CN109711617B - 一种基于blstm深度学习的中长期径流预测方法 - Google Patents

Abstract

本发明公开一种基于BLSTM深度学习的中长期径流预测方法，包括如下步骤：步骤1，获取某流域逐月降雨及径流资料，对数据进行归一化处理；步骤2，确定率定期及验证期；步骤3，对率定期的逐月降雨及径流资料进行训练，构建基于BLSTM的径流预测模型；步骤4，输入验证期逐月降雨资料，利用步骤3中训练好的模型进行径流量的预测，以Nash效率系数NSE作为检验标准，验证合理性；步骤5，输入未来预报阶段的逐月降雨预报数据，预测径流量，并将结果作反归一化处理，得到中长期径流预测结果。此种方法从数据自身出发，不仅能够考虑过去的信息，也能考虑未来的信息，相比于现行的神经网络径流预测方法，能够提高径流预测精度。

Description

一种基于BLSTM深度学习的中长期径流预测方法

技术领域

本发明属于水文时间序列预测领域，特别涉及一种基于双向长短时记忆(BLSTM)神经网络的中长期径流预测方法。

背景技术

水文时间序列通常包括降雨、水位、流量、潮位等系列资料，其中径流量的模拟与预测对于流域水资源分析利用及防洪减灾具有重要的意义。传统的径流预测方法主要是基于物理性或者概念性的降雨径流模型，该方法的前提是需要掌握流域下垫面条件，降雨等空间变化规律，物理特性及流域边界条件，但是随着全球气候条件的变化及人类活动的影响，导致水文时间序列具有高度非线性和非一致性，因此传统的径流预测方法难以掌握其未来变化规律，高精度的水文气象数据要求亦容易引起高额计算成本。

深度学习方法和计算机的迅速发展，为径流序列的预测提供了新的可能，单纯由数据驱动机制的算法例如回归，模糊算法和人工神经网络等逐渐得到发展。目前，已有的数据驱动的时间序列预测方法主要包括循环神经网络(RNN)，长短时记忆(LSTM)神经网络等。RNN能够利用输入信息和过去若干时段的信息，使得预测结果考虑了过去序列的作用，但是隐含层的输入对于网络输出的影响会随着网络环路的不断递归而衰退。为了解决这个问题，LSTM结构诞生了，该方法适用于处理和预测时间序列中间隔和延迟相对较长的重要事件，但是该方法只能考虑过去的信息，未能充分利用未来的信息。

发明内容

本发明的目的，在于提供一种基于BLSTM深度学习的中长期径流预测方法，其从数据自身出发，不仅能够考虑过去的信息，也能考虑未来的信息，相比于现行的神经网络径流预测方法，能够提高径流预测精度。

为了达成上述目的，本发明的解决方案是：

一种基于BLSTM深度学习的中长期径流预测方法，包括如下步骤：

步骤1，获取某流域逐月降雨及径流资料，对数据进行归一化处理；

步骤2，确定率定期及验证期；

步骤3，对率定期的逐月降雨及径流资料进行训练，构建基于BLSTM的径流预测模型；

步骤4，输入验证期逐月降雨资料，利用步骤3中训练好的模型进行径流量的预测，以Nash效率系数NSE作为检验标准，验证合理性；

步骤5，输入未来预报阶段的逐月降雨预报数据，预测径流量，并将结果作反归一化处理，得到中长期径流预测结果。

上述步骤1中，逐月降雨及径流资料为多年资料序列，其中某一年取其特定月份的一个月流量数据及该月前后一段时间的月降雨资料。

上述步骤3的具体过程是：

步骤3.1，将逐月降雨及径流资料输入BLSTM结构中；

步骤3.2，设C_t为LSTM结构的单元状态，t时段向前传播的单元状态基于t-1时段的输出和当前时段的输入进行计算，公式为C_t＝f(WC_t-1+UI_t)；该时段向后传播的单元状态基于t+1时段的输出和当前时段的输入进行计算，公式为C_t'＝f(W'C_t+1'+U'I_t)；其中，f为非线性的激活函数；W，U，W’，U’代表权重矩阵；I_t为t时段的输入；计算第一个时段单元时，C₀设置为0向量；

步骤3.3，最终输出结果取决于向前传播和向后传播计算的叠加，表达式为：

O_t＝g(Vh_t+V'h_t')

式中，O_t为第t计算时段的输出径流量；V，V’为输出权重；h_t，h_t'分别为向前传播和向后传播的LSTM单元模块的输出；g为Softmax激活函数；

步骤3.4，确定损失函数，优化模型参数；

步骤3.5，如果损失函数满足要求，则完成训练过程；否则以梯度下降法优化并转入步骤3.1，进入下一次迭代，直到损失函数满足要求。

上述步骤3.2中，f为Tanh，ReLU或Logistic。

上述步骤3.4中，以实测径流量和预测值的均方误差为损失函数MSE，使其越小越好，其表达式为：

其中，N为率定期计算系列长度；Q_O,t为第t计算时段的实测径流量，m³/s；Q_S,t为第t计算时段的预测径流量，即O_t进行反归一化结果，m³/s。

LSTM的一个单元模块包括三个“门”结构控制“单元”状态，以向前传播为例：

a、遗忘门以概率控制是否遗忘上一计算时段的单元状态：

f_t＝σ(W_fh_t-1+U_fI_t+b_f)

式中，I_t为第t时段输入的逐月降雨及流量资料；W_f，U_f为遗忘门的权重矩阵，b_f为遗忘门的偏倚，σ为Sigmoid激活函数，h_t-1为上一计算时段的隐藏层信息；

b、输入门从当前的输入数据中补充最新记忆，该部分由两部分组成，第一部分使用Sigmoid激活函数，输出为l_t，第二部分使用Tanh激活函数，输出为a_t：

l_t＝σ(W_lh_t-1+U_lI_t+b_l)

a_t＝tanh(W_ah_t-1+U_aI_t+b_a)

其中，W_l，U_l，W_a，U_a为输入门的权重矩阵，b_l和b_a为输入门的偏倚；

c、更新LSTM单元状态：

式中，C_t为t时段的单元状态；C_t-1为t-1时段的单元状态；

为Hadamard积；

d、更新输出门输出：

G_t＝σ(W_Gh_t-1+U_GI_t+b_G)

其中，h_t为t时段的输出，也是传递到下一计算时段的隐藏层信息；W_G，U_G为输出门的权重矩阵；b_G为输出门的偏倚。

上述步骤4中，Nash效率系数NSE的计算公式为：

其中，Q_S为第t计算时段的预测径流量，m³/s；Q_O为实测径流量，m³/s；

为实测值的均值，m³/s；n为计算系列长度。

采用上述方案后，本发明以输入数据作为驱动，无需考虑复杂多变的流域下垫面情况和流域产汇流规律，构建基于BLSTM深度学习的中长期径流预测方法。该方法不仅能够考虑过去若干时段的信息，也能考虑将来的降雨预报信息，能够有效提高中长期径流预测精度，对于流域水资源分析利用及防洪减灾具有重要意义；同时，神经网络径流预测方法稳定性较好，经过训练后的模型可以直接预测，计算简单易行。

附图说明

图1是双向长短时记忆(BLSTM)神经网络在时间上的展开；

图2是长短时记忆(LSTM)神经网络的单元模块；

图3是本发明的流程图。

具体实施方式

以下将结合附图，对本发明的技术方案及有益效果进行详细说明。

如图3所示，本发明提供一种基于BLSTM深度学习的中长期径流预测方法，包括以下步骤：

步骤1：获取某水文流域1980-2018年逐月降雨及径流实测资料，并收集未来预报期的降雨预报资料，对上述数据进行归一化处理；其中，逐月降雨及径流实测资料为多年资料序列，其中的某一年取其特定月份的一个月流量数据及该月前后一段较长时间的月降雨资料；

步骤2：对1980-2009年间共30年的逐月资料作为输入，进行BLSTM结构的参数率定；验证期为2010-2018年，预报期为未来1年；

步骤3：对率定期的30年的逐月降雨及径流资料进行训练，构建基于BLSTM的径流预测模型，具体步骤如下：

步骤3.1：将30年的逐月降雨及径流资料输入BLSTM结构中；

步骤3.2：如图1所示，C_t为LSTM结构的单元状态，t时段向前传播的单元基于t-1时段的输出和当前时段的输入进行计算，公式为C_t＝f(WC_t-1+UI_t)；同理t时段向后传播的单元基于t+1时段的输出和当前时段的输入进行计算，公式为C_t'＝f(W'C_t+1'+U'I_t)。其中f一般为非线性的激活函数，例如Tanh，ReLU，Logistic；W，U，W’，U’代表权重矩阵；I_t为t时段的输入。计算第一个时段单元时，需要用到C₀，一般将其设置为0向量。

其中，如图2所示，LSTM的一个单元模块主要包括三个“门”结构控制“单元”状态(以向前传播为例，向后传播则相当于将序列逆序计算)：

(1)遗忘门以一定的概率控制是否遗忘上一计算时段的单元状态：

f_t＝σ(W_fh_t-1+U_fI_t+b_f)

式中，I_t为第t时段输入的逐月降雨及流量资料；W_f，U_f为遗忘门的权重矩阵，b_f为遗忘门的偏倚，σ为Sigmoid激活函数，h_t-1为上一计算时段的隐藏层信息；

(2)输入门从当前的输入数据中补充最新记忆，该部分由两部分组成，第一部分使用了Sigmoid激活函数，输出为l_t，第二部分使用了Tanh激活函数，输出为a_t：

l_t＝σ(W_lh_t-1+U_lI_t+b_l)

a_t＝tanh(W_ah_t-1+U_aI_t+b_a)

式中，W_l，U_l，W_a，U_a为输入门的权重矩阵，b_l和b_a为输入门的偏倚；

(3)更新LSTM单元状态：

式中，C_t为t时段的单元状态；C_t-1为t-1时段的单元状态；⊙为Hadamard积。

(4)更新输出门输出：

G_t＝σ(W_Gh_t-1+U_GI_t+b_G)

式中，h_t为t时段的输出，也是传递到下一计算时段的隐藏层信息；W_G，U_G为输出门的权重矩阵；b_G为输出门的偏倚。

步骤3.3：如图1所示，最终输出结果取决于向前传播和向后传播计算的叠加，表达式为：

O_t＝g(Vh_t+V'h_t')

式中，O_t为第t计算时段的输出径流量；V，V’为输出权重；ht，ht’分别为向前传播和向后传播的LSTM单元模块的输出；g通常是Softmax激活函数。

步骤3.4：确定损失函数以不断优化模型参数，例如以实测径流量和预测值的均方误差为损失函数，优化BLSTM结构的参数，使该均方误差MSE越小越好，其表达式为：

式中，N为率定期计算序列长度；Q_O,t为第t计算时段的实测径流量，m³/s；Q_S,t为第t计算时段的预测径流量，即O_t进行反归一化结果，m³/s。

步骤3.5：当损失函数满足小于某个值时，认为满足要求，BLSTM结构训练过程结束；否则，以梯度下降法优化并转入步骤3.1，进入下一次迭代，直到损失函数满足精度要求；

步骤4：输入验证期2010-2018年的逐月降雨资料，利用步骤3中训练好的模型进行径流量的预测，计算预测值与实测径流量的Nash效率系数(NSE)，以验证方法的合理性；

式中，Q_S为第t计算时段的预测径流量，m³/s；Q_O为实测径流量，m³/s；

为实测值的均值，m³/s；n为计算系列长度。

步骤5：输入未来1年(2019年)的逐月降雨预报数据，基于构建的BLSTM结构预测月径流量，并将结果作反归一化处理，得到中长期径流预测结果。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (6)

1.一种基于BLSTM深度学习的中长期径流预测方法，其特征在于包括如下步骤：

步骤1，获取某流域逐月降雨及径流资料，对数据进行归一化处理；

步骤2，确定率定期及验证期；

步骤3，对率定期的逐月降雨及径流资料进行训练，构建基于BLSTM的径流预测模型；具体过程是：

步骤3.1，将逐月降雨及径流资料输入BLSTM结构中；

步骤3.2，设C_t为LSTM结构的单元状态，t时段向前传播的单元状态基于t-1时段的输出和当前时段的输入进行计算，公式为C_t＝f(WC_t-1+UI_t)；t时段向后传播的单元状态基于t+1时段的输出和当前时段的输入进行计算，公式为C_t'＝f(W'C_t+1'+U'I_t)；其中，f为非线性的激活函数；W，U，W’，U’代表权重矩阵；I_t为t时段的输入；计算第一个时段单元时，C₀设置为0向量；

步骤3.3，最终输出结果取决于向前传播和向后传播计算的叠加，表达式为：

O_t＝g(Vh_t+V'h_t')

式中，O_t为第t计算时段的输出径流量；V，V’为输出权重；h_t，h_t'分别为向前传播和向后传播的LSTM单元模块的输出；g为Softmax激活函数；

步骤3.4，确定损失函数，优化模型参数；

步骤3.5，如果损失函数满足要求，则完成训练过程；否则以梯度下降法优化并转入步骤3.1，进入下一次迭代，直到损失函数满足要求；

步骤4，输入验证期逐月降雨资料，利用步骤3中训练好的模型进行径流量的预测，以Nash效率系数NSE作为检验标准，验证合理性；

步骤5，输入未来预报阶段的逐月降雨预报数据，预测径流量，并将结果作反归一化处理，得到中长期径流预测结果。

2.如权利要求1所述的一种基于BLSTM深度学习的中长期径流预测方法，其特征在于：所述步骤1中，逐月降雨及径流资料为多年资料序列，其中某一年取其特定月份的一个月流量数据及该月前后一段时间的月降雨资料。

3.如权利要求1所述的一种基于BLSTM深度学习的中长期径流预测方法，其特征在于：所述步骤3.2中，f为Tanh，ReLU或Logistic。

4.如权利要求1所述的一种基于BLSTM深度学习的中长期径流预测方法，其特征在于：所述步骤3.4中，以实测径流量和预测值的均方误差为损失函数MSE，使其越小越好，其表达式为：

其中，N为率定期计算系列长度；Q_O,t为第t计算时段的实测径流量，m³/s；Q_S,t为第t计算时段的预测径流量，即O_t进行反归一化结果，m³/s。

5.如权利要求1所述的一种基于BLSTM深度学习的中长期径流预测方法，其特征在于：LSTM的一个单元模块包括三个“门”结构控制“单元”状态，以向前传播为例：

a、遗忘门以概率控制是否遗忘上一计算时段的单元状态：

f_t＝σ(W_fh_t-1+U_fI_t+b_f)

式中，I_t为第t时段输入的逐月降雨及流量资料；W_f，U_f为遗忘门的权重矩阵，b_f为遗忘门的偏倚，σ为Sigmoid激活函数，h_t-1为上一计算时段的隐藏层信息；

b、输入门从当前的输入数据中补充最新记忆，输入门由两部分组成，第一部分使用Sigmoid激活函数，输出为l_t，第二部分使用Tanh激活函数，输出为a_t：

l_t＝σ(W_lh_t-1+U_lI_t+b_l)

a_t＝tanh(W_ah_t-1+U_aI_t+b_a)

其中，W_l，U_l，W_a，U_a为输入门的权重矩阵，b_l和b_a为输入门的偏倚；

c、更新LSTM单元状态：

式中，C_t为t时段的单元状态；C_t-1为t-1时段的单元状态；

为Hadamard积；

d、更新输出门输出：

G_t＝σ(W_Gh_t-1+U_GI_t+b_G)

其中，h_t为t时段的输出，也是传递到下一计算时段的隐藏层信息；W_G，U_G为输出门的权重矩阵；b_G为输出门的偏倚。

6.如权利要求1所述的一种基于BLSTM深度学习的中长期径流预测方法，其特征在于：所述步骤4中，Nash效率系数NSE的计算公式为：

其中，Q_S为第t计算时段的预测径流量，m³/s；Q_O为实测径流量，m³/s；

为实测值的均值，m³/s；n为计算系列长度。

Images