[發明專利]基于深度學習的水流量預測模型

在審

• 申請號: 202011379622.1
• 申請日: 2020-11-30
• 公開（公告）號: CN112529270A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 王琦
• 申請（專利權）人: 西安科銳盛創新科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/04;G06N3/08;G06N20/00
• 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: 王海棟

1.一種基于深度學習的水流量預測模型，其特征在于，包括：

順次連接的分支網絡組和第三網絡；所述分支網絡組包括并聯的第一分支網絡和第二分支網絡；所述第一分支網絡基于卷積神經網絡以及循環神經網絡構建；所述第二分支網絡基于循環神經網絡構建；所述第三網絡基于全連接層構建；

所述第一分支網絡，用于對網格化降雨數據提取空間分布特征，并進行時序特征提取，得到第一輸出特征；所述網格化降雨數據基于預定流域的N個水文站點的歷史K年各小時和未來P小時降雨量數據和所述N個水文站點的位置信息確定；

所述第二分支網絡，用于對處理后流量數據進行時序特征提取，得到第二輸出特征；所述處理后流量數據基于所述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年各小時水流量數據確定；

所述第三網絡，用于對所述第一輸出特征以及所述第二輸出特征進行合并并分類預測，得到所述目標水文站點未來P小時的流量預測值，其中，N、K和P為大于1的自然數。

2.根據權利要求1所述的基于深度學習的水流量預測模型，其特征在于，所述第一分支網絡包括依次連接的降維網絡、特征變換網絡以及多個GRU層；所述第二分支網絡包括多個GRU層；所述第三網絡包括concat模塊以及多個全連接層。

3.根據權利要求2所述的基于深度學習的水流量預測模型，其特征在于，所述網格化降雨數據以及所述處理后流量數據的構建過程包括：

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。

4.根據權利要求3所述的基于深度學習的水流量預測模型，其特征在于，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、處理后先驗降雨數據、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；

將所述原始流量數據進行歸一化處理，得到處理后流量數據；

將所述原始位置信息進行網格化處理，得到處理后位置信息。

5.根據權利要求4所述的基于深度學習的水流量預測模型，其特征在于，所述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，包括：

將所述原始降雨數據中，數據數目低于預設數量的水文站點所對應的數據剔除，得到剩余降雨數據；

對所述剩余降雨數據中缺失的降雨數據，利用反距離加權法進行數據補全，得到補全降雨數據；

將所述補全降雨數據進行歸一化處理，得到處理后降雨數據。

6.根據權利要求4所述的基于深度學習的水流量預測模型，其特征在于，所述歸一化處理包括[0,1]歸一化處理。

7.根據權利要求3所述的基于深度學習的水流量預測模型，其特征在于，所述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，包括：

針對每一小時，從所述處理后降雨數據和所述處理后先驗降雨數據中，選取該小時各水文站點對應的降雨數據分別填入所述處理后位置信息中各水文站點的對應位置處，形成該小時對應的第一網格化降雨數據，由所述處理后降雨數據和所述處理后先驗降雨數據對應的所有所述第一網格化降雨數據構成所述網格化降雨數據。