CN110363349A - 一种基于ascs的lstm神经网络水文预测方法及系统 - Google Patents
一种基于ascs的lstm神经网络水文预测方法及系统 Download PDFInfo
- Publication number
- CN110363349A CN110363349A CN201910633468.7A CN201910633468A CN110363349A CN 110363349 A CN110363349 A CN 110363349A CN 201910633468 A CN201910633468 A CN 201910633468A CN 110363349 A CN110363349 A CN 110363349A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- neural network
- lstm neural
- ascs
- bird nest
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000004393 prognosis Methods 0.000 title abstract 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 235000005770 birds nest Nutrition 0.000 claims description 81
- 235000005765 wild carrot Nutrition 0.000 claims description 81
- 238000012549 training Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000012447 hatching Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000009182 swimming Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 3
- 238000001556 precipitation Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 241000544061 Cuculus canorus Species 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 210000004704 glottis Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/045—Combinations of 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"
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (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
本发明公开一种基于ASCS的LSTM神经网络水文预测方法及系统,该方法包括:(1)采集一水系流域的流量雨量值及所述水系流域对应的雨量站一定时间段内的雨量,形成雨量样本数据,进而一定间隔年份的雨量样本数据形成雨量样本数据集,并对所述雨量样本数据集进行预处理;(2)采用ASCS算法对LSTM神经网络的学习率lr和隐含层节点数hidden_size参数进行寻优,同时利用雨量样本数据集对LSTM神经网络进行训练,最终得到ASCS_LSTM神经网络水文预测模型;(3)对所述ASCS_LSTM神经网络水文预测模型进行测试。本发明采用ASCS算法对LSTM模型的参数进行优化,利用最优参数得到的模型进行水文预测,准确度更高。
Description
技术领域
本发明涉及水文预测技术领域,具体涉及一种基于ASCS的LSTM神经网络水文预测方法及系统。
背景技术
近年来,中小河流流域频繁发生暴雨和洪水事件,这些流域具有暴雨量大而集中、洪水涨落剧烈的特点。持续的强降雨造成丘陵地区土壤含水量高,容易发生滑坡、泥石流以及其他严重灾害,从而导致人员伤亡以及经济受损。因此,对中小河流进行水文预测需要引起重视。
随着深度学习的不断发展,许多领域已经成功使用了深度学习技术,然而深度学习在水文预测领域应用却很少。这是由于水文数据的复杂性、非线性、且难以预测等特点决定的,即便有人使用了深度学习的方法进行了水文预测,准确率也不好。
发明内容
发明目的:为了克服现有技术的不足,本发明提供一种基于ASCS的LSTM神经网络水文预测方法,该方法可以解决将深度学习应用到水文预测上精度低的问题,本发明还提供一种基于ASCS的LSTM神经网络水文预测系统。
技术方案:本发明所述的基于ASCS的LSTM神经网络水文预测方法,该方法包括:
(1)采集一水系流域的流量雨量值及所述水系流域对应的雨量站一定时间段内的雨量,形成雨量样本数据,进而一定间隔年份的雨量样本数据形成雨量样本数据集,并对所述雨量样本数据集进行预处理;
(2)采用ASCS算法对LSTM神经网络的学习率lr和隐含层节点数hidden_size参数进行寻优,同时利用雨量样本数据集对LSTM神经网络进行训练,最终得到ASCS_LSTM神经网络水文预测模型;
(3)对所述ASCS_LSTM神经网络水文预测模型进行测试。
进一步地,包括:
所述步骤(1)中,雨量样本数据包括:一水系流域当前以及前15小时的流量雨量值以及所述水系流域对应的雨量站当前及前15小时雨量值以及未来6小时平均雨量值。
进一步地,包括:
所述步骤(2)中,采用ASCS算法对LSTM神经网络的学习率lr和隐含层节点数hidden_size参数进行寻优,具体包括:
(21)初始化LSTM神经网络的隐含层节点数hidden_size和学习率lr参数的取值范围;
(22)随机产生n个鸟巢位置,一个鸟巢位置相当于一组LSTM神经网络的参数(hidden_size,lr),设置解的维度dim、发现外来鸟蛋的概率pa、解的范围和最大迭代次数time;
(23)将水文流量数据预测结果的均方根误差作为每个鸟巢位置适应度值,获取每个鸟巢位置和它的适应度值;
(24)采用新的莱维飞行公式计算每个鸟巢新的位置,计算该位置对应的适应度大小,对适应度值大小采用淘汰择优原则,如果适应度更佳,就用新的鸟巢位置替换原来的鸟巢位置;
(25)按照概率丢弃差的鸟巢位置,用偏好随机游动生成新的鸟巢位置替代已丢弃的鸟巢位置;
(26)比较得到一组较优鸟巢位置,判断当前迭代次数是否符合终止条件,如果能够满足,输出最优解,否则返回步骤(24)继续对孵化鸟巢位置进行优化。
进一步地,包括:
所述新的莱维飞行公式表示为:
其中,和分别是第i个鸟巢在第h+1和h代时的位置,是点对点乘法,α0是步长因子,α是步长控制量,xbest是当前最优解位置,L(β)是莱维随机搜索路径,hmax是迭代总次数,hi是当前迭代次数,i=1,2,3,…n。
一种基于ASCS的LSTM神经网络水文预测系统,包括:
采集模块,用于采集一水系流域的流量雨量值及所述水系流域对应的雨量站一定时间段内的雨量,形成雨量样本数据,进而一定间隔年份的雨量样本数据形成雨量样本数据集;
预处理模块,用于对所述雨量样本数据集进行预处理;
参数寻优模块,用于采用ASCS算法对LSTM神经网络的学习率lr和隐含层节点数hidden_size参数进行寻优;
模型训练模块,用于利用雨量样本数据集对LSTM神经网络进行训练,最终得到ASCS_LSTM神经网络水文预测模型;
测试模块,用于对所述ASCS_LSTM神经网络水文预测模型进行测试。
进一步地,包括:
所述采集模块中,雨量样本数据包括:一水系流域当前以及前15小时的流量雨量值以及所述水系流域对应的雨量站当前及前15小时雨量值以及未来6小时平均雨量值。
进一步地,包括:
所述参数寻优模块中,采用ASCS算法对LSTM神经网络的学习率lr和隐含层节点数hidden_size参数进行寻优,具体包括:
(21)初始化LSTM神经网络的隐含层节点数hidden_size和学习率lr参数的取值范围;
(22)随机产生n个鸟巢位置,一个鸟巢位置相当于一组LSTM神经网络的参数(hidden_size,lr),设置解的维度dim、发现外来鸟蛋的概率pa、解的范围和最大迭代次数time;
(23)将预测得到的流量值结果的均方根误差作为每个鸟巢位置适应度值,获取每个鸟巢位置和它的适应度值;
(24)采用新的莱维飞行公式计算每个鸟巢新的位置,计算该位置对应的适应度大小,对适应度值大小采用淘汰择优原则,如果适应度更佳,就用新的鸟巢位置替换原来的鸟巢位置;
(25)按照概率丢弃差的鸟巢位置,用偏好随机游动生成新的鸟巢位置替代已丢弃的鸟巢位置;
(26)比较得到一组较优鸟巢位置,判断当前迭代次数是否符合终止条件,如果能够满足,输出最优解,否则返回步骤(24)继续对孵化鸟巢位置进行优化。
进一步地,包括:
所述新的莱维飞行公式表示为:
其中,和分别是第i个鸟巢在第h+1和h代时的位置,是点对点乘法,α0是步长因子,α是步长控制量,xbest是当前最优解位置,L(β)是莱维随机搜索路径,hmax是迭代总次数,hi是当前迭代次数,i=1,2,3,…n。
有益效果:本发明与现有技术相比,其显著优点是:本发明采用ASCS算法对LSTM模型的参数进行优化,利用最优参数得到的模型进行水文预测,准确度更高。
附图说明
图1为本发明实施例所述的水文预测模型结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
深度学习模型中,隐藏层数可以由单隐层增加到多层。通过增加网络层数,从而加强复杂数据之间的内在联系,使得深度学习模型可以学习到更多的本质特征,分析出水文数据中特征值和目标值的关系。深度学习方法通过非线性转换机制将样本数据转换至新的特征空间,并在特征空间中找出输入值和输出值的最佳映射关系,与传统的水文预测方法相比,深度学习对于分类和预测更加适用。基于深度网络的特征学习可以更好地分析出历史水文数据中包含的规则,有利于水文预测。
将深度学习算法中的LSTM神经网络方法应用于水文预测中,LSTM神经网络能够学习水文时间序列中的长短期依赖信息。并且LSTM网络中具有时间记忆单元,所以可以处理并预测中小河流水文时间序列中的间隔事件。在LSTM神经网络水文预测的建模过程中,其性能与参数值有关,为了获得高精度的中小河流水文预测结果,需要对LSTM模型的参数进行优化。针对参数优化问题,将ASCS算法应用于LSTM神经网络水文模型参数优化中,建立基于ASCS_LSTM神经网络水文预测模型,对流量进行预测,为水利相关部门防洪减灾提供决策支持。
参阅图1所示,在本发明中,将ASCS算法引入到洪水预报中,提出了基于ASCS_LSTM神经网络水文预测模型,该方法包括:
S1采集一水系流域的流量雨量值及所述水系流域对应的雨量站一定时间段内的雨量,形成雨量样本数据,进而一定间隔年份的雨量样本数据形成雨量样本数据集,并对所述雨量样本数据集进行预处理。流量是指从其他雨量站流入到该水系流域中的平均雨量的速度。
雨量样本数据包括:一水系流域当前以及前15小时的流量雨量值以及所述水系流域对应的雨量站当前及前15小时雨量值以及未来6小时平均雨量值。
本实施例中,选择的水文时间序列样本数据,包括屯溪站前期的实测流量和雨量,以及岩前、休宁、呈村、上溪口、五城、石门、左龙、黟县、大连、儒村共10个雨量站的前期雨量,训练样本是1981年至1990年间的数据,总共24000条记录,测试集是1991年至1996年间的数据,总共7747条记录。
预处理主要为对样本数据进行归一化处理,归一化的计算公式为:
其中,Xi为序列X中第i个元素,Xmax是序列中的最大值,Xmin是序列中的最小值,1≤i≤N,N为雨量样本数据集的总条数。
S2采用ASCS算法对LSTM神经网络的学习率lr和隐含层节点数hidden_size参数进行寻优,同时利用雨量样本数据集对LSTM神经网络进行训练,最终得到ASCS_LSTM神经网络水文预测模型。
具体包括如下步骤:
S21初始化LSTM神经网络的隐含层节点数hidden_size和学习率lr参数取值范围;
S22采用LSTM神经网络模型对水文时间序列数据训练,通过ASCS算法对隐藏层节点数和学习因子寻优。随机产生n个鸟巢位置,一个鸟巢位置相当于一组LSTM神经网络的参数(hidden_size,lr),设置解的维度dim,发现外来鸟蛋的概率pa,解的范围,最大迭代次数time。然后将水文流量数据预测的均方根误差作为每个鸟巢位置适应度值,获取每个鸟巢位置和它的适应度值;
具体的,一个鸟巢位置即代表一组参数(隐含层节点数hidden_size,学习率lr),首先是随机生成n个位置,也就是随机生成n组参数,然后根据模型预测结果的均方根误差作为适应度值,此时已知n个鸟巢位置和对应的适应度值。然后采用公式更新鸟巢位置,根据适应度值更新鸟巢位置,按照概率丢弃差的鸟巢位置,再生成新的位置补上已被丢弃的位置。
S23通过新的莱维飞行公式计算每个鸟巢新的位置,然后计算该位置对应的适应度大小,对适应度值大小采用淘汰择优原则,如果适应度更佳,就用新的鸟巢位置替换原来的鸟巢位置,所述新的莱维飞行公式为:
其中,和分别是第i(i=1,2,3,…n)个鸟巢在第h+1和h代时的位置,是点对点乘法,α0是步长因子,α是步长控制量,xbest是当前最优解位置,L(β)是莱维随机搜索路径,hmax是迭代总次数,hi是当前迭代次数;
S24按照概率丢弃差的鸟巢位置,用偏好随机游动生成新的鸟巢位置替代已丢弃的鸟巢位置;
S25比较得到一组较优鸟巢位置,判断当前迭代次数是否符合终止条件,如果能够满足,输出最优解,否则返回步骤23继续对孵化鸟巢位置进行优化;
设输入的水文时间序列为(xt,yt),其中,t=1,2,…,M,M为雨量样本数据集的数据总数,xt为雨量样本数据,yt为实际值,将水文时间序列样本分为训练样本和测试样本;
S26构建输入门:
式中,去为神经元到输入值xt的权值,为神经元到隐藏层输出值ht的权值,为连接神经元激活函数输出矢量ct和门函数的对角矩阵,σ为激活函数,b1是偏置项。
S27构建遗忘门:
式中,为神经元到输入值xt的权值,为神经元到隐藏层输出值ht的权值,为连接神经元激活函数输出矢量ct和门函数的对角矩阵,σ为激活函数,b2是偏置项。
步骤33计算各训练样本相关系数:构建输出门:
ht=ot tanh(ct)
其中,和为神经元到输入值xt的权值,和为神经元到隐藏层输出值ht的权值,为连接神经元激活函数输出矢量ct和门函数的对角矩阵,σ为激活函数,b3和b4为偏置项。
S28将样本数据放入最优(lr,hidden_size)参数的训练模型中进行训练,得到ASCS_LSTM神经网络水文预测模型。
S3对所述ASCS_LSTM神经网络水文预测模型进行测试。
将ASCS算法运用到LSTM神经网络参数寻优问题上,对水文时间序列进行预测,可以提高预测准确率。
为了验证本发明的预测效果,选取安徽省屯溪站汛期流量作为研究对象,选取1981年至1996年间汛期时段流量数据,将1981-1991年共24000组数据作为训练样本,1991-1996年7747组数据作为测试样本,建立基于ASCS的LSTM神经网络水文预测模型,与传统的参数寻优算法粒子群(PSO)算法、遗传(GA)算法和布谷鸟搜索(CS)算法进行建模对比,预报结果如下:
表1不同的模型预测结果对比
表1表明了:与传统的参数寻优算法相比,自适应步长布谷鸟搜索算法得到参数最优,提高模型的精确度,使ASCS_LSTM模型的均方根误差最小。
基于上述实施例,本发明实施例中,提出一种基于ASCS的LSTM神经网络水文预测系统,具体包括:
采集模块,用于采集一水系流域的流量雨量值及所述水系流域对应的雨量站一定时间段内的雨量,形成雨量样本数据,进而一定间隔年份的雨量样本数据形成雨量样本数据集;
预处理模块,用于对所述雨量样本数据集进行预处理;
参数寻优模块,用于采用ASCS算法对LSTM神经网络的学习率lr和隐含层节点数hidden_size参数进行寻优;
模型训练模块,用于利用雨量样本数据集对LSTM神经网络进行训练,最终得到ASCS_LSTM神经网络水文预测模型;
测试模块,用于对所述ASCS_LSTM神经网络水文预测模型进行测试。
进一步地,包括:
所述采集模块中,雨量样本数据包括:一水系流域当前以及前15小时的流量雨量值以及所述水系流域对应的雨量站当前及前15小时雨量值以及未来6小时平均雨量值。
进一步地,包括:
所述参数寻优模块中,采用ASCS算法对LSTM神经网络的学习率lr和隐含层节点数hidden_size参数进行寻优,具体包括:
(21)初始化LSTM神经网络的隐含层节点数hidden_size和学习率lr参数的取值范围;
(22)随机产生n个鸟巢位置,一个鸟巢位置相当于一组LSTM神经网络的参数(hidden_size,lr),设置解的维度dim、发现外来鸟蛋的概率pa、解的范围和最大迭代次数time;
(23)将预测得到的流量值结果的均方根误差作为每个鸟巢位置适应度值,获取每个鸟巢位置和它的适应度值;
(24)采用新的莱维飞行公式计算每个鸟巢新的位置,计算该位置对应的适应度大小,对适应度值大小采用淘汰择优原则,如果适应度更佳,就用新的鸟巢位置替换原来的鸟巢位置;
(25)按照概率丢弃差的鸟巢位置,用偏好随机游动生成新的鸟巢位置替代已丢弃的鸟巢位置;
(26)比较得到一组较优鸟巢位置,判断当前迭代次数是否符合终止条件,如果能够满足,输出最优解,否则返回步骤(24)继续对孵化鸟巢位置进行优化。
进一步地,包括:
所述新的莱维飞行公式表示为:
其中,和分别是第i个鸟巢在第h+1和h代时的位置,是点对点乘法,α0是步长因子,α是步长控制量,xbest是当前最优解位置,L(β)是莱维随机搜索路径,hmax是迭代总次数,hi是当前迭代次数,i=1,2,3,…n。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于ASCS的LSTM神经网络水文预测方法,其特征在于,该方法包括:
(1)采集一水系流域的流量雨量值及所述水系流域对应的雨量站一定时间段内的雨量,形成雨量样本数据,进而一定间隔年份的雨量样本数据形成雨量样本数据集,并对所述雨量样本数据集进行预处理;
(2)采用ASCS算法对LSTM神经网络的学习率lr和隐含层节点数hidden_size参数进行寻优,同时利用雨量样本数据集对LSTM神经网络进行训练,最终得到ASCS_LSTM神经网络水文预测模型;
(3)对所述ASCS_LSTM神经网络水文预测模型进行测试。
2.根据权利要求1所述的基于ASCS的LSTM神经网络水文预测方法,其特征在于,所述步骤(1)中,雨量样本数据包括:一水系流域当前以及前15小时的流量雨量值以及所述水系流域对应的雨量站当前及前15小时雨量值以及未来6小时平均雨量值。
3.根据权利要求1所述的基于ASCS的LSTM神经网络水文预测方法,其特征在于,所述步骤(2)中,采用ASCS算法对LSTM神经网络的学习率lr和隐含层节点数hidden_size参数进行寻优,具体包括:
(21)初始化LSTM神经网络的隐含层节点数hidden_size和学习率lr参数的取值范围;
(22)随机产生n个鸟巢位置,一个鸟巢位置相当于一组LSTM神经网络的参数(hidden_size,lr),设置解的维度dim、发现外来鸟蛋的概率pa、解的范围和最大迭代次数time;
(23)将预测得到的流量值结果的均方根误差作为每个鸟巢位置适应度值,获取每个鸟巢位置和它的适应度值;
(24)采用新的莱维飞行公式计算每个鸟巢新的位置,计算该位置对应的适应度大小,对适应度值大小采用淘汰择优原则,如果适应度更佳,就用新的鸟巢位置替换原来的鸟巢位置;
(25)按照概率丢弃差的鸟巢位置,用偏好随机游动生成新的鸟巢位置替代已丢弃的鸟巢位置;
(26)比较得到一组较优鸟巢位置,判断当前迭代次数是否符合终止条件,如果能够满足,输出最优解,否则返回步骤(24)继续对孵化鸟巢位置进行优化。
4.根据权利要求3所述的基于ASCS的LSTM神经网络水文预测方法,其特征在于,所述新的莱维飞行公式表示为:
其中,和分别是第i个鸟巢在第h+1和h代时的位置,是点对点乘法,α0是步长因子,α是步长控制量,xbest是当前最优解位置,L(β)是莱维随机搜索路径,hmax是迭代总次数,hi是当前迭代次数,i=1,2,3,…n。
5.一种基于ASCS的LSTM神经网络水文预测系统,其特征在于,包括:
采集模块,用于采集一水系流域的流量雨量值及所述水系流域对应的雨量站一定时间段内的雨量,形成雨量样本数据,进而一定间隔年份的雨量样本数据形成雨量样本数据集;
预处理模块,用于对所述雨量样本数据集进行预处理;
参数寻优模块,用于采用ASCS算法对LSTM神经网络的学习率lr和隐含层节点数hidden_size参数进行寻优;
模型训练模块,用于利用雨量样本数据集对LSTM神经网络进行训练,最终得到ASCS_LSTM神经网络水文预测模型;
测试模块,用于对所述ASCS_LSTM神经网络水文预测模型进行测试。
6.根据权利要求5所述的基于ASCS的LSTM神经网络水文预测系统,其特征在于,所述采集模块中,雨量样本数据包括:一水系流域当前以及前15小时的流量雨量值以及所述水系流域对应的雨量站当前及前15小时雨量值以及未来6小时平均雨量值。
7.根据权利要求5所述的基于ASCS的LSTM神经网络水文预测系统,其特征在于,所述参数寻优模块中,采用ASCS算法对LSTM神经网络的学习率lr和隐含层节点数hidden_size参数进行寻优,具体包括:
(21)初始化LSTM神经网络的隐含层节点数hidden_size和学习率lr参数的取值范围;
(22)随机产生n个鸟巢位置,一个鸟巢位置相当于一组LSTM神经网络的参数(hidden_size,lr),设置解的维度dim、发现外来鸟蛋的概率pa、解的范围和最大迭代次数time;
(23)将预测得到的流量值结果的均方根误差作为每个鸟巢位置适应度值,获取每个鸟巢位置和它的适应度值;
(24)采用新的莱维飞行公式计算每个鸟巢新的位置,计算该位置对应的适应度大小,对适应度值大小采用淘汰择优原则,如果适应度更佳,就用新的鸟巢位置替换原来的鸟巢位置;
(25)按照概率丢弃差的鸟巢位置,用偏好随机游动生成新的鸟巢位置替代已丢弃的鸟巢位置;
(26)比较得到一组较优鸟巢位置,判断当前迭代次数是否符合终止条件,如果能够满足,输出最优解,否则返回步骤(24)继续对孵化鸟巢位置进行优化。
8.根据权利要求7所述的基于ASCS的LSTM神经网络水文预测系统,其特征在于,所述新的莱维飞行公式表示为:
其中,和分别是第i个鸟巢在第h+1和h代时的位置,是点对点乘法,α0是步长因子,α是步长控制量,xbest是当前最优解位置,L(β)是莱维随机搜索路径,hmax是迭代总次数,hi是当前迭代次数,i=1,2,3,…n。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910633468.7A CN110363349B (zh) | 2019-07-15 | 2019-07-15 | 一种基于ascs的lstm神经网络水文预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910633468.7A CN110363349B (zh) | 2019-07-15 | 2019-07-15 | 一种基于ascs的lstm神经网络水文预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110363349A true CN110363349A (zh) | 2019-10-22 |
CN110363349B CN110363349B (zh) | 2022-08-26 |
Family
ID=68219111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910633468.7A Active CN110363349B (zh) | 2019-07-15 | 2019-07-15 | 一种基于ascs的lstm神经网络水文预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363349B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460277A (zh) * | 2020-02-19 | 2020-07-28 | 天津大学 | 一种基于移动社交网络树状传输路径的个性化推荐方法 |
CN111539587A (zh) * | 2020-03-06 | 2020-08-14 | 李�杰 | 一种水文预报方法 |
CN112396152A (zh) * | 2020-11-17 | 2021-02-23 | 郑州大学 | 一种基于cs-lstm的洪水预报方法 |
US20210109894A1 (en) * | 2019-10-11 | 2021-04-15 | Ikigai Labs Inc. | Automated customized modeling of datasets with intuitive user interfaces |
CN112733997A (zh) * | 2021-01-14 | 2021-04-30 | 河海大学 | 基于woa-lstm-mc的水文时间序列预测优化方法 |
CN113361777A (zh) * | 2021-06-08 | 2021-09-07 | 淮阴工学院 | 基于vmd分解和ihho优化lstm的径流预测方法及系统 |
CN115982534A (zh) * | 2023-03-18 | 2023-04-18 | 湖北一方科技发展有限责任公司 | 一种江河水文监测数据的处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596212A (zh) * | 2018-03-29 | 2018-09-28 | 红河学院 | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 |
CN108986470A (zh) * | 2018-08-20 | 2018-12-11 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
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 |
CN109697504A (zh) * | 2018-11-09 | 2019-04-30 | 山东师范大学 | 基于直觉循环模糊神经网络的时间序列预测方法及装置 |
-
2019
- 2019-07-15 CN CN201910633468.7A patent/CN110363349B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596212A (zh) * | 2018-03-29 | 2018-09-28 | 红河学院 | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 |
CN108986470A (zh) * | 2018-08-20 | 2018-12-11 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
CN109697504A (zh) * | 2018-11-09 | 2019-04-30 | 山东师范大学 | 基于直觉循环模糊神经网络的时间序列预测方法及装置 |
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 (2)
Title |
---|
冯钧等: "一种LSTM-BP多模型组合水文预报方法", 《计算机与现代化》 * |
刘强等: "基于GPU的并行拟牛顿神经网络训练算法设计", 《河海大学学报(自然科学版)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210109894A1 (en) * | 2019-10-11 | 2021-04-15 | Ikigai Labs Inc. | Automated customized modeling of datasets with intuitive user interfaces |
US11995036B2 (en) * | 2019-10-11 | 2024-05-28 | Ikigai Labs Inc. | Automated customized modeling of datasets with intuitive user interfaces |
CN111460277A (zh) * | 2020-02-19 | 2020-07-28 | 天津大学 | 一种基于移动社交网络树状传输路径的个性化推荐方法 |
CN111460277B (zh) * | 2020-02-19 | 2023-04-18 | 派欧云计算(上海)有限公司 | 一种基于移动社交网络树状传输路径的个性化推荐方法 |
CN111539587A (zh) * | 2020-03-06 | 2020-08-14 | 李�杰 | 一种水文预报方法 |
CN111539587B (zh) * | 2020-03-06 | 2023-11-24 | 武汉极善信息技术有限公司 | 一种水文预报方法 |
CN112396152A (zh) * | 2020-11-17 | 2021-02-23 | 郑州大学 | 一种基于cs-lstm的洪水预报方法 |
CN112733997A (zh) * | 2021-01-14 | 2021-04-30 | 河海大学 | 基于woa-lstm-mc的水文时间序列预测优化方法 |
CN113361777A (zh) * | 2021-06-08 | 2021-09-07 | 淮阴工学院 | 基于vmd分解和ihho优化lstm的径流预测方法及系统 |
CN113361777B (zh) * | 2021-06-08 | 2023-11-03 | 淮阴工学院 | 基于vmd分解和ihho优化lstm的径流预测方法及系统 |
CN115982534A (zh) * | 2023-03-18 | 2023-04-18 | 湖北一方科技发展有限责任公司 | 一种江河水文监测数据的处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110363349B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363349B (zh) | 一种基于ascs的lstm神经网络水文预测方法及系统 | |
CN111222698B (zh) | 面向物联网的基于长短时记忆网络的积水水位预测方法 | |
CN111310968B (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
CN109902801B (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
Wang et al. | Adaptive learning hybrid model for solar intensity forecasting | |
CN108764539B (zh) | 一种梯级电站的上下游水位预测方法 | |
CN111767517B (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 | |
CN112733996B (zh) | 基于GA-PSO优化XGBoost的水文时间序列预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111815033A (zh) | 一种基于rcnn和气象时序特征的海上风电功率预测方法 | |
CN110059867B (zh) | 一种swlstm结合gpr的风速预测方法 | |
CN109711617A (zh) | 一种基于blstm深度学习的中长期径流预测方法 | |
CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN106600041A (zh) | 基于受限玻尔兹曼机的光伏发电短期功率概率预测方法 | |
CN110020712A (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
Yao et al. | Wave height forecast method with multi-step training set extension LSTM neural network | |
CN116826737A (zh) | 一种光伏功率的预测方法、装置、存储介质及设备 | |
CN116341613A (zh) | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 | |
CN115755219A (zh) | 基于stgcn的洪水预报误差实时校正方法及系统 | |
Shang et al. | Research on intelligent pest prediction of based on improved artificial neural network | |
CN116303786A (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
CN113947182B (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
CN115329930A (zh) | 一种基于混合深度学习模型的洪水过程概率预报方法 | |
CN116663404A (zh) | 一种耦合人工智能和贝叶斯理论的洪水预报方法及系统 |
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 |