CN112949944A - 一种基于时空特征的地下水位智能预测方法及系统 - Google Patents
一种基于时空特征的地下水位智能预测方法及系统 Download PDFInfo
- Publication number
- CN112949944A CN112949944A CN202110393647.5A CN202110393647A CN112949944A CN 112949944 A CN112949944 A CN 112949944A CN 202110393647 A CN202110393647 A CN 202110393647A CN 112949944 A CN112949944 A CN 112949944A
- Authority
- CN
- China
- Prior art keywords
- time
- water level
- space
- underground water
- groundwater
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012544 monitoring process Methods 0.000 claims abstract description 77
- 239000003673 groundwater Substances 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000008859 change Effects 0.000 claims abstract description 32
- 238000010586 diagram Methods 0.000 claims description 36
- 238000010276 construction Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 10
- 230000015654 memory Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于时空特征的地下水位智能预测方法及系统,该方法包括:获取多个不同位置的地下水监测点处的地下水水位高度信息,构建用于描述两个不同位置监测点之间相关性的空间数据体和用于描述每个监测点处地下水位随时间变化情况的时间数据体;采用滑动窗口的方式在时间数据体上截取数据,生成多个子序列;基于空间数据体和生成的子序列训练预设的时空图卷积网络,使其学习各监测点间的影响关系及过去一段时间的水位变化对未来水位变化的影响关系,得到地下水位智能预测模型,用于对各监测点处地下水水位的预测。本发明能够实现小样本数据条件下的地下水位智能、精准的预测。
Description
技术领域
本发明涉及水文监测技术领域,特别涉及一种基于时空特征的地下水位智能预测方法及系统。
背景技术
地下水资源是生态环境系统的重要资源属性,其变化往往会影响生态环境系统的平衡状态。而目前关于地下水资源的问题日益严重,一方面,水资源数量减少,导致的生态环境恶化已经成为困扰许多地区生态环境保护和经济发展的严重问题。另一方面,由于生产生活及工程需要,人类对地下水资源不断开发利用,使得生态环境平衡被打破,尤其是近几十年来工农业迅速发展,地下水开采强度不断扩大,引起生态环境发生变化。因此,需要研究地下水的动态变化,以了解地下水系统受人类活动的影响程度、变化趋势以及变化幅度。
而地下水的变化机制十分复杂,地下水位的变化受到多种不同因素的共同影响,例如降水、温度、人类工程活动和地下水的内部循环等。
目前,现有技术主要采用解析解的方法对地下水进行预测和评估,即建立数学模型,通过多种定律进行求解。这种方法显然难以对水资源与生态所构成的复杂系统进行动态、精准的推演。因此亟需研究一种新的地下水位预测方案。
发明内容
本发明提供了一种基于时空特征的地下水位智能预测方法及系统,以解决现有的地下水预测和评估方法中存在的动态、精准性不足的技术问题。
为解决上述技术问题,本发明提供了如下技术方案:
一方面,本发明提供了一种基于时空特征的地下水位智能预测方法,该基于时空特征的地下水位智能预测方法包括:
获取多个不同位置的地下水监测点处的地下水水位高度信息,构建空间数据体和时间数据体;其中,所述空间数据体用于描述两个不同位置监测点之间的相关性;所述时间数据体用于描述每个监测点处地下水位随时间的变化情况;
采用滑动窗口方式在所述时间数据体上截取数据,生成多个子序列;
基于所述空间数据体和所述子序列,训练预设的时空图卷积网络,使得所述时空图卷积网络学习各监测点之间的影响关系及每一监测点对应的过去预设时长内的水位变化对其未来水位变化的影响关系,得到地下水位智能预测模型;
基于所述地下水位智能预测模型,对待预测的监测点处的水位进行预测。
进一步地,所述地下水水位高度信息为地下水水位绝对海拔高度;在获取多个不同位置的地下水监测点处的地下水水位高度信息之后,所述方法还包括:
将地下水水位绝对海拔高度转换为地下水相对监测点处地面的埋深深度。
进一步地,所述空间数据体的形式为二维数值矩阵,其横轴与纵轴元素均代表多个地下水监测点,矩阵内的每一元素均为两个监测点在二维平面上欧氏距离的倒数。
进一步地,所述时间数据体的形式为三维数值矩阵,所述三维数值矩阵的三个维度分别代表水位变化时间步长、地下水监测点数量以及特征维度。
进一步地,采用滑动窗口方式在所述时间数据体上截取数据,生成多个子序列,包括:
根据所述时间数据体,设置多个不同尺度的滑动时间窗口;
采用所设置的不同尺度的滑动时间窗口分别在所述时间数据体上的水位变化时间步长维度进行子序列的选取,以生成多种尺度的子序列样本。
进一步地,设置多个不同尺度的滑动时间窗口,包括:
以预设梯度逐次增加滑动时间窗口的值,直至到达预设的临界值。
进一步地,所述时空图卷积网络包括多个并行层级结构;所述子序列样本的尺度种类与所述时空图卷积网络中的并行层级结构的数量相对应;
在训练所述时空图卷积网络时,将各尺度的子序列样本与所述时空图卷积网络中的各并行层级结构一一对应,将多种不同尺度的子序列样本分别并行输入所述时空图卷积网络中的各并行层级结构中,并将各并行层级结构的输出结果按照预设的融合权重进行加权融合,以得到所述地下水位智能预测模型。
进一步地,在训练所述时空图卷积网络时,所述方法还包括:
在每次训练结束后,衡量所述时空图卷积网络的输出结果与真实结果之间的差距,以优化所述时空图卷积网络的网络参数,并采用优化后的网络参数再次进行训练;其中,所述网络参数包括训练次数、批大小以及融合权重。
进一步地,在对待预测的监测点处的水位进行预测之后,所述方法还包括:
通过误差评价指标,评价所述地下水位智能预测模型对监测点处的地下水位预测结果的误差大小;其中,所述误差评价指标包括均方根误差和均方误差。
另一方面,本发明还提供了一种基于时空特征的地下水位智能预测系统,该基于时空特征的地下水位智能预测系统包括:
多位置地下水时空数据体构建模块,用于获取多个不同位置的地下水监测点处的地下水水位高度信息,构建空间数据体和时间数据体;其中,所述空间数据体用于描述两个不同位置监测点之间的相关性;所述时间数据体用于描述每个监测点处地下水位随时间的变化情况;
训练样本构建模块,用于采用滑动窗口方式在所述多位置地下水时空数据体构建模块所构建的时间数据体上截取数据,生成多个子序列;
时空图卷积网络训练模块,用于基于所述多位置地下水时空数据体构建模块所构建的空间数据体和所述训练样本构建模块所生成的子序列,训练预设的时空图卷积网络,使得所述时空图卷积网络学习各监测点之间的影响关系及每一监测点对应的过去预设时长内的水位变化对其未来水位变化的影响关系,得到地下水位智能预测模型;
地下水水位智能预测模块,用于基于所述时空图卷积网络训练模块所得到的地下水位智能预测模型,对待预测的监测点处的水位进行预测。
再一方面,本发明还提供了一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
又一方面,本发明还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括:
本发明在构建出地下水位时间数据体和空间数据体的基础上,利用多尺度滑动时间窗口截取时间数据体生成子序列,产生可用于训练的样本集,以生成的样本集作为训练集对预先构建出的时空图卷积网络进行训练,训练出基于时空特征的地下水位预测模型,从而实现小样本数据条件下地下水位智能、精准的预测,解决了现有的地下水预测和评估方法存在的动态、精准性不足的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明第一实施例提供的基于时空特征的地下水位智能预测方法的流程示意图;
图2为本发明第一实施例提供的数据预处理方式示意图;
图3为本发明第一实施例提供的空间数据体示意图;
图4为本发明第一实施例提供的时间数据体示意图;
图5为本发明第一实施例提供的多尺度滑动窗口截取子序列数据示意图;
图6为本发明第一实施例提供的时空图卷积网络的结构示意图;
图7为本发明第一实施例提供的均方误差(Mean Square Error,MSE)随时空图卷积网络模型训练次数的变化示意图;
图8为本发明第一实施例提供的均方根误差(Root Mean Square Error,RMSE)随时空图卷积网络模型训练次数的变化示意图;
图9为本发明第二实施例提供的基于时空特征的地下水位智能预测系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
针对现有的地下水预测和评估方法中存在的动态、精准性不足的技术问题,本实施例提供了一种基于时空特征的地下水位智能预测方法,依托大数据与人工智能技术对地下水系统中的复杂、非线性变化关系进行学习并构建深度学习模型,以达到对地下水水位高效、精准预测的目的,该方法可以由电子设备实现,如终端或者服务器等设备。该方法的执行流程如图1所示,包括以下步骤:
S101,获取多个不同位置的地下水监测点处的地下水水位高度信息,构建空间数据体和时间数据体;其中,空间数据体用于描述两个不同位置监测点之间的相关性;时间数据体用于描述每个监测点处地下水位随时间的变化情况;
S102,采用滑动窗口方式在时间数据体上截取数据,生成多个子序列;
S103,基于空间数据体和子序列,训练预设的时空图卷积网络,使得时空图卷积网络学习各监测点之间的影响关系及每一监测点对应的过去预设时长内的水位变化对其未来水位变化的影响关系,得到地下水位智能预测模型;
S104,基于地下水位智能预测模型,对待预测的监测点处的水位进行预测。
进一步地,请参阅图2,由于监测点获取的地下水水位高度信息一般采用水位绝对海拔高度表示;因此,本实施例在获取多个不同位置的地下水监测点处的地下水水位高度信息之后,还包括对水位高度信息的预处理过程,具体如下:
对于每一个地下水监测点,获取监测点的地面海拔高度Hg,与该监测点下的地下水位高度Hw作差,得到地下水的埋深深度D,对每一个监测点下的地下水位高度数据均采用相同的方式进行处理,得到地下水的埋深深度数据。
其中,空间数据体的具体形式如图3所示,为二维数值矩阵,该二维数值矩阵的横轴与纵轴元素均代表多个监测点,矩阵内的每一元素均为两个监测点在二维平面上欧氏距离的倒数;以此来描述多个不同位置的监测点位置分布情况及监测点之间的影响关系。时间数据体的具体形式如图4所示,为三维数值矩阵,该三维数值矩阵的三个维度分别代表水位变化时间步长、监测点数量以及特征维度;以此来描述每个地下水监测点处水位随时间的长期变化情况。
进一步地,在本实施例中,上述S102的实现过程如下:
根据建立的时间数据体,设置多个不同尺度的滑动时间窗口;
采用所设置的不同尺度的滑动时间窗口分别在时间数据体上的水位变化时间步长维度进行子序列的选取,以生成多种尺度的子序列样本。
其中,需要强调的是,滑动时间窗口的大小不是固定不变的,而是以一定梯度增加直到到达临界值;产生的子序列数据样本长度也具有多种尺寸。
具体地,如图5所示,在本实施例中,设置滑动窗口的大小分别为3、6和9,截取方式为滑动窗口在时间数据体上按照步长为1向序列尾端滑动截取,不同大小的滑动窗口分别对时间数据体在水位变化时间步长维度进行子序列的截取,分别截取了三类子序列,三类子序列的长度分别为3、6和9。
进一步地,本实施例构建的时空图卷积网络为层级并行结构,在每一纵列层级结构中,含有多种计算组件,包括时间卷积组件、空间卷积组件和全连接层,每一层卷积都会基于上一层的输出值计算得到新的特征图,因此,该网络的时间卷积组件和空间卷积组件具有较强的提取特征的能力。
具体地,如图6所示,在本实施例中,时空图卷积网络由三个并行结构组成,每个并行结构输入不同长度的子序列作为数据进行训练,网络结构包括:
时空卷积分支S1,其输入是长度为3的子序列,输入层后是时间卷积组件T1,卷积核的大小为(1,2),步长为1,输入通道数等于数据特征数,输入通道数为1,输出通道数为64,时间卷积组件T1的输出结果输入到后面的空间卷积组件M1,空间卷积组件M1的输入通道为64,输出通道也为64,输出结果输入到时间卷积组件T2,时间卷积组件T2的卷积核大小为(1,2),步长为1,输入通道数为64,输出通道数为64,时间卷积组件T2的输出结果输入到全连接层(Fully Connected layers,FC)进行特征值计算,输出节点数为1。
时空卷积分支S2,其输入是长度为6的子序列,输入层后是时间卷积组件T1,时间卷积组件T1的卷积核的大小为(1,2),步长为1,输入通道数等于数据特征数,输入通道数为1,输出通道数为64,时间卷积组件T1的输出结果输入到后面的空间卷积组件M1,空间卷积组件M1的输入通道为64,输出通道也为64,输出结果输入到时间卷积组件T2,时间卷积组件T2的卷积核大小为(1,2),步长为1,输入通道数为64,输出通道数为64,时间卷积组件T2的输出结果输入到时间卷积组件T3中,时间卷积组件T3的卷积核大小为(1,2),步长为1,输入通道数为64,输出通道数为64,时间卷积组件T3的输出值输入到全连接层FC进行特征值计算,输出节点数为1。
时空卷积分支S3,气输入是长度为9的子序列,分支的结构及参数设置同时空卷积分支S2,最后的全连接层FC进行特征值计算,输出节点数为1。
在训练上述时空图卷积网络时,将各尺度的子序列样本与时空图卷积网络中的各并行层级结构一一对应,将多种不同尺度的子序列样本分别并行输入时空图卷积网络中的各并行层级结构中,并将各并行层级结构的输出结果按照预设的融合权重进行加权融合,以优化图卷积网络的结构;并在每次训练结束后衡量输出结果与真实结果之间的差距并再次训练,以优化时空图卷积网络参数,降低误差,实现精准预测。其中,网络参数包括训练次数、批大小、融合权重。
具体地,上述时空图卷积网络进行地下水位智能预测的过程如下:
按照上述步骤训练时空图卷积网络,衡量输出结果与真实结果之间的差距并再次学习,反复迭代,直到输出符合其损失函数要求的判别结果为止,以此实现小样本数据条件下地下水位智能、精准的预测,以解决现有的地下水预测和评估方法中存在的动态、精准性不足的问题。
经过多次调整参数实验所得结果可知基于时空图卷积网络的地下水位智能预测系统的参数选择与平均绝对误差的关系,如表1所示。
表1地下水位智能预测模型的参数选择与平均绝对误差的关系
epoch | Batchsize | a0,a1,a2 | MAE |
50 | 16 | 0.33,0.33,0.34 | 0.334 |
50 | 16 | 0.2,0.2,0.6 | 0.344 |
50 | 16 | 0.4,0.4,0.2 | 0.333 |
20 | 16 | 0.4,0.4,0.2 | 0.358 |
100 | 16 | 0.4,0.4,0.2 | 0.339 |
150 | 16 | 0.4,0.4,0.2 | 0.329 |
在上述表1中,epoch为使用训练集中的全部样本训练的次数;batchsize为批大小,即每次训练在训练集中取batchsize个样本进行训练;a0,a1,a2分别为时空图卷积网络中的分支S1,S2,S3对应的的融合权重。
进一步地,在对待预测的监测点处的水位进行预测之后,所述方法还包括:
通过误差评价指标评价地下水位智能预测模型对监测点处的地下水位预测结果的误差大小;其中,误差评价指标包括均方根误差和均方误差,具体如下:
(1)均方根误差(Root Mean Square Error,RMSE)衡量预测值与真实值之间的偏差,其表达式如下:
(2)均方误差(Mean Square Error,MSE)是真实值与预测值的差值的平方然后求和平均,其表达式如下:
将均方根误差和均方误差作为地下水位智能预测模型的评估方法,以样本的训练次数为横坐标,评估指标的值作为纵坐标,如图7和图8所示,建立模型效果评估曲线。由此可以得到预测结果误差大小随训练次数的变化情况。
综上,本实施例提供的基于时空特征的地下水位智能预测方法是一种在小样本数据条件下进行地下水位预测的方法,在小样本多位置地下水监测点的地下水位信息的基础上,首先进行数据预处理后,将地下水位的绝对高度转换为埋深深度,进而构建标准化的多位置地下水空间数据体和时间数据体,并以多尺度的方式设置滑动窗口的大小,按照滑动窗口的方式在时间数据体上截取具有不同尺寸的子序列作为数据样本,将其作为训练样本,基于时空图卷积网络构建地下水位智能预测模型,采用训练样本进行训练,实现针对地下水位的智能、精准的预测,并对其精度进行验证,实现小样本数据条件下精确的地下水位预测,为地下水的信息化和智能化提供一种新型、优质、高效的智能化辅助工具。解决现有的地下水预测和评估方法中存在的动态、精准性不足的问题。
第二实施例
本实施例提供了一种基于时空特征的地下水位智能预测系统,该基于时空特征的地下水位智能预测系统的结构如图9所示,包括以下模块:
多位置地下水时空数据体构建模块21,用于获取多个不同位置的地下水监测点处的地下水水位高度信息,构建空间数据体和时间数据体;其中,所述空间数据体用于描述两个不同位置监测点之间的相关性;所述时间数据体用于描述每个监测点处地下水位随时间的变化情况;
训练样本构建模块22,用于采用滑动窗口方式在所述多位置地下水时空数据体构建模块21所构建的时间数据体上截取数据,生成多个子序列;
时空图卷积网络训练模块23,用于基于所述多位置地下水时空数据体构建模块21所构建的空间数据体和所述训练样本构建模块22所生成的子序列,训练预设的时空图卷积网络,使得所述时空图卷积网络学习各监测点之间的影响关系及每一监测点对应的过去预设时长内的水位变化对其未来水位变化的影响关系,得到地下水位智能预测模型;
地下水水位智能预测模块24,用于基于所述时空图卷积网络训练模块23所得到的地下水位智能预测模型,对待预测的监测点处的水位进行预测。
本实施例的基于时空特征的地下水位智能预测系统与上述第一实施例的基于时空特征的地下水位智能预测方法相对应;其中,该基于时空特征的地下水位智能预测系统中的各功能模块所实现的功能与上述第一实施例的基于时空特征的地下水位智能预测方法中的各流程步骤一一对应;故,在此不再赘述。
第三实施例
本实施例提供一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行,以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)和一个或一个以上的存储器,其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行上述方法。
第四实施例
本实施例提供一种计算机可读存储介质,该存储介质中存储有至少一条指令,所述指令由处理器加载并执行,以实现上述第一实施例的方法。其中,该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外,需要说明的是,本发明可提供为方法、装置或计算机程序产品。因此,本发明实施例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,本发明实施例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上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(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、嵌入式处理机或其他可编程数据处理终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是,以上所述是本发明优选实施方式,应当指出,尽管已描述了本发明优选实施例,但对于本技术领域的技术人员来说,一旦得知了本发明的基本创造性概念,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。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实施例范围的所有变更和修改。
Claims (10)
1.一种基于时空特征的地下水位智能预测方法,其特征在于,包括:
获取多个不同位置的地下水监测点处的地下水水位高度信息,构建空间数据体和时间数据体;其中,所述空间数据体用于描述两个不同位置监测点之间的相关性;所述时间数据体用于描述每个监测点处地下水位随时间的变化情况;
采用滑动窗口方式在所述时间数据体上截取数据,生成多个子序列;
基于所述空间数据体和所述子序列,训练预设的时空图卷积网络,使得所述时空图卷积网络学习各监测点之间的影响关系及每一监测点对应的过去预设时长内的水位变化对其未来水位变化的影响关系,得到地下水位智能预测模型;
基于所述地下水位智能预测模型,对待预测的监测点处的水位进行预测。
2.如权利要求1所述的基于时空特征的地下水位智能预测方法,其特征在于,所述地下水水位高度信息为地下水水位绝对海拔高度;在获取多个不同位置的地下水监测点处的地下水水位高度信息之后,所述方法还包括:
将地下水水位绝对海拔高度转换为地下水相对监测点处地面的埋深深度。
3.如权利要求1所述的基于时空特征的地下水位智能预测方法,其特征在于,所述空间数据体的形式为二维数值矩阵,其横轴与纵轴元素均代表多个地下水监测点,矩阵内的每一元素均为两个监测点在二维平面上欧氏距离的倒数。
4.如权利要求1所述的基于时空特征的地下水位智能预测方法,其特征在于,所述时间数据体的形式为三维数值矩阵,所述三维数值矩阵的三个维度分别代表水位变化时间步长、地下水监测点数量以及特征维度。
5.如权利要求4所述的基于时空特征的地下水位智能预测方法,其特征在于,采用滑动窗口方式在所述时间数据体上截取数据,生成多个子序列,包括:
根据所述时间数据体,设置多个不同尺度的滑动时间窗口;
采用所设置的不同尺度的滑动时间窗口分别在所述时间数据体上的水位变化时间步长维度进行子序列的选取,以生成多种尺度的子序列样本。
6.如权利要求5所述的基于时空特征的地下水位智能预测方法,其特征在于,设置多个不同尺度的滑动时间窗口,包括:
以预设梯度逐次增加滑动时间窗口的值,直至到达预设的临界值。
7.如权利要求5或6所述的基于时空特征的地下水位智能预测方法,其特征在于,所述时空图卷积网络包括多个并行层级结构;所述子序列样本的尺度种类与所述时空图卷积网络中的并行层级结构的数量相对应;
在训练所述时空图卷积网络时,将各尺度的子序列样本与所述时空图卷积网络中的各并行层级结构一一对应,将多种不同尺度的子序列样本分别并行输入所述时空图卷积网络中的各并行层级结构中,并将各并行层级结构的输出结果按照预设的融合权重进行加权融合,以得到所述地下水位智能预测模型。
8.如权利要求7所述的基于时空特征的地下水位智能预测方法,其特征在于,在训练所述时空图卷积网络时,所述方法还包括:
在每次训练结束后,衡量所述时空图卷积网络的输出结果与真实结果之间的差距,以优化所述时空图卷积网络的网络参数,并采用优化后的网络参数再次进行训练;其中,所述网络参数包括训练次数、批大小以及融合权重。
9.如权利要求1所述的基于时空特征的地下水位智能预测方法,其特征在于,在对待预测的监测点处的水位进行预测之后,所述方法还包括:
通过误差评价指标,评价所述地下水位智能预测模型对监测点处的地下水位预测结果的误差大小;其中,所述误差评价指标包括均方根误差和均方误差。
10.一种基于时空特征的地下水位智能预测系统,其特征在于,包括:
多位置地下水时空数据体构建模块,用于获取多个不同位置的地下水监测点处的地下水水位高度信息,构建空间数据体和时间数据体;其中,所述空间数据体用于描述两个不同位置监测点之间的相关性;所述时间数据体用于描述每个监测点处地下水位随时间的变化情况;
训练样本构建模块,用于采用滑动窗口方式在所述多位置地下水时空数据体构建模块所构建的时间数据体上截取数据,生成多个子序列;
时空图卷积网络训练模块,用于基于所述多位置地下水时空数据体构建模块所构建的空间数据体和所述训练样本构建模块所生成的子序列,训练预设的时空图卷积网络,使得所述时空图卷积网络学习各监测点之间的影响关系及每一监测点对应的过去预设时长内的水位变化对其未来水位变化的影响关系,得到地下水位智能预测模型;
地下水水位智能预测模块,用于基于所述时空图卷积网络训练模块所得到的地下水位智能预测模型,对待预测的监测点处的水位进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110393647.5A CN112949944B (zh) | 2021-04-13 | 2021-04-13 | 一种基于时空特征的地下水位智能预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110393647.5A CN112949944B (zh) | 2021-04-13 | 2021-04-13 | 一种基于时空特征的地下水位智能预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949944A true CN112949944A (zh) | 2021-06-11 |
CN112949944B CN112949944B (zh) | 2023-09-22 |
Family
ID=76232458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110393647.5A Active CN112949944B (zh) | 2021-04-13 | 2021-04-13 | 一种基于时空特征的地下水位智能预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949944B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757093A (zh) * | 2022-03-28 | 2022-07-15 | 中国水利水电科学研究院 | 一种地下水基准水位确定方法和装置 |
CN115271266A (zh) * | 2022-09-27 | 2022-11-01 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) | 地下水水位动态预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140350856A1 (en) * | 2013-05-22 | 2014-11-27 | S.S. Papadopulos & Associates, Inc. | Simultaneous multi-event universal kriging methods for spatio-temporal data analysis and mapping |
CN105050385A (zh) * | 2012-11-06 | 2015-11-11 | 新西兰土地保护研究所 | 用于自动化微分灌溉的方法和系统 |
CN110689179A (zh) * | 2019-09-18 | 2020-01-14 | 北京工商大学 | 基于时空序列混合模型的水华预测方法 |
WO2020037965A1 (zh) * | 2018-08-21 | 2020-02-27 | 北京大学深圳研究生院 | 一种用于视频预测的多运动流深度卷积网络模型方法 |
-
2021
- 2021-04-13 CN CN202110393647.5A patent/CN112949944B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105050385A (zh) * | 2012-11-06 | 2015-11-11 | 新西兰土地保护研究所 | 用于自动化微分灌溉的方法和系统 |
US20140350856A1 (en) * | 2013-05-22 | 2014-11-27 | S.S. Papadopulos & Associates, Inc. | Simultaneous multi-event universal kriging methods for spatio-temporal data analysis and mapping |
WO2020037965A1 (zh) * | 2018-08-21 | 2020-02-27 | 北京大学深圳研究生院 | 一种用于视频预测的多运动流深度卷积网络模型方法 |
CN110689179A (zh) * | 2019-09-18 | 2020-01-14 | 北京工商大学 | 基于时空序列混合模型的水华预测方法 |
Non-Patent Citations (2)
Title |
---|
AZIGULI WULAMU等: "multiscale road extraction in remote sensing images", 《COMPUTATIONAL INTELLIGENCE AND NEUROSCIENCE》, vol. 2019, pages 1 - 9 * |
余珍: "基于时间序列分析的航道水位预测研究", 《中国水运》, vol. 18, no. 10, pages 148 - 150 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757093A (zh) * | 2022-03-28 | 2022-07-15 | 中国水利水电科学研究院 | 一种地下水基准水位确定方法和装置 |
CN115271266A (zh) * | 2022-09-27 | 2022-11-01 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) | 地下水水位动态预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112949944B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
GB2547816B (en) | Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN110232471B (zh) | 一种降水传感网节点布局优化方法及装置 | |
CN109635763B (zh) | 一种人群密度估计方法 | |
CN112949944A (zh) | 一种基于时空特征的地下水位智能预测方法及系统 | |
Gerber et al. | Fast covariance parameter estimation of spatial Gaussian process models using neural networks | |
CN115935834A (zh) | 一种基于深度自回归网络和持续学习策略的历史拟合方法 | |
CN115423163A (zh) | 一种流域短期洪水事件预测方法、装置及终端设备 | |
CN108733952B (zh) | 一种基于序贯模拟的土壤含水量空间变异性三维表征方法 | |
CN111507505A (zh) | 一种水库日入量预测模型的构建方法 | |
CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
CN117077579A (zh) | 翼型流场预测方法、装置、设备及存储介质 | |
CN112001435A (zh) | 区域滑坡预警中训练样本集的构建方法、系统及存储介质 | |
CN201716727U (zh) | 基于遥感与gis的地理模拟系统 | |
Wang et al. | Customized deep learning for precipitation bias correction and downscaling | |
Meng et al. | Tropical cyclone intensity probabilistic forecasting system based on deep learning | |
CN117290818A (zh) | 一种多维时间序列预测方法、电子设备及存储介质 | |
CN110852415A (zh) | 基于神经网络算法的植被指数预测方法、系统及设备 | |
CN116883594A (zh) | 融合卫星与浮标观测的海洋三维温度遥感超分重建方法 | |
CN114692529B (zh) | 一种cfd高维响应的不确定度量化方法、装置、计算机设备 | |
CN116108745A (zh) | 水环境模型多参数率定方法、终端设备及存储介质 | |
US8942966B2 (en) | Method for parameterizing and morphing stochastic reservoir models | |
CN112348700B (zh) | 一种结合som聚类与ifou方程的线路容量预测方法 | |
CN111444614B (zh) | 一种基于图卷积的流场重构方法 | |
Amendola et al. | A neural network ensemble downscaling system (SIBILLA) for seasonal forecasts over Italy: winter case studies |
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 |