CN114372631A - 一种基于小样本学习和lstm的缺资料地区径流预测方法 - Google Patents
一种基于小样本学习和lstm的缺资料地区径流预测方法 Download PDFInfo
- Publication number
- CN114372631A CN114372631A CN202210025092.3A CN202210025092A CN114372631A CN 114372631 A CN114372631 A CN 114372631A CN 202210025092 A CN202210025092 A CN 202210025092A CN 114372631 A CN114372631 A CN 114372631A
- Authority
- CN
- China
- Prior art keywords
- data
- lstm
- model
- runoff
- training
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000002950 deficient Effects 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 12
- 238000012512 characterization method Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 230000001537 neural effect Effects 0.000 claims description 9
- 238000010200 validation analysis Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 241000282414 Homo sapiens Species 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000003061 neural cell Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010792 warming 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (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
本发明公开了一种基于小样本学习和LSTM的缺资料地区径流预测方法。首先获取流域内与径流强相关的影响因子的时序数据，然后进行特征提取，构建特征和预测径流相对应的时序数据集；建立基于小样本学习原型网络和LSTM融合的径流预测模型，进行模型训练和验证；之后，输入影响因子即可对径流进行预测。考虑到缺资料地区数据缺乏的现状以及传统机器学习对大量标签数据的依赖，本发明使用数据驱动的深度学习策略，结合小样本学习算法，融合原型网络和LSTM以降低模型对于数据的依赖性，保证在输入较少训练样本的情况下，模型也能取得较高的预测精度，为缺资料地区径流预测提供了一种新方法。
Description
技术领域
本发明属于水文水资源领域，更为具体地讲，涉及一种基于小样本学习和 LSTM的缺资料地区径流预测方法。
背景技术
径流预测是水文研究中最重要的科学问题之一。由于全球变暖加剧和极端天气日益频发，暴雨和洪涝灾害在全球范围内造成了巨大的经济损失和生态破坏。在变化环境下，对于径流预测，提高其预报精度和延长预见期是亟待解决的问题，具有重大的社会和生态价值。
目前国内外径流预测研究大部分是针对有资料流域，根据已有实测资料建立经验关系或者模型进行预测。但是在全球存在大量流域，其中水文站点分布密度低，且分布不均，无法获取到建立足够精度水文模型所需的数据。或者，由于特殊自然地理环境和人为因素限制，某些基础的水文数据甚至无法获取，故无法掌握水文资源状况和进行科学的水资源利用管理。此外，目前全球的水文站点存在数量仍在缩减的问题，这使得在缺资料地区的水文研究更加具有挑战性。
传统的水文模型是一种描述水文物理过程的数学模型。下垫面条件、降雨等影响因子的时空异质性以及人类活动的影响，使得水文时间序列呈现高度复杂的非线性，进而限制了传统水文模型在缺资料地区的应用。近年来，随着计算机技术的发展，基于数据驱动的水文模型得到了极大关注和发展。小样本学习是元学习在监督学习领域的应用，它旨在学习人类快速学习的能力，试图让机器学习更加靠近人类的思维。同时，循环神经网络(RecurrentNeural Network, RNN)是应用最为广泛的一种时间序列建模方法，具有对以往时刻模式的记忆性，能够借助之前的信息对当前时刻进行预测。但是对于长时间序列来说，网络可能忘记比较久远的信息，并且会存在梯度消失和梯度爆炸的问题。长短期记忆网络(Long Short-Memory Neural Network,LSTM)是一种特殊的RNN，其通过增加信息输入门、输出门、遗忘门等门控单元来控制信息的传导，具有选择性地学习记忆重要信息和遗忘无关噪声。但是LSTM需要比较大量的标签数据进行训练才能有足够高的预测精度。
发明内容
本发明的目的在于克服现有技术的不足，提出一种基于小样本学习原型网络和LSTM融合的径流预测模型，以降低LSTM对数据规模的依赖性，增强网络本身的泛化性能，在数据量比较小的时候，显著提升径流预测精度和预见期。
为实现上述发明目的，本发明基于小样本学习和LSTM的缺资料地区径流预测方法，其特征在于，包括以下步骤：
(1)、收集研究流域内各个气象站点与径流强相关的因子，如流域内降水、气温、蒸散发等。
(2)、数据预处理。整理收集到的各个站点的数据，并对缺失数据进行补全，对错误数据进行纠正。由于数据驱动模型采取梯度回传进行优化，需要将数据进行统一数量级。这里采用离差标准化方法对输入数据进行归一化，其转换公式为：
其中，Xnormal为归一化后的数据，其范围在[0,1]，X为原始数据，Xmax为原始数据的最大值，Xmin为原始数据的最小值。
(3)、建立基于小样本学习原型网络和LSTM的融合模型。融合模型分为三个部分，首先是特征提取模块——LSTM，其对径流时间序列进行建模和特征提取，获取回归损失和特征表征；其次是小样本学习原型网络模块，通过计算输入数据对应类别的特征聚类中心，将提取的特征向量进行分类，计算对应的分类损失；最后是回归预测模块，将上述的两部分损失进行加和连接、梯度回传和优化。
(4)、模型训练。将数据划分为训练集、验证集和测试集。使用训练集输入模型进行学习，损失函数采用均方根误差和欧式距离，优化器使用Adam优化器，多轮次迭代后达到收敛状态。使用验证集进行超参数的验证，多轮调优后，超参数达到最优。
(5)、使用经过训练、验证的模型，在测试集上进行测试，根据观测结果和预测结果的误差进行模型性能评估。
本发明的目的是这样实现的。
本发明利用人工神经网络，采用基于小样本学习原型网络和LSTM的融合模型。首先获取研究流域与预测径流强相关的影响因子，然后构建特征和预测径流相对应的时间序列数据集，并利用该数据集进行模型训练，得到基于小样本学习原型网络和LSTM的径流预测模型。之后，输入影响因子即可对径流进行预测。考虑到缺资料地区数据缺乏的现状，LSTM强大的学习表征能力不足以被激发，所以加入了小样本学习思想，融合原型网络算法和LSTM，对于径流预测加入聚类思想和分级预测先验信息，降低LSTM的数据依赖性，同时保证在输入训练样本较少的情况下，保持较高的模型径流预测精度，为缺资料地区径流预测提供了一种新方法。
附图说明
图1是本发明一种基于小样本学习和LSTM的缺资料地区径流预测方法的一种具体实施方式流程图；
图2是LSTM模型结构示意图；
图3是本发明一种基于小样本学习和LSTM的径流预测方法的神经网络模型结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
图1是本发明一种基于小样本学习和LSTM的缺资料地区径流预测方法的一种具体实施方式流程图。
在本实施例中，如图1所示，本发明一种基于小样本学习和LSTM的缺资料地区径流预测方法包括以下步骤：
S1：缺资料流域数据收集
数据来源于研究流域内设置的水文、气象站点等。
从流域内各个气象站点收集与径流强相关的径流影响因子特征；包括长序列逐日降水量、气温、水面蒸发量、风速、空气湿度、太阳辐射强度以及流域出口断面逐日实测河川径流量等。
S2：数据预处理
在整理数据过程中，采集到的原始数据需要进行时间对齐，并且将时序输入因子和对应的预测径流标签进行对应。原始数据还会存在缺值、错值的情况，可以结合专家知识和插值算法进行补全和纠正，比如样条插值、最近邻插值等。此外，由于数据驱动模型采取梯度回传进行优化，需要将数据进行统一数量级。这里采用离差标准化方法对输入数据进行归一化，其转换公式为：
其中，Xnormal为归一化后的数据，其范围在[0,1]，X为原始数据，Xmax为原始数据的最大值，Xmin为原始数据的最小值。
S3：建立基于小样本学习原型网络和LSTM的融合模型
融合模型分为三个部分，首先是LSTM特征提取模块，将预处理后的数据按照时间步分批输入LSTM网络，进行隐表征提取；LSTM结构图如图2所示，对于每一个LSTM神经单元，输入当前时刻的数据xt、上一个时刻LSTM神经单元的输出ht-1以及上一个LSTM神经单元隐含的记忆状态ct-1，对应输出为当前时刻的输出值ht以及当前时刻LSTM神经单元的记忆状态ct；如图2所示，橙色长方形框代表的是不同的激活函数，粉色圆形代表不同的向量运算，它们共同构成了LSTM神经单元里的三个门控状态：遗忘门、输入门和输出门。遗忘门对上一时刻的记忆状态ct-1进行筛选保留，输入门决定了当前时刻的数据输入xt有多少能够被记忆单元记忆，输出门控制记忆单元ct有多少能够输出到当前时刻的输出ht中。每个门的状态按照如下公式进行更新：
遗忘门：ft＝σ(Wf·[ht-1,xt]+bf)
输入门：it＝σ(Wi·[ht-1,xt]+bi)
单元状态输入：
单元状态：
输出门：ot＝σ(Wo·[ht-1,xt]+bo)
当前时刻隐状态输出：ht＝ot⊙tanh(ct)
其中，Wf，Wi，Wc，Wo表示权重矩阵，bf，bi，bc，bo表示偏置向量，tanh 表示双曲正切激活函数，σ表示sigmoid激活函数，方括号表示向量拼接；
其次是小样本学习原型网络模块，这个模块通过引入径流分级预测的思想，结合专家知识和先验信息，对LSTM提取的隐表征在特征空间进行聚类，并计算每个滑动窗口中不同类别样本隐表征的中心点，引入欧式距离度量各个样本的隐表征向量和对应隐表征中心点的距离作为原型网络分类损失；这个损失可以对LSTM学习隐表征施加指导和约束，同时降低其对于训练数据的依赖性，保证了在缺资料地区进行径流预测，模型在很少训练输入数据的情况下，仍能得到理想的输出和更长的预见期。
最后是回归预测模块，这个部分是由全连接网络构成。将测试数据输入通过特征提取模块和小样本学习原型网络模块训练好的模型，多维的隐表征状态向量通过一层层神经元数目逐级递减的全连接网络回归到每个时刻的径流值。
S4：模型训练
将数据划分为训练集、验证集和测试集。首先，使用训练集输入模型进行学习，损失函数采用均方根误差和欧式距离，优化器使用Adam优化器，多轮次迭代后达到收敛状态。然后，使用验证集进行超参数的验证，多轮调优后，超参数达到最优。
首先，使用训练集进行模型训练时，需要根据专家知识和先验信息对训练数据进行离散化标记，对每个时间窗口的数据，得到该窗口内所有类别数目以及各自对应的样本。通过LSTM进行隐表征向量的提取，并在隐表征特征空间中按照类别标签进行聚类和计算中心点，然后对每个样本计算它的隐表征向量和各个中心点的欧式距离，最小化它和它对应类的距离，同时拉大它和其他类中心的距离。验证集的目的是去验证前序训练好模型的超参数设置是否科学。经过训练集训练，验证集验证超参数的多轮迭代，最后确定最优的超参数和训练模型。
S5：径流预测
在模型中输入测试集的数据，进行径流量的预测，根据评估方法，对预测结果进行评估，以验证模型的合理性；评估函数如下，
纳什效率系数NSE(Nash-Sutcliffe)：
相对误差RE：
平均绝对误差MAE：
均方根误差RMSE：
其中，
表示径流实测值，
表示径流预测值，t表示第t时刻；
在实际应用中，根据流域，训练好模型以后就可以根据当前的输入来预测未来某个时刻的径流量；
本发明中，针对缺资料地区径流预测方法中的不足提出了一种基于小样本学习和LSTM的径流预测方法。本发明在融合小样本学习原型网络和使用深度学习等关键技术上做出了创新。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种基于小样本学习和LSTM的缺资料地区径流预测方法，其特征在于，包括以下步骤：
(1)、收集研究流域内各个气象站点与径流强相关的因子，如流域内降水、气温、蒸散发等。
(2)、数据预处理。整理收集到的各个站点的数据，并对缺失数据进行补全，对错误数据进行纠正。由于数据驱动模型采取梯度回传进行优化，需要将数据进行统一数量级。这里采用离差标准化方法对输入数据进行归一化，其转换公式为：
其中，Xnormal为归一化后的数据，其范围在[0,1]，X为原始数据，Xmax为原始数据的最大值，Xmin为原始数据的最小值。
(3)、建立基于小样本学习原型网络和LSTM的融合模型。融合模型分为三个部分：首先是特征提取模块——LSTM，其对径流时间序列进行建模和特征提取，获取回归损失和特征表征；其次是小样本学习原型网络模块，通过计算输入数据对应类别的特征聚类中心，将提取的特征向量进行分类，计算对应的分类损失；最后是回归预测模块，将上述的两部分损失进行加和连接、梯度回传和优化。
(4)、模型训练。将数据划分为训练集、验证集和测试集。使用训练集输入模型进行学习，损失函数采用均方根误差和欧式距离计算，优化器使用Adam优化器，多轮次迭代后达到收敛状态。使用验证集进行超参数的验证，多轮调优后，超参数达到最优。
(5)、使用经过训练、验证的模型，在测试集上进行测试，根据观测结果和预测结果的误差进行模型性能评估。
2.根据权利要求1所述的径流预测方法，其特征在于，步骤(3)中，所述的建立基于小样本学习原型网络和LSTM的缺资料地区径流预测，和步骤(4) 中，所述的融合神经网络模型训练：
2.1)、融合模型分为三个部分，首先是LSTM特征提取模块，将预处理后的数据按照时间步分批输入LSTM网络，进行隐表征提取；对于每一个LSTM神经单元，输入当前时刻的数据xt、上一个时刻LSTM神经单元的输出ht-1以及上一个LSTM神经单元隐含的记忆状态ct-1，对应输出为当前时刻的输出值ht以及当前时刻LSTM神经单元的记忆状态ct，它们共同构成了LSTM神经单元里的三个门控状态：遗忘门、输入门和输出门。遗忘门对上一时刻的记忆状态ct-1进行筛选保留，输入门决定了当前时刻的数据输入xt有多少能够被记忆单元记忆，输出门控制记忆单元ct有多少能够输出到当前时刻的输出ht中。每个门的状态按照如下公式进行更新：
遗忘门：ft＝σ(Wf·[ht-1,xt]+bf)
输入门：it＝σ(Wi·[ht-1,xt]+bi)
单元状态输入：
单元状态：
输出门：ot＝σ(Wo·[ht-1,xt]+bo)
当前时刻隐状态输出：ht＝ot⊙tanh(ct)
其中，Wf，Wi，Wc，Wo表示权重矩阵，bf，bi，bc，bo表示偏置向量，tanh表示双曲正切激活函数，σ表示sigmoid激活函数，方括号表示向量拼接。
其次是小样本学习原型网络模块，这个模块通过引入径流分级预测的思想，结合专家知识和先验信息，对LSTM提取的隐表征在特征空间进行聚类，并计算每个滑动窗口中不同类别样本隐表征的中心点，引入欧式距离度量各个样本的隐表征向量和对应隐表征中心点的距离作为原型网络分类损失；这个损失可以对LSTM学习隐表征施加指导和约束，同时降低其对于训练数据的依赖性，保证了在缺资料地区进行径流预测，模型在很少训练输入数据的情况下，仍能得到理想的输出和更长的预见期。
最后是回归预测模块，这个部分是由全连接网络构成。将测试数据输入通过特征提取模块和小样本学习原型网络模块训练好的模型，多维的隐表征状态向量通过一层层神经元数目逐级递减的全连接网络回归到每个时刻的径流值。
2.2)、将数据划分为训练集、验证集和测试集。首先，使用训练集输入模型进行学习，损失函数采用均方根误差和欧式距离计算，优化器使用Adam优化器，多轮次迭代后达到收敛状态。然后，使用验证集进行超参数的验证，多轮调优后，超参数达到最优。
首先，使用训练集进行模型训练时，需要根据专家知识和先验信息对训练数据进行离散化标记。对每个时间窗口的数据，得到该窗口内所有类别数目以及各自对应的样本。通过LSTM进行隐表征向量的提取，并在隐表征特征空间中按照类别标签进行聚类和计算中心点，然后对每个样本计算它的隐表征向量和各个中心点的欧式距离，最小化它和它对应类的距离，同时拉大它和其他类中心的距离。验证集的目的是去验证前序训练好模型的超参数设置是否科学。经过训练集训练，验证集验证超参数的多轮迭代，最后确定最优的超参数和训练模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210025092.3A CN114372631A (zh) | 2022-01-11 | 2022-01-11 | 一种基于小样本学习和lstm的缺资料地区径流预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210025092.3A CN114372631A (zh) | 2022-01-11 | 2022-01-11 | 一种基于小样本学习和lstm的缺资料地区径流预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114372631A true CN114372631A (zh) | 2022-04-19 |
Family
ID=81143809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210025092.3A Pending CN114372631A (zh) | 2022-01-11 | 2022-01-11 | 一种基于小样本学习和lstm的缺资料地区径流预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114372631A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114862035A (zh) * | 2022-05-20 | 2022-08-05 | 厦门大学 | 一种基于迁移学习的组合式海湾水温预测方法 |
| CN115808944A (zh) * | 2023-02-09 | 2023-03-17 | 国能大渡河枕头坝发电有限公司 | 一种定子温升试验控制方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180373993A1 (en) * | 2017-06-23 | 2018-12-27 | University Of Alaska Fairbanks | Method Of Predicting Streamflow Data |
| CN110288157A (zh) * | 2019-06-27 | 2019-09-27 | 电子科技大学 | 一种基于注意力机制和lstm的径流预测方法 |
| CN112116147A (zh) * | 2020-09-16 | 2020-12-22 | 南京大学 | 一种基于lstm深度学习的河流水温预测方法 |
| CN112785043A (zh) * | 2020-12-31 | 2021-05-11 | 河海大学 | 一种基于时序注意力机制的洪水预报方法 |
| WO2021120788A1 (zh) * | 2019-12-19 | 2021-06-24 | 华中科技大学 | 一种基于机器学习的水文预报精度评价方法及系统 |
| CN113139329A (zh) * | 2021-03-04 | 2021-07-20 | 河海大学 | 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 |
| CN113393119A (zh) * | 2021-06-11 | 2021-09-14 | 河海大学 | 基于场景缩减-深度学习的梯级水电短期调度决策方法 |
-
2022
- 2022-01-11 CN CN202210025092.3A patent/CN114372631A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180373993A1 (en) * | 2017-06-23 | 2018-12-27 | University Of Alaska Fairbanks | Method Of Predicting Streamflow Data |
| CN110288157A (zh) * | 2019-06-27 | 2019-09-27 | 电子科技大学 | 一种基于注意力机制和lstm的径流预测方法 |
| WO2021120788A1 (zh) * | 2019-12-19 | 2021-06-24 | 华中科技大学 | 一种基于机器学习的水文预报精度评价方法及系统 |
| CN112116147A (zh) * | 2020-09-16 | 2020-12-22 | 南京大学 | 一种基于lstm深度学习的河流水温预测方法 |
| CN112785043A (zh) * | 2020-12-31 | 2021-05-11 | 河海大学 | 一种基于时序注意力机制的洪水预报方法 |
| CN113139329A (zh) * | 2021-03-04 | 2021-07-20 | 河海大学 | 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 |
| CN113393119A (zh) * | 2021-06-11 | 2021-09-14 | 河海大学 | 基于场景缩减-深度学习的梯级水电短期调度决策方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114862035A (zh) * | 2022-05-20 | 2022-08-05 | 厦门大学 | 一种基于迁移学习的组合式海湾水温预测方法 |
| CN114862035B (zh) * | 2022-05-20 | 2024-05-03 | 厦门大学 | 一种基于迁移学习的组合式海湾水温预测方法 |
| CN115808944A (zh) * | 2023-02-09 | 2023-03-17 | 国能大渡河枕头坝发电有限公司 | 一种定子温升试验控制方法 |
| CN115808944B (zh) * | 2023-02-09 | 2023-06-02 | 国能大渡河枕头坝发电有限公司 | 一种定子温升试验控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Potential of kernel-based nonlinear extension of Arps decline model and gradient boosting with categorical features support for predicting daily global solar radiation in humid regions | |
| CN111310968B (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
| Choubin et al. | Precipitation forecasting using classification and regression trees (CART) model: a comparative study of different approaches | |
| CN109142171B (zh) | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 | |
| CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
| CN110288157A (zh) | 一种基于注意力机制和lstm的径流预测方法 | |
| Ladlani et al. | Modeling daily reference evapotranspiration (ET 0) in the north of Algeria using generalized regression neural networks (GRNN) and radial basis function neural networks (RBFNN): A comparative study | |
| CN109840587B (zh) | 基于深度学习的水库入库流量预测方法 | |
| CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
| CN114372631A (zh) | 一种基于小样本学习和lstm的缺资料地区径流预测方法 | |
| Azari et al. | Evaluation of machine learning methods application in temperature prediction | |
| 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 | |
| CN113537600A (zh) | 一种全过程耦合机器学习的中长期降水预报建模方法 | |
| CN110276477B (zh) | 一种基于分层贝叶斯网络和增量学习的洪水预报方法 | |
| CN114399193A (zh) | 一种基于深度时序点过程和lstm的缺资料地区径流事件检测方法 | |
| Yildirim et al. | One-hour-ahead solar radiation forecasting by MLP, LSTM, and ANFIS approaches | |
| CN114118565A (zh) | 一种基于双向长短时记忆耦合模型的日径流预报方法 | |
| CN116562414A (zh) | 一种基于多源水文气象数据的陆地水储量变化预测方法 | |
| Yadav et al. | Application of Artificial Neural Network and Genetic Algorithm Based Artificial Neural Network Models for River Flow Prediction. | |
| Nizar et al. | Forecasting of temperature by using LSTM and bidirectional LSTM approach: case study in Semarang, Indonesia | |
| Raja et al. | Drought prediction and validation for desert region using machine learning methods | |
| 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 | |
| CN115392128A (zh) | 一种利用时空卷积lstm网络模拟流域径流量的方法 | |
| Babu et al. | Modeling daily pan evaporation using tree-based regression methods | |
| Wica et al. | Weather forecasting system with the use of neural network and backpropagation algorithm |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220419 |
|
| WD01 | Invention patent application deemed withdrawn after publication |