雨數據；