CN110163419B - 一种中小河流流域洪水预报的方法 - Google Patents

一种中小河流流域洪水预报的方法 Download PDF

Info

Publication number
CN110163419B
CN110163419B CN201910349205.3A CN201910349205A CN110163419B CN 110163419 B CN110163419 B CN 110163419B CN 201910349205 A CN201910349205 A CN 201910349205A CN 110163419 B CN110163419 B CN 110163419B
Authority
CN
China
Prior art keywords
model
specific value
data
dim
follows
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910349205.3A
Other languages
English (en)
Other versions
CN110163419A (zh
Inventor
巫义锐
丁昱凯
朱跃龙
冯钧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201910349205.3A priority Critical patent/CN110163419B/zh
Publication of CN110163419A publication Critical patent/CN110163419A/zh
Application granted granted Critical
Publication of CN110163419B publication Critical patent/CN110163419B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种中小河流流域洪水预报的方法，属于洪水预报方法技术领域。该方法包含以下步骤：步骤1，输入流域的历史水文数据；步骤2，调整参数，训练基于长短时记忆的神经网络模型；步骤3，输入测试数据测试模型性能，判断模型性能是否符合要求；步骤4，保存训练完成的神经网络模型；步骤5，输入实时水文数据，获得预测结果，完成预报。本发明能够根据流域特点调整模型，具有灵活性；预报结果较准确，鲁棒性较好。

Description

一种中小河流流域洪水预报的方法
技术领域
本发明涉及一种中小河流流域洪水预报的方法，属于洪水预报方法技术领域。
背景技术
作为一种最常见且分布广泛的水文现象，洪水可以发生在所有类型的河流与河道。洪涝灾害因其具有的突发性及巨大的破坏性，常常会给人类社会造成巨额的经济损失与人员伤亡。因此，实现对水文灾害尤其是洪涝灾害的预报显得十分重要。中小流域具有洪水诱因复杂，实时监测难度大等特点，给传统的方法提出了巨大的挑战。
近年来多种基于计算机技术的研究方法被应用到洪水预报流域。现有方法主要借助于计算机分析研究洪水特点及河床变形规律，采用水文学、水力学、河流动力学等相结合的方法，建立实用的洪水预报经验方案和数学预报模型。而其对于专业知识背景要求高，较多分布在大江大河流域，可移植性较差，在中小河流流域难以大规模推广。
发明内容
针对中小河流流域洪水诱因复杂、实时监测难度大等问题，本发明提出了一种中小河流流域洪水预报的方法，该方法性能稳定，可移植性高。
本发明为解决其技术问题采用如下技术方案：
一种中小河流流域洪水预报的方法，包括以下步骤：
步骤1，输入流域的历史水文数据；
步骤2，调整网络初始化参数，训练基于长短时记忆的神经网络模型；
步骤3，输入测试数据测试模型性能，判断网络性能是否符合要求，如不符合则重复步骤2；
步骤4，保存训练完成的神经网络模型；
步骤5，输入实时水文数据，获得预测结果，完成预报。
所述步骤1具体过程如下：
步骤11，将获得的历史水文数据进行筛检，剔除残缺数据及已明确被告知无法使用的水文数据；
步骤12，将获得的历史水文数据划分为训练集与测试集，分别存储于计算机存储介质，并提供调用索引。
所述步骤2的具体过程如下：
步骤21，根据步骤12中所提供索引读取训练数据，记数据维度为Dim；
步骤22，搭建网络，初始化网络参数In_dim(输入层维度)、LSTM_in_dim(长短时记忆输入层维度)、LSTM_hidden_dim(长短时记忆隐藏层维度)、Out_dim(输出层维度)、Learning_rate(学习率)、Gama(学习率调整率)、Milestones(学习率调整周期)、Batch_size(单次输入样本数)、Epochs(迭代次数)、Weight_decay、Use_GPU(是否使用通用图形单元)；
步骤23，使用Adam算法训练模型，训练过程的目标函数为Lt，其计算公式为：
Figure BDA0002043385290000021
其中，C的具体数值为5000，loss(·)表示L1损失函数，yi,t表示预测处的流量真值，
Figure BDA0002043385290000022
表示第i个样本的流量初始值，Δpi,t表示在t时刻样本i关于初始流量的变化量，λ||WN||2为正则项，正则参数λ具体数值为0.000001，WN为神经网络学习参数，||WN||2计算公式为：
Figure BDA0002043385290000023
其中：WNi为神经网络的第i个参数。
所述步骤22中，In_dim具体数值为59，LSTM_in_dim具体数值为64，LSTM_hidden_dim的具体数值为128，Out_dim具体数值为1，Learning_rate具体数值为0.0125，Gama具体数值为0.1，Milestones具体数值为100，Batch_size具体数值为100，Epoches具体数值为1000，Weight_decay具体数值为0.000001，Use_GPU具体数值为布尔值真。
所述步骤3具体过程如下：
步骤31，根据步骤12中所提供索引读取测试数据；
步骤32，使用模型进行流量预报，获得预报值，进行评判标准的计算；评判标准包括：确定性系数DC、预报合格率R、均方根误差RMSE；
步骤33，评定模型性能指标，判断确定性系数DC是否大于等于0.80，预报合格率是否大于等于80％，预报均方根误差RMSE是否小于等于80；
步骤34，若步骤33中各项指标符合要求，则进行步骤4；否则，重新执行步骤2、步骤3。
所述在步骤32中，预报合格的含义为：预报值y与真实值q的相对误差Er小于等于20％；相对误差Er计算公式为：
Figure BDA0002043385290000031
确定性系数DC计算公式为：
Figure BDA0002043385290000032
其中，yi表示第i次预报值，qi表示第i次流量真实值，
Figure BDA0002043385290000033
表示所有的平均数值；
预报值预报合格率R计算公式为：
Figure BDA0002043385290000034
其中，Q表示测试集数据量，Y表示预报合格数据量；
均方根误差RMSE计算公式为:
Figure BDA0002043385290000035
其中，n为测试集样本总数量，j为计数下标，yj为模型预报值，qj为流量真实值。
所述步骤4具体过程如下：
步骤41，保存模型结构与参数；
步骤42，记录模型应用场景与实验数据，并备份。
所述步骤5具体过程如下：
步骤51，采集指定流域水文数据，将数据送入模型，获得预报值；
步骤52，定期检查模型性能指标，如果存在性能下降，重复步骤3
本发明的有益效果如下：
(1)本发明采用长短时记忆网络与注意力机制进行预报，能够较好地应对中小河流流域的洪水诱因复杂、实时分析与监测难度大等挑战，相较于现有技术，本发明性能稳定，可移植性高。
(2)本发明所需的部署成本低，在使用过程中不需要大量人力，性能价格比较高，并且部署方便。
附图说明
图1为本发明算法流程图。
图2为本模型具体框架图。
具体实施方式
下面结合附图对本发明创造做进一步详细说明。
如图1所示，本发明所提及的中小河流流域洪水预报方法是按如下流程逐步进行的：首先将经过数据预处理后得到的历史水文数据按照数据维度要求输入待训练模型，然后通过训练基于长短时记忆的神经网络模型，通过调整参数，获得训练完毕的网络模型。随后进行对网络模型的测试，如果性能达标，则将网络参数及模型结构进行固定，保存模型。在实际应用过程中，将实时水文数据输入网络，即可得到预报结果。
如图2所示，本发明所提及的神经网络模型是一种基于长短时记忆的神经网络模型。神经网络模型结构包括数据预处理模块，长短时记忆模块，情景感知模块，时间关注模块，逻辑回归模块，预测输出模块。情景感知模块，能够赋予输入向量It相应关注权重αt。αt的计算公式为：
αt＝Nor(sig(Wc,t-1ht-1+bc,t-1))
其中，Wc,t-1表示模型对t-1时刻隐藏层状态的权重、ht-1表示t-1时刻隐藏层状态与bc,t-1表示模型对t-1时刻隐藏层状态的偏置，其均为模型学习参数。sig(·)表示激活函数，Nor(·)表示激活与归一化函数。
时间关注模块，能够赋予长短时记忆单元隐藏层状态ht相应关注权重βt。βt的计算公式为：
βt＝sig(Wm,t-1It-1+Wm,tIt+bm,t)
其中：Wm,t-1表示模型对t-1时刻模型输入的权重，Wm,t为表示模型对t时刻模型输入的权重，It-1为t-1时刻模型的输入，It为表示t时刻模型输入，bm,t为表示模型对t时刻模型输入的偏置，
sig(·)表示激活函数。其计算公式为：
sig(x)＝1/(1+e-x)
其中：x为输入变量，e为自然常数，其近似值为2.71828；
原始数据经过数据预处理模块处理后变为标准数据，标准数据被送入LSTM(长短时记忆)模块，然后经过情境感知模块产生情境感知权重，与此同时标准数据被送入时间关注模块产生时间关注权重，情境感知权重与时间关注权重共同作用于LSTM模块的隐藏层状态，经过多轮循环后，输出LSTM模块的隐藏层状态。经过逻辑回归模块后产生预报结果，输出模型。

Claims (1)

1.一种中小河流流域洪水预报的方法，其特征在于：包括以下步骤：
步骤1，输入流域的历史水文数据；所述步骤1具体过程如下：
步骤11，将获得的历史水文数据进行筛检，剔除残缺数据及已明确被告知无法使用的水文数据；
步骤12，将获得的历史水文数据划分为训练集与测试集，分别存储于计算机存储介质，并提供调用索引；
步骤2，调整网络初始化参数，训练基于长短时记忆的神经网络模型；所述步骤2的具体过程如下：
步骤21，根据步骤12中所提供索引读取训练数据，记数据维度为Dim；
步骤22，搭建网络，初始化网络参数In_dim、LSTM_in_dim、LSTM_hidden_dim、Out_dim、Learning_rate、Gama、Milestones、Batch_size、Epochs、Weight_decay、Use_GPU；所述步骤22中，In_dim具体数值为59，LSTM_in_dim具体数值为64，LSTM_hidden_dim的具体数值为128，Out_dim具体数值为1，Learning_rate具体数值为0.0125，Gama具体数值为0.1，Milestones具体数值为100，Batch_size具体数值为100，Epoches具体数值为1000，Weight_decay具体数值为0.000001，Use_GPU具体数值为布尔值真；
步骤23，使用Adam算法训练模型，训练过程的目标函数为Lt，其计算公式为：
Figure FDA0003695695330000011
其中，C的具体数值为5000，loss(·)表示L1损失函数，yi,t表示预测处的流量真值，
Figure FDA0003695695330000012
表示第i个样本的流量初始值，Δpi,t表示在t时刻样本i关于初始流量的变化量，λ||WN||2为正则项，正则参数λ具体数值为0.000001，WN为神经网络学习参数，||WN||2计算公式为：
Figure FDA0003695695330000013
其中：WNi为神经网络的第i个参数；
步骤3，输入测试数据测试模型性能，判断网络性能是否符合要求，如不符合则重复步骤2；所述步骤3具体过程如下：
步骤31，根据步骤12中所提供索引读取测试数据；
步骤32，使用模型进行流量预报，获得预报值，进行评判标准的计算；评判标准包括：确定性系数DC、预报合格率R、均方根误差RMSE；
步骤33，评定模型性能指标，判断确定性系数DC是否大于等于0.80，预报合格率是否大于等于80％，预报均方根误差RMSE是否小于等于80；
步骤34，若步骤33中各项指标符合要求，则进行步骤4；否则，重新执行步骤2、步骤3；
步骤4，保存训练完成的神经网络模型；所述步骤4具体过程如下：
步骤41，保存模型结构与参数；
步骤42，记录模型应用场景与实验数据，并备份；
步骤5，输入实时水文数据，获得预测结果，完成预报；所述步骤5具体过程如下：
步骤51，采集指定流域水文数据，将数据送入模型，获得预报值；
步骤52，定期检查模型性能指标，如果存在性能下降，重复步骤3。
CN201910349205.3A 2019-04-28 2019-04-28 一种中小河流流域洪水预报的方法 Active CN110163419B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910349205.3A CN110163419B (zh) 2019-04-28 2019-04-28 一种中小河流流域洪水预报的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910349205.3A CN110163419B (zh) 2019-04-28 2019-04-28 一种中小河流流域洪水预报的方法

Publications (2)

Publication Number Publication Date
CN110163419A CN110163419A (zh) 2019-08-23
CN110163419B true CN110163419B (zh) 2022-08-19

Family

ID=67638770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910349205.3A Active CN110163419B (zh) 2019-04-28 2019-04-28 一种中小河流流域洪水预报的方法

Country Status (1)

Country Link
CN (1) CN110163419B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753965A (zh) * 2020-06-30 2020-10-09 长江水利委员会水文局 一种基于深度学习的河流流量自动整编方法及系统
CN112819219A (zh) * 2021-01-26 2021-05-18 河海大学 一种基于自注意力机制的时序网络的洪水流量预测方法
CN116933217B (zh) * 2023-09-19 2024-01-30 广州华水生态科技有限公司 基于数字孪生和ai技术的中小河流洪水预报方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272146A (zh) * 2018-08-23 2019-01-25 河海大学 一种基于深度学习模型和bp神经网络校正的洪水预测方法
CN109583565A (zh) * 2018-11-07 2019-04-05 河海大学 基于注意力模型长短时记忆网络的洪水预测方法
CN109615011A (zh) * 2018-12-14 2019-04-12 河海大学 一种基于lstm的中小河流短期洪水预报方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272146A (zh) * 2018-08-23 2019-01-25 河海大学 一种基于深度学习模型和bp神经网络校正的洪水预测方法
CN109583565A (zh) * 2018-11-07 2019-04-05 河海大学 基于注意力模型长短时记忆网络的洪水预测方法
CN109615011A (zh) * 2018-12-14 2019-04-12 河海大学 一种基于lstm的中小河流短期洪水预报方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种LSTM-BP多模型组合水文预报方法;冯钧等;《计算机与现代化》;20180604(第07期);全文 *

Also Published As

Publication number Publication date
CN110163419A (zh) 2019-08-23

Similar Documents

Publication Publication Date Title
CN111310968B (zh) 一种基于互信息的lstm神经网络循环水文预报方法
CN111639748B (zh) 一种基于lstm-bp时空组合模型的流域污染物通量预测方法
Harpham et al. Multi-site downscaling of heavy daily precipitation occurrence and amounts
CN110163419B (zh) 一种中小河流流域洪水预报的方法
Al Shamisi et al. Using MATLAB to develop artificial neural network models for predicting global solar radiation in Al Ain City–UAE
CN107153874B (zh) 水质预测方法及系统
CN109711617B (zh) 一种基于blstm深度学习的中长期径流预测方法
CN108876021B (zh) 一种中长期径流预报方法及系统
CN110456355B (zh) 一种基于长短时记忆和生成对抗网络的雷达回波外推方法
CN111767517A (zh) 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质
Butler et al. Extreme value analysis of decadal variations in storm surge elevations
CN112330065A (zh) 一种基于基流分割和人工神经网络模型的径流预报方法
Tarwidi et al. An optimized XGBoost-based machine learning method for predicting wave run-up on a sloping beach
CN114219131A (zh) 一种基于lstm的流域径流预测方法
CN115796351A (zh) 基于变分模态分解和微波衰减的降雨短临预测方法及装置
CN113283155A (zh) 一种近地表气温估算方法、系统、存储介质及设备
Xu et al. Deep transfer learning based on transformer for flood forecasting in data-sparse basins
CN112307536B (zh) 一种大坝渗流参数反演方法
CN113487069B (zh) 一种基于grace日降尺度和新型dwsdi指数的区域洪涝灾害风险评估方法
Deng et al. Hybrid metaheuristic machine learning approach for water level prediction: A case study in Dongting Lake
CN114897204A (zh) 一种海上风电场短期风速预测方法和装置
CN112819219A (zh) 一种基于自注意力机制的时序网络的洪水流量预测方法
CN113077110A (zh) 一种基于gru的调和残差分段式潮位预测方法
ANILAN et al. The estimation of flood quantiles in ungauged sites using teaching-learning based optimization and artificial bee colony algorithms
LU504816B1 (en) Interpretable deep learning model for extreme climate prediction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant