CN111159149B - 一种基于三维卷积神经网络的河流流量预测方法 - Google Patents
一种基于三维卷积神经网络的河流流量预测方法 Download PDFInfo
- Publication number
- CN111159149B CN111159149B CN201911290515.9A CN201911290515A CN111159149B CN 111159149 B CN111159149 B CN 111159149B CN 201911290515 A CN201911290515 A CN 201911290515A CN 111159149 B CN111159149 B CN 111159149B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- flow
- dimensional
- hours
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于三维卷积神经网络的河流流量预测方法。为了克服基于数据驱动的预测模型对于可靠的数据仍然有较大的依赖性的问题;本发明包括以下步骤:S1:筛选与河流流量相关的特征因素来构建数据集;S2:生成时序数据样本,并对其进行预处理;S3:按比例随机划分训练集和验证集,搭建深度三维卷积神经网络,并使深度三维卷积神经网络在训练集上训练;S4:跟踪预测精度并自动保存当前最好的模型参数,在验证集上测试模型参数的性能指标;S5:进行未来n个小时的当前测站河流流量预测。通过探究气象、水文的不同因素之间的相关性,使得二维卷积核不受卷积核大小的局限及输入特征人为布局的影响。
Description
技术领域
本发明涉及一种河流流量预测领域,尤其涉及一种基于多特征相关性的三维卷积神经网络河流流量预测方法。
背景技术
中小河流,一般指流域面积从200~3000平方公里的河流区域。这类流域由于大多位于地势复杂多变的山地,难以部署基础测量设备,且流域洪水突发性强,难以提前预测并及时做好应急措施。其次,传统的基于物理模型的洪水预报方法需要根据大量观测资料数据确定模型参数,并且由于模型参数的独特性,难以推广并直接应用至其它流域的洪水预测。中小河流流域的洪水预测的巨大困难,给当地的经济,农业,居民人生安全带来了巨大隐患。因此,如何改进传统水文预报方法,缩短洪水报讯时间,并针对中小河流提高其洪水预报的准确性具有重要意义。
传统的洪水预报方法通过对某一河流流域建立物理水文模型,借由数学物理模型描述或刻画流域的水循环动态过程,然后根据流域当地观测数据确定模型参数,得到完整的流域水文模型并应用于实际洪水预报。国内较为经典的水文模型有新安江模型,经过测试,其模型的结构和参数可以充分地反映湿润地区降雨径流过程。国外较为经典的水文模型如美国的Stanford模型等,也得到了广泛的应用。
但是正如前文所述,传统的河流流域物理水文机理模型洪水预报方法存在以下缺点:物理水文模型的建立依赖于大量可观测的流域数据(包括流域集水区区域面积,流域地形地貌数据,流量,降雨量,蒸发量,土壤数据等)。
物理模型的参数率定过程复杂且繁琐,需要上述资料数据以及大量的模拟计算,模拟计算的结果只有满足一定验证指标,才能确定最终的模型最优参数。
此外,上述物理模涉及复杂的水文动态过程,模型建立和参数率定需有大量的人工干预过程。这些干预过程需要专业的水文知识,以及模型参数率定上的丰富经验。
一旦物理水文模型的建立与实际情况存在较大偏差,将对未来的洪水流量预测产生难以估量的误差。
由于可观测流域数据具有一定时效性,流域物理水文环境可能随时间而发生变化,导致之前建立的物理水文模型与实际出现偏差,需要重新进行参数率定。
所设计的流域物理水文环境在当前流域预测精度高,但是因为实际水文动态环境的不同,难以直接推广至其它流域。
21世纪以来,基于数据驱动的预测模型已经在水文领域有了广泛的应用,包括时间序列模型(ARMA)、支持向量机(SVM)、决策树、主成分分析(PCA)、神经网络(NN)等,并展现出了优异的预测结果。基于数据驱动的预测模型直接在数据样本上进行训练,无需过多人工干预,无需涉及过多水文专业知识背景,无需大量模拟计算来率定模型最优参数,并且直接使用其他流域的数据样本即可推广至其他流域的洪水流量预测。
例如,一种在中国专利文献上公开的“河流流量的预测方法”,其公告号“CN108647807A”,包括如下步骤,1:数据预处理;2:VMD模型分解;3:VMD分解结果的分量重构;4:VMD-BP模型的集成及河流流量预测。
但是上述基于数据驱动的预测模型也存在一些不足:
前期基于数据驱动的预测模型基本属于浅层结构,对大量样本数据的特征提取及抽象表达能力有限,不足以学习到样本中的隐含的物理模型。
基于数据驱动的预测模型对于可靠的数据仍然有较大的依赖性,数据越可靠,越具多样性,越多的数据样本,将训练得到越可靠的预测模型。
发明内容
本发明主要解决现有技术的不足;提供一种基于三维卷积神经网络的河流流量预测方法,通过探究气象、水文的不同因素之间的相关性,使得二维卷积核不受卷积核大小的局限及输入特征人为布局的影响,隐式地扩大了感受野,进而能够挖掘不同特征之间的隐含关联性,进行抽象特征提取以及表述,并通过样本数据相关性隐式学习流域水文物理模型,有效推广至各种不同流域的流量预测。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
本发明包括以下步骤:
S1:筛选与河流流量相关的特征因素来构建气象-水文-流量数据集;
S2:气象-水文-流量数据集生成上万组13维特征的长短时序数据样本,并对其进行预处理,探究气象、水文因素的相关性;
S3:按比例随机划分训练集和验证集;搭建深度三维卷积神经网络,并使深度三维卷积神经网络在训练集上训练;
S4:跟踪预测精度并自动保存当前最好的模型参数,在划分过的验证集上测试模型参数的均方差性能指标;
S5:利用预训练过的神经网络模型进行未来n个小时的当前测站河流流量预测。
通过探究气象、水文的不同因素之间的相关性,使得二维卷积核不受卷积核大小的局限及输入特征人为布局的影响,隐式地扩大了感受野,进而能够挖掘不同特征之间的隐含关联性,进行抽象特征提取以及表述,并通过样本数据相关性隐式学习流域水文物理模型,有效推广至各种不同流域的流量预测。
作为优选,所述的与河流流量相关的特征包括若干个测站的降雨情况、流域土壤水分蒸发量、流域平均降雨信息以及当前测站流量信息。因为河流流域水文动态过程内含复杂的物理机理,需要根据水文过程中尽可能多的状态变量来反应和推断水文模型的成因机理。根据前人所总结的水文物理模型,需观测的状态变量理应包括气象-水文-流量中的多种因素。因此,根据实际测量条件,考虑上游10个测站的降雨情况、流域土壤水分蒸发量、流域平均降雨信息以及当前测站流量信息。
作为优选,所述的数据集生成的长短时序数据样本包括输入样本是输出样本;输入样本中包含过去t个小时的上游若干测站的降雨情况和土壤水分蒸发量的特征,以及过去t个小时的当前测站流量数据;输出样本中包含未来n个小时的当前测站流量数据。t为24,n为12;使得数据样本更加可靠。
作为优选,所述的时序样本预处理包括离散及空缺数据的填补、异常数据的剔除、输入数据标准化处理和多输入特征相关性矩阵计算;
对于空缺的降雨及土壤水分蒸发量数据,直接填零补充;
对于空缺的测站流量数据,取附近4个小时的流量数据取平均,公式如下所示:
其中,flowt为填补的测站流量数据;flowt-2为过去两个小时的测站流量数据;flowt-1为过去一个小时的测站流量数据;flowt+1为之后一小时的测站流量数据;flowt+2为之后两个小时的测站流量数据;
异常数据的剔除,检测每个特征离过去三个小时的平均值的距离,若该特征值偏离过去三个小时的平均值过远,即超过50%误差,则以过去三个小时的平均值替代该特征值;
输入数据标准化处理,对每个小时的每个特征数据标准化;标准化公式如下:
其中,Xnormalized为标准化后的输入数据;Xmin为所有样本中该特征值的最小值;Xmax为所有样本中该特征值的最大值;X为原始的特征值。
对于数据的预处理,使得输入数据更加具有可靠性,避免输入数据带来的误差影响。
作为优选,所述的多输入特征相关性矩阵计算包括:
A.将每个时间段的特征数据排成长度为m的一列向量;
B.利用步骤A中得到的特征向量求取一个特征相关矩阵,矩阵中的每一个元素的计算公式如下:
其中,i,j分别为矩阵元素的下标,mi,mj分别代表特征向量中的第i,j个特征数据;
C.得到每个时间段的特征相关矩阵后,将过去t个小时的特征相关矩阵堆叠以得到具有多通道的三维数据结构;
D.将C步骤生成的数据样本作为输入传递给深度卷积神经网络。
探究气象、水文不同因素之间的相关性,使得三维卷积核不受卷积核大小的局限及输入特征人为布局的影响。
作为优选,所述的步骤S3包括以下步骤:
S31:从原始数据集中划分出训练集以及验证集,设置0.9的训练集比例,通过随机数random随机筛选数据,筛选过程如下:
S32:设计三维卷积核,同时在二维特征相关矩阵上和时间通道上移动;
将输入的数据样本大小扩增为m1×m2×t×1;三维卷积核的大小为a×b×c×1,三维卷积核能够在所有三个方向,即数据的高度m1、宽度m2、通道t上移动;
S33:在深度神经网络的每一层,进行三维卷积操作;
以逐元素的乘法和加法得到一个三维格式的输出结果,作为下一个卷积层的输入;三维卷积输出的数据格式为(m1-a+1)×(m2-b+1)×(t-c+1)×c;
其中,c为三维卷积核的个数;
S34:搭建深度三维卷积神经网络;通过测试样本的均方误差性能指标,选取卷积神经网络的层数为5层以及每一层的三维卷积核大小为3×3×3,各层的三维卷积核分别为(64,64,32,32);
S35:每一层网络经过卷积后,输入到带泄露修正线性单元(Leaky ReLU)中;LeakyReLU的公式如下:
其中,constant是属于(1,∞)区间的固定值,output是激活值,input是LeakyReLU激活函数的输入值。
带泄露修正线性单元使得神经网络具有非线性表达能力;深度神经网络的最后三层各为具有(32,32,12)个神经单元的全连接层,以将输出转化为代表未来12个小时洪水流量的预测值。
作为优选,所述的步骤S3还包括
S36:使搭建好的深度卷积网络在划分好的训练集上训练;
网络采用Adam优化算法,算法每次在128个训练集样本的数据上迭代地更新一次网络权重;Adam优化算法的更新迭代过程如下所示:
ot=β1·ot-1+(1-β1)·gt
ωt+1=ωt-θt
其中,β1和β2是给定的比例参数,由人为给定;
gt为当前批量的样本的梯度;
ot为梯度下降的一阶动量;
Vt为梯度下降的二阶动量;
θt为对当前权重的调整度量;
α为给定的学习率;
ωt+1为待更新的神经网络参数。
多次训练,使得结果更加精准。
作为优选,所述的步骤S4包括
S41:在训练过程中实时跟踪预测精度,并自动保存当前的模型参数;
S42:在划分过的验证集上测试其均方差性能指标;
S43:在整个气象-水文-流量时序样本数据集上跑500次,且均方误差可以收敛,神经网络得到最优参数。
在验证集上多次验证,使得神经网络得到最优的参数。
作为优选,所述的t个小时为过去24个小时;所述的n个小时为未来的12个小时。确定输入数据的时间区域,保证输入数据的可靠性。
本发明的有益效果是:通过探究气象、水文的不同因素之间的相关性,使得二维卷积核不受卷积核大小的局限及输入特征人为布局的影响,隐式地扩大了感受野,进而能够挖掘不同特征之间的隐含关联性,进行抽象特征提取以及表述,并通过样本数据相关性隐式学习流域水文物理模型,有效推广至各种不同流域的流量预测。
附图说明
图1是本发明的一种河流流量预测流程图。
图2是本发明的一种三维时序卷积示意图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
一种基于三维卷积神经网络的河流流量预测方法,如图1所示,包括以下步骤:
S1:筛选与河流流量相关的特征因素来构建气象-水文-流量数据集。
因为河流流域水文动态过程内含复杂的物理机理,需要根据水文过程中尽可能多的状态变量来反应和推断水文模型的成因机理。
根据前人所总结的水文物理模型,需观测的状态变量里应包括气象-水文-流量中的多种因素。在本实施例中,与河流流量相关的特征包括上游10个测站的降雨情况、流域土壤水分蒸发量、流域平均降雨信息以及当前测站流量信息。
S2:气象-水文-流量数据集生成长短时序样本,并对其进行预处理,探究气象、水文因素的相关性。
气象-水文-流量数据集格式构建,生成上万组13维特征长短时序输入输出数据样本。考虑水文数据的时间周期性,在本实施例中,气象-水文-流量数据集中的输入样本中包含过去24个小时的上游10个测站的降雨情况和土壤水分蒸发量,以及过去24个小时的当前测站流量数据;输出样本中包含未来12个小时的当前测站流量数据。
样本预处理包括离散及空缺数据的填补、异常数据的剔除、输入数据标准化处理和多输入特征相关性矩阵计算。
对于空缺的降雨及土壤水分蒸发量数据,直接填零补充。
对于空缺的测站流量数据,取附近4个小时的流量数据取平均,公式如下所示:
其中,flowt为填补的测站流量数据;flowt-2为过去两个小时的测站流量数据;flowt-1为过去一个小时的测站流量数据;flowt+1为之后一小时的测站流量数据;flowt+2为之后两个小时的测站流量数据。
异常数据的剔除,检测每个特征离过去三个小时的平均值的距离,若该特征值偏离过去三个小时的平均值过远,即超过50%误差,则以过去三个小时的平均值替代该特征值。
输入数据标准化处理,对每个小时的每个特征数据标准化;标准化公式如下:
其中,Xnormalized为标准化后的输入数据;Xmin为所有样本中该特征值的最小值;Xmax为所有样本中该特征值的最大值;X为原始的特征值。
多输入特征相关性矩阵计算,用于探究气象、水文不同因素之间的相关性,使得三维卷积核不受卷积核大小的局限及输入特征人为布局的影响。
多输入特征相关性矩阵计算包括:
A.将每个时间段的特征数据排成长度为m的一列向量。
B.利用步骤A中得到的特征向量求取一个特征相关矩阵,矩阵中的每一个元素的计算公式如下:
其中,i,j分别为矩阵元素的下标,mi,mj分别代表特征向量中的第i,j个特征数据。
C.得到每个时间段的特征相关矩阵后,将过去24个小时的特征相关矩阵堆叠以得到具有多通道的三维数据结构。三维数据结构如图2所示。
D.将C步骤生成的数据样本作为输入传递给深度卷积神经网络。
S3:按比例随机划分训练集和验证集;搭建深度三维卷积神经网络,并使深度三维卷积神经网络在训练集上训练。
S31:从原始数据集中划分出训练集以及验证集,设置0.9的训练集比例,通过随机数random随机筛选数据,筛选过程如下:
S32:设计三维卷积核,同时在二维特征相关矩阵上和时间通道上移动。
设计三维卷积核,以构建时序数据的三维深度卷积神经网络。如图2所示,根据所得的三维数据结构,利用三维卷积核同时进行空间域(不同测站)以及时间域上更高层次的抽象特征提取以及表述,以期望学习从气象-水文-流量数据到当地流域物理模型的映射。
将输入的数据样本大小扩增为m1×m2×t×1;三维卷积核的大小为a×b×c×1,三维卷积核能够在所有三个方向,即数据的高度m1、宽度m2、通道t上移动。
S33:在深度神经网络的每一层,进行三维卷积操作。
以逐元素的乘法和加法得到一个三维格式的输出结果,作为下一个卷积层的输入;三维卷积输出的数据格式为(m1-a+1)×(m2-b+1)×(t-c+1)×c;其中,c为三维卷积核的个数。
S34:搭建深度三维卷积神经网络。
通过测试样本的均方误差性能指标,选取卷积神经网络的层数为5层以及每一层的三维卷积核大小为3×3×3,各层的三维卷积核分别为(64,64,32,32)。
S35:每一层网络经过卷积后,输入到带泄露修正线性单元(LeakyReLU)中;LeakyReLU的公式如下:
其中,constant是属于(1,∞)区间的固定值,output是激活值,input是LeakyReLU激活函数的输入值。
带泄露修正线性单元使得神经网络具有非线性表达能力。
深度神经网络的最后三层各为具有(32,32,12)个神经单元的全连接层,以将输出转化为代表未来12个小时洪水流量的预测值。
S36:使搭建好的深度卷积网络在划分好的训练集上训练。
网络采用Adam优化算法,算法每次在128个训练集样本的数据上迭代地更新一次网络权重;Adam优化算法的更新迭代过程如下所示:
ot=β1·ot-1+(1-β1)·gt
ωt+1=ωt-θt
其中,β1和β2是给定的比例参数,由人为给定;
gt为当前批量的样本的梯度;
ot为梯度下降的一阶动量;
Vt为梯度下降的二阶动量;
θt为对当前权重的调整度量;
α为给定的学习率;
ωt+1为待更新的神经网络参数。
S4:跟踪预测精度并自动保存当前最好的模型参数,在划分过的验证集上测试模型参数的性能指标。
S41:在训练过程中实时跟踪预测精度,并自动保存当前的模型参数。
S42:在划分过的验证集上测试其均方差性能指标。
S43:在整个气象-水文-流量时序样本数据集上跑500次,且均方误差可以收敛,神经网络得到了最优参数。
S5:利用预训练过的神经网络模型进行未来12个小时的当前测站河流流量预测。
本发明通过探究气象、水文的不同因素之间的相关性,使得二维卷积核不受卷积核大小的局限及输入特征人为布局的影响,隐式地扩大了感受野,进而能够挖掘不同特征之间的隐含关联性,进行抽象特征提取以及表述,并通过样本数据相关性隐式学习流域水文物理模型,有效推广至各种不同流域的流量预测。
Claims (5)
1.一种基于三维卷积神经网络的河流流量预测方法,其特征在于,包括以下步骤:
S1:筛选与河流流量相关的特征因素来构建气象-水文-流量数据集;
S2:气象-水文-流量数据集生成上万组13维特征的长短时序数据样本,并对其进行预处理,探究气象、水文因素的相关性;
S3:按比例随机划分训练集和验证集;搭建深度三维卷积神经网络,并使深度三维卷积神经网络在训练集上训练;
S4:跟踪预测精度并自动保存当前最好的模型参数,在划分过的验证集上测试模型参数的均方差性能指标;
S5:利用预训练过的神经网络模型进行未来n个小时的当前测站河流流量预测;
所述的长短时序数据样本预处理包括离散及空缺数据的填补、异常数据的剔除、输入数据标准化处理和多输入特征相关性矩阵计算;
对于空缺的降雨及土壤水分蒸发量数据,直接填零补充;
对于空缺的测站流量数据,取附近4个小时的流量数据取平均,公式如下所示:
其中,flowt为填补的测站流量数据;flowt-2为过去两个小时的测站流量数据;flowt-1为过去一个小时的测站流量数据;flowt+1为之后一小时的测站流量数据;flowt+2为之后两个小时的测站流量数据;
异常数据的剔除,检测每个特征离过去三个小时的平均值的距离,若该特征值偏离过去三个小时的平均值过远,即超过50%误差,则以过去三个小时的平均值替代该特征值;
输入数据标准化处理,对每个小时的每个特征数据标准化;标准化公式如下:
其中,Xnormalized为标准化后的输入数据;Xmin为所有样本中该特征值的最小值;Xmax为所有样本中该特征值的最大值;X为原始的特征值;
所述的多输入特征相关性矩阵计算包括:
A.将每个时间段的特征数据排成长度为m的一列向量;
B.利用步骤A中得到的特征向量求取一个特征相关矩阵,矩阵中的每一个元素的计算公式如下:
其中,i,j分别为矩阵元素的下标,mi,mj分别代表特征向量中的第i,j个特征数据;
C.得到每个时间段的特征相关矩阵后,将过去t个小时的特征相关矩阵堆叠以得到具有多通道的三维数据结构;
D.将C步骤生成的数据样本作为输入传递给深度卷积神经网络;
所述的步骤S3包括以下步骤:
S31:从原始数据集中划分出训练集以及验证集,设置0.9的训练集比例,通过随机数random随机筛选数据,筛选过程如下:
S32:设计三维卷积核,同时在二维特征相关矩阵上和时间通道上移动;
将输入的数据样本大小扩增为m1×m2×t×1;三维卷积核的大小为a×b×c×1,三维卷积核能够在所有三个方向,即数据的高度m1、宽度m2、通道t上移动;
S33:在深度神经网络的每一层,进行三维卷积操作;
以逐元素的乘法和加法得到一个三维格式的输出结果,作为下一个卷积层的输入;三维卷积输出的数据格式为(m1-a+1)×(m2-b+1)×(t-c+1)×d;
其中,d为三维卷积核的个数;
S34:搭建深度三维卷积神经网络;通过测试样本的均方误差性能指标,选取卷积神经网络的层数为5层以及每一层的三维卷积核大小为3×3×3;
S35:每一层网络经过卷积后,输入到带泄露修正线性单元Leaky ReLU中;Leaky ReLU的公式如下:
其中,constant是属于(1,∞)区间的固定值,output是激活值,input是Leaky ReLU激活函数的输入值;
所述的步骤S3还包括
S36:使搭建好的深度卷积网络在划分好的训练集上训练;
网络采用Adam优化算法,算法每次在128个训练集样本的数据上迭代地更新一次网络权重;
Adam优化算法的更新迭代过程如下所示:
ot=β1·ot-1+(1-β1)·gt
ωt+1=ωt-θt
其中,β1和β2是给定的比例参数,由人为给定;
gt为当前批量的样本的梯度;
ot为梯度下降的一阶动量;
Vt为梯度下降的二阶动量;
θt为对当前权重的调整度量;
α为给定的学习率;
ωt+1为待更新的神经网络参数。
2.根据权利要求1所述的一种基于三维卷积神经网络的河流流量预测方法,其特征在于,所述的与河流流量相关的特征包括若干个测站的降雨情况、流域土壤水分蒸发量、流域平均降雨信息以及当前测站流量信息。
3.根据权利要求1或2所述的一种基于三维卷积神经网络的河流流量预测方法,其特征在于,所述的数据集生成的长短时序数据样本包括输入样本是输出样本;输入样本中包含过去t个小时的上游若干测站的降雨情况和土壤水分蒸发量的特征,以及过去t个小时的当前测站流量数据;输出样本中包含未来n个小时的当前测站流量数据。
4.根据权利要求1所述的一种基于三维卷积神经网络的河流流量预测方法,其特征在于,所述的步骤S4包括
S41:在训练过程中实时跟踪预测精度,并自动保存当前的模型参数;
S42:在划分过的验证集上测试其均方差性能指标;
S43:在整个气象-水文-流量时序样本数据集上跑500次,且均方误差可以收敛,神经网络得到最优参数。
5.根据权利要求3所述的一种基于三维卷积神经网络的河流流量预测方法,其特征在于,所述的t个小时为过去24个小时;所述的n个小时为未来的12个小时。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911290515.9A CN111159149B (zh) | 2019-12-13 | 2019-12-13 | 一种基于三维卷积神经网络的河流流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911290515.9A CN111159149B (zh) | 2019-12-13 | 2019-12-13 | 一种基于三维卷积神经网络的河流流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111159149A CN111159149A (zh) | 2020-05-15 |
CN111159149B true CN111159149B (zh) | 2023-06-30 |
Family
ID=70557110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911290515.9A Active CN111159149B (zh) | 2019-12-13 | 2019-12-13 | 一种基于三维卷积神经网络的河流流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111159149B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667571B (zh) * | 2020-06-08 | 2021-09-17 | 南华大学 | 核设施源项三维分布快速重建方法、装置、设备及介质 |
CN111860970B (zh) * | 2020-06-29 | 2022-03-22 | 浪潮电子信息产业股份有限公司 | 一种河流流量预测方法、装置及电子设备和存储介质 |
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 |
CN111814288B (zh) * | 2020-07-28 | 2023-08-08 | 交通运输部水运科学研究所 | 一种基于信息传播图神经网络方法 |
CN111967577B (zh) * | 2020-07-29 | 2024-04-05 | 华北电力大学 | 一种基于变分自编码器的能源互联网场景生成方法 |
CN112163703B (zh) * | 2020-09-25 | 2024-02-02 | 中国水利水电科学研究院 | 考虑气象因子不确定性的农田参考作物蒸散量预测方法 |
CN112541615A (zh) * | 2020-11-25 | 2021-03-23 | 杭州市水文水资源监测中心 | 基于卷积神经网络的水位预测方法 |
CN112488392B (zh) * | 2020-12-01 | 2022-10-21 | 重庆邮电大学 | 一种基于机器学习的智慧水务日用水量预测方法 |
CN114048835A (zh) * | 2021-08-01 | 2022-02-15 | 北京工业大学 | 一种基于时序卷积网络的道路基层应变分析方法 |
CN115408485B (zh) * | 2022-09-01 | 2023-04-04 | 中国科学院空天信息创新研究院 | 一种基于站点集水区小样本观测的径流重建方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
CN108875161A (zh) * | 2018-05-31 | 2018-11-23 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
CN109242203A (zh) * | 2018-09-30 | 2019-01-18 | 中冶华天南京工程技术有限公司 | 一种河流水质预测及水质影响因素评估方法 |
KR20190094692A (ko) * | 2018-02-05 | 2019-08-14 | 문경훈 | 회귀분석, 회귀신경망 및 심층신경망을 이용한 광역상수도의 유량 예측 및 누수 감지 방법 |
CN110267292A (zh) * | 2019-05-16 | 2019-09-20 | 湖南大学 | 基于三维卷积神经网络的蜂窝网络流量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AR109623A1 (es) * | 2018-02-16 | 2019-01-09 | Pescarmona Enrique Menotti | Proceso y sistema de análisis y gestión hidrológica para cuencas |
-
2019
- 2019-12-13 CN CN201911290515.9A patent/CN111159149B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190094692A (ko) * | 2018-02-05 | 2019-08-14 | 문경훈 | 회귀분석, 회귀신경망 및 심층신경망을 이용한 광역상수도의 유량 예측 및 누수 감지 방법 |
CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
CN108875161A (zh) * | 2018-05-31 | 2018-11-23 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
CN109242203A (zh) * | 2018-09-30 | 2019-01-18 | 中冶华天南京工程技术有限公司 | 一种河流水质预测及水质影响因素评估方法 |
CN110267292A (zh) * | 2019-05-16 | 2019-09-20 | 湖南大学 | 基于三维卷积神经网络的蜂窝网络流量预测方法 |
Non-Patent Citations (1)
Title |
---|
王晓杰.基于深度学习的短时交通流预测.中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑.2018,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111159149A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111159149B (zh) | 一种基于三维卷积神经网络的河流流量预测方法 | |
CN114254561B (zh) | 一种内涝预测方法、系统及存储介质 | |
CN108304668B (zh) | 一种结合水文过程数据和历史先验数据的洪水预测方法 | |
JP2019194424A5 (zh) | ||
Behmanesh et al. | Estimation of soil temperature using gene expression programming and artificial neural networks in a semiarid region | |
CN111915058B (zh) | 基于长短时记忆网络和迁移学习的洪水预测方法与装置 | |
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 | |
Nkiaka et al. | Using self-organizing maps to infill missing data in hydro-meteorological time series from the Logone catchment, Lake Chad basin | |
CN113139329B (zh) | 一种基于水文相似性和人工神经网络的新安江模型参数率定方法 | |
Bajirao et al. | Potential of hybrid wavelet-coupled data-driven-based algorithms for daily runoff prediction in complex river basins | |
Lopes et al. | Artificial neural networks approaches for predicting the potential for hydropower generation: a case study for Amazon region | |
Kabir et al. | Investigating capabilities of machine learning techniques in forecasting stream flow | |
Sreeparvathy et al. | A fuzzy entropy approach for design of hydrometric monitoring networks | |
Li et al. | A method of rainfall runoff forecasting based on deep convolution neural networks | |
CN113723703A (zh) | 基于多源数据融合和深度学习的水质预测方法及其系统 | |
Fooladi et al. | Fusion-based framework for meteorological drought modeling using remotely sensed datasets under climate change scenarios: Resilience, vulnerability, and frequency analysis | |
Shiri et al. | Coupling wavelet transform with multivariate adaptive regression spline for simulating suspended sediment load: independent testing approach | |
Sahu et al. | Density-based spatial clustering of application with noise approach for regionalisation and its effect on hierarchical clustering | |
Li et al. | A stepwise clustered hydrological model for addressing the temporal autocorrelation of daily streamflows in irrigated watersheds | |
Wang et al. | Application of a novel artificial neural network model in flood forecasting | |
Wei | Comparing single-and two-segment statistical models with a conceptual rainfall-runoff model for river streamflow prediction during typhoons | |
Lu et al. | Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions | |
Nasseri et al. | A comparison between direct and indirect frameworks to evaluate impacts of climate change on streamflows: case study of Karkheh River basin in Iran | |
Ouyang | Nonlinear autoregressive neural networks with external inputs for forecasting of typhoon inundation level | |
CN115408485A (zh) | 一种基于站点集水区小样本观测的径流重建方法和系统 |
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 |