[發(fā)明專利]一種基于LSTM多狀態(tài)向量序列到序列模型的徑流預測方法

有效

• 申請?zhí)枺?/td>: 202110096015.2
• 申請日: 2021-01-25
• 公開（公告）號: CN112949902B
• 公開（公告）日: 2023-06-16
• 發(fā)明（設計）人: 尹翰林;張秀偉;張艷寧;王繁杜;郭子龍
• 申請（專利權）人: 西北工業(yè)大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/0442;G06N3/084;G06N3/08
• 代理公司: 西安凱多思知識產(chǎn)權代理事務所(普通合伙) 61290
• 代理人: 劉新瓊

1.一種基于LSTM多狀態(tài)向量序列到序列模型的徑流預測方法，其特征在于步驟如下：

步驟1：準備數(shù)據(jù)集

收集研究流域內(nèi)各個氣象站點與徑流密切相關的特征數(shù)據(jù)和徑流值數(shù)據(jù)；

步驟2：原始數(shù)據(jù)集的預處理

預處理過程包括異常值處理、空值處理、標準化、數(shù)據(jù)序列化，然后將經(jīng)過預處理的數(shù)據(jù)集按照年份劃分出訓練集、驗證集、測試集三個互斥的部分；

步驟3：構建LSTM多狀態(tài)向量序列到序列模型

模型整體架構包含五個部分，分別是氣象信息編碼器、徑流編碼器、一個多狀態(tài)向量序列形成的狀態(tài)矩陣、一個解碼器和一個全連接層；

所述的狀態(tài)矩陣由兩個編碼器的輸出拼接而成，拼接公式是：

其中(h_n+1，h_n+2，...，h_n+m)是氣象信息編碼器的LSTM單元在最后m個時間步的隱藏狀態(tài)形成的序列，h是徑流編碼器的LSTM單元在最后1個時間步的隱藏狀態(tài)；

步驟4：訓練模型

首先定義損失函數(shù)、優(yōu)化器，然后前向傳播算法計算損失，并且反向傳播算法計算梯度，然后更新網(wǎng)絡參數(shù)的權重；模型進行多次迭代訓練，在每次迭代中，用納什效率系數(shù)NSE衡量其在驗證集下的表現(xiàn)；

步驟5：測試模型

將測試數(shù)據(jù)集送入迭代后的模型中運行，得到預測結果，并根據(jù)真實數(shù)據(jù)對預測結果進行評估。

2.根據(jù)權利要求1所述的一種基于LSTM多狀態(tài)向量序列到序列模型的徑流預測方法，其特征在于所述步驟2中，對原始數(shù)據(jù)集預處理的標準化方法公式為：其中，u_i表示標準化之后的數(shù)據(jù)，μ表示第i個特征x_i在數(shù)據(jù)集上的均值，σ表示第i個特征x_i在數(shù)據(jù)集上的標準差。

3.根據(jù)權利要求1所述的一種基于LSTM多狀態(tài)向量序列到序列模型的徑流預測方法，其特征在于所述步驟2中，對原始數(shù)據(jù)集預處理的數(shù)據(jù)序列化是使用滑動窗口的方式，滑動窗口進行序列化的公式如下：

其中，z_i表示序列化之后的第i個序列，x_i表示原始數(shù)據(jù)集的第i個特征，n表示原始數(shù)據(jù)集大小，l表示滑動窗口的大小。