CN114781766B - 水文站点的水文信息预测方法、装置、设备及存储介质 - Google Patents
水文站点的水文信息预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114781766B CN114781766B CN202210708323.0A CN202210708323A CN114781766B CN 114781766 B CN114781766 B CN 114781766B CN 202210708323 A CN202210708323 A CN 202210708323A CN 114781766 B CN114781766 B CN 114781766B
- Authority
- CN
- China
- Prior art keywords
- target station
- hydrological
- target
- site
- trained
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000004088 simulation Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 23
- 230000000694 effects Effects 0.000 claims abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 75
- 230000006870 function Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 40
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开一种水文站点的水文信息预测方法、装置、设备及存储介质，该预测方法通过获取河道中多个水文站点之间的空间拓扑关系来确定位于河道上游的第一目标站点和位于河道下游的第二目标站点，之后获取第一目标站点和第二目标站点的水文信息的特征参数并进行拟合以确定二者的组合方式，之后根据该组合方式对应选择待训练的水文信息预测模型并进行训练，得到已训练的水文信息预测模型，最后获取该组合方式对应的第一目标站点的特征参数在第一时间的采集值，并将采集值输入已训练的水文信息预测模型，得到组合方式对应的第二目标站点的特征参数在不早于第一时间的第二时间的预测值，从而减少预测模型模拟试算模型结构的运算量，提高模拟效果。
Description
技术领域
本申请涉及水文模型模拟技术领域，尤其涉及一种水文站点的水文信息预测方法、装置、设备及存储介质。
背景技术
自然河道断面的水文信息可反映河道内水资源量的充盈程度，同时是对自然河道生态环境的自我净化能力、水生动植物生长生存具有不可或缺的影响要素，此外也会影响河道周边重要城市群的生产生活发展、上游水库水工程或湖泊闸门调控决策。因此，合理准确地模拟预测河道断面关键水文站点的水文信息在水文水资源领域是至关重要的研究方向。
目前，现有的河道水位模拟预测方法主要包含以下两个研究思路：其一是构建水动力学水文模型开展模拟工作，该研究方法的优势是具有一定物理机制，但模型建立所需的资料信息偏多，比如研究范围所涉及的关键横断面选取、横断面形状尺寸、河道演进断面糙率、河道纵断面形状及长度、关键横断面水位或流量信息收集等等，故模型搭建过程较为复杂；其二是适用于水文领域的统计学方法，该研究方法的优势是直接基于历史长序列统计数据开展，研究目标之间相关性拟合方式简洁，若想尝试改进输入条件的复杂程度时其拟合效果可能会存在一定局限性。
发明内容
本申请提供一种水文站点的水文信息预测方法、装置、设备及存储介质，能够适当减少深度学习方法模拟试算模型结构的运算量，显著提高模拟效果，从而更好服务于水文信息的模拟预测。
为了达到上述目的，第一方面，本申请提供一种水文站点的水文信息预测方法，包括：获取河道中多个水文站点之间的空间拓扑关系，以根据所述空间拓扑关系从所述多个水文站点中确定位于河道上游的第一目标站点和位于河道下游的第二目标站点；获取所述第一目标站点和所述第二目标站点的水文信息的特征参数，并将所述第一目标站点的所述特征参数与所述第二目标站点的所述特征参数进行拟合以确定所述第一目标站点的所述特征参数与所述第二目标站点的所述特征参数的组合方式；根据所述组合方式对应选择待训练的水文信息预测模型并进行训练，得到已训练的水文信息预测模型；获取所述组合方式对应的所述第一目标站点的所述特征参数在第一时间的采集值，并将所述采集值输入所述已训练的水文信息预测模型，得到所述组合方式对应的所述第二目标站点的所述特征参数在第二时间的预测值，所述第二时间不早于所述第一时间。
在本申请一些实施例中，所述获取所述第一目标站点和所述第二目标站点的水文信息的特征参数，并将所述第一目标站点的所述特征参数与所述第二目标站点的所述特征参数进行拟合以确定所述第一目标站点的所述特征参数与所述第二目标站点的所述特征参数的组合方式的步骤，包括：获取所述第一目标站点和所述第二目标站点的水文信息的特征参数，所述特征参数包括流量和水位高度；统计所述第一目标站点和所述第二目标站点的所述流量和所述水位高度的历史信息；根据所述第一目标站点和所述第二目标站点的所述历史信息，将所述第一目标站点的所述流量和所述水位高度与所述第二目标站点的所述流量和所述水位高度进行一一拟合以得到多种拟合方式；对比由各种所述拟合方式确定的相关系数，从多种所述拟合方式中确定所述第一目标站点的所述特征参数与所述第二目标站点的所述特征参数的组合方式。
在本申请一些实施例中，所述统计所述第一目标站点和所述第二目标站点的所述流量和所述水位高度的历史信息的步骤，包括：获取所述第一目标站点和所述第二目标站点的所述流量和所述水位高度的历史信息的记录时段；选取所述第一目标站点和所述第二目标站点的所述记录时段之间的重叠时段作为目标时段，统计在所述目标时段内所述第一目标站点和所述第二目标站点的所述流量和所述水位高度的历史信息。
在本申请一些实施例中，所述历史信息包括历史值和所述历史值的记录时间，所述根据所述第一目标站点和所述第二目标站点的所述历史信息，将所述第一目标站点的所述流量和所述水位高度与所述第二目标站点的所述流量和所述水位高度进行一一拟合以得到多种拟合方式的步骤，包括：根据所述第一目标站点和所述第二目标站点的所述历史值的所述记录时间之间的滞时天数，对所述第一目标站点和所述第二目标站点的所述历史值进行分组；利用同一分组内的所述历史值将所述第一目标站点的所述流量和所述水位高度与所述第二目标站点的所述流量和所述水位高度进行一一拟合以得到多种拟合方式。
在本申请一些实施例中，所述对比由各种所述拟合方式确定的相关系数，从多种所述拟合方式中确定所述第一目标站点的所述特征参数与所述第二目标站点的所述特征参数的组合方式的步骤，还包括：横向对比同一分组内由各种所述拟合方式确定的相关系数，以确定所述第一目标站点的所述特征参数与所述第二目标站点的所述特征参数的组合方式；纵向对比不同分组内由所述组合方式对应的所述拟合方式的相关系数，以确定所述组合方式对应的滞时天数。
在本申请一些实施例中，所述根据所述组合方式对应选择待训练的水文信息预测模型并进行训练，得到已训练的水文信息预测模型的步骤，包括：根据所述组合方式对应的滞时天数和所述组合方式选择待训练的水文信息预测模型，并对所述第一目标站点和所述第二目标站点的所述历史信息进行筛选以构建模拟分析样本；将由所述组合方式确定的所述第一目标站点的所述特征参数和第二目标站点的所述特征参数分别作为模型输入和模型输出，从所述模拟分析样本中随机抽样出一部分样本作为训练集并选定目标函数训练模型参数，对所述待训练的水文信息预测模型进行训练，得到已训练的水文信息预测模型。
在本申请一些实施例中，所述将由所述组合方式确定的所述第一目标站点的所述特征参数和第二目标站点的所述特征参数分别作为模型输入和模型输出，从所述模拟分析样本中随机抽样出部分样本作为训练集并选定目标函数训练模型参数，对所述待训练的水文信息预测模型进行训练，得到已训练的水文信息预测模型的步骤之后，还包括：将所述模拟分析样本中剩余的另一部分样本作为验证集，利用所述验证集对所述已训练的水文信息预测模型的预测效果进行评估并更新所述已训练的水文信息预测模型。
第二方面，本申请还提供一种水文站点的水文信息预测装置，包括：第一获取模块，用于获取多个水文站点之间的空间拓扑关系，以根据所述空间拓扑关系从所述多个水文站点中确定位于河道上游的第一目标站点和位于河道下游的第二目标站点；第二获取模块，用于获取所述第一目标站点和所述第二目标站点的水文信息的特征参数，并将所述第一目标站点的所述特征参数与所述第二目标站点的所述特征参数进行拟合以确定所述第一目标站点的所述特征参数与所述第二目标站点的所述特征参数的组合方式；选择模块，用于根据所述组合方式对应选择待训练的水文信息预测模型并进行训练，得到已训练的水文信息预测模型；第三获取模块，用于获取所述组合方式对应的所述第一目标站点的所述特征参数在第一时间的采集值，并将所述采集值输入所述已训练的水文信息预测模型，得到所述组合方式对应的所述第二目标站点的所述特征参数在第二时间的预测值，所述第二时间不早于所述第一时间。
第三方面，本申请提供一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述存储器与所述处理器耦接，且所述处理器执行所述计算机程序时，实现如上述所述的预测方法。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行如上述所述的预测方法。
在本申请提供的水文站点的水文信息预测方法中，一方面利用深度学习理论方法对大样本数据处理的优势，将河道中上、下游水文站点之间的水文信息更好地关联起来，从而实现对下游水文站点在未来时刻的流量或者水位高度进行预测，更好反推指导上游水文站点处水库/湖泊出流的决策；另一方面，通过拟合来确定上、下游水文站点之间的水文信息的特征参数的组合方式，并基于该组合方式确定合适的深度学习模型并进行对应的训练，从而可适当减少深度学习方法模拟试算模型结构的运算量，且合理耦合了拟合方法和数据驱动方法二者的优势，显著提高模拟效果，从而更好服务于水文信息的模拟预测。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域技术人员来讲，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是本申请实施例提供的水文信息预测方法的应用场景示意图；
图2是本申请实施例提供的水文信息预测方法的流程示意图；
图3是本申请实施例提供的多个水文站点之间的空间拓扑关系示意图；
图4A~图4C是本申请实施例提供的组合方式所对应的拟合方式在不同滞时天数时的拟合曲线示意图；
图5是本申请实施例提供的水文信息预测模型得到的预测水位高度与真实水位高度的对比示意图；
图6是本申请实施例提供的水文信息预测装置的结构示意框图；
图7是本申请实施例提供的电子设备的一种结构示意框图；
图8是本申请实施例提供的电子设备的另一种结构示意框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接或可以相互通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
在本申请中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
下文的公开提供了许多不同的实施方式或例子用来实现本申请的不同结构。为了简化本申请的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本申请。此外，本申请可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本申请提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
请参阅图1，图1为本申请提供的水文站点的水文信息预测方法的应用场景示意图，该水文信息预测方法可应用于水文信息预测系统中。其中，水文信息预测系统包括终端100和服务器200。终端100可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。终端100具体可以是台式终端或移动终端，终端100具体还可以是手机、平板电脑、笔记本电脑中的一种。服务器200可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。此外，终端100与服务器200之间通过网络建立通信连接，网络具体可以是广域网、局域网、城域网中的任意一种。
本领域技术人员可以理解，图1中示出的应用环境，仅仅是适用于本申请方案的一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的计算机设备，例如图1中仅示出1个服务器200，可以理解的是，该水文信息预测系统还可以包括一个或多个其他服务器，具体此处不作限定。另外，该水文信息预测系统还可以包括存储器，用于存储数据，如存储包含有多个水文站点的水文信息的历史数据。
需要说明的是，图1所示的水文信息预测系统的场景示意图仅仅是一个示例，本申请实施例描述的水文信息预测系统以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着水文信息预测系统的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
请参阅图2，本申请实施例提供了一种水文站点的水文信息预测方法，本申请实施例以该方法应用于如图1中的服务器200来举例说明，该预测方法包括如下步骤：
步骤S201:获取河道中多个水文站点之间的空间拓扑关系，以根据空间拓扑关系从多个水文站点中确定位于河道上游的第一目标站点和位于河道下游的第二目标站点。
在一种实施例中，该空间拓扑关系包括多个水文站点中的相邻两个水文站点之间的水流流向，根据该水流流向可以确定相邻两个水文站点中位于河道上游的第一目标站点和位于河道下游的第二目标站点，水流从第一目标站点流向第二目标站点。另一种实施例中，该空间拓扑关系不仅包括相邻两个水文站点之间的水流流向，还可以进一步包括各个水文站点的分布的地理位置信息，根据各个水文站点的分布的地理位置信息可以确定各个水文站点所属的行政区域，各个水文站点的水文信息对各自所属的行政区域具有参考指示意义。另外，根据各个水文站点的分布的地理位置信息还可以确定各个水文站点是否处于水库或者湖泊，如果某个水文站点属于湖泊或者水库，那么该水文站点的水文信息还对其所属湖泊或者水库的出流和入流决策具有参考指示意义。
请参阅图3，图3是本申请一种实施例提供的多个水文站点之间空间拓扑关系的示意图，如图3所示，在一种实施例中，可获取水文站点A、B、C、D
E及F之间的空间拓扑关系，例如通过确定水文站点A与水文站点B之间的水流流向是从水文站点A到水文站点B，从而确定水文站点A是位于河道上游的第一目标站点，而水文站点B是位于河道下游的第二目标站点。
步骤S202:获取第一目标站点和第二目标站点的水文信息的特征参数，并将第一目标站点的特征参数与第二目标站点的特征参数进行拟合以确定第一目标站点的特征参数与第二目标站点的特征参数的组合方式。
具体的，本实施例中水文站点的水文信息定义为从水文站点的实地调查、观测及计算研究所得与水文有关的各项资料的总称。水文信息中具有代表性的参数作为特征参数，对各水文站点所属的行政区域起到主要的参考指示作用。
可选地，步骤S202包括步骤S2021至步骤S2024，具体步骤如下：
步骤S2021:获取第一目标站点和第二目标站点的水文信息的特征参数，特征参数包括流量和水位高度。
在一种实施例中，水文信息的特征参数可以包括流量和水位高度。在另一种实施例中，水文信息的特征参数可以包括水位高度以及流速。其中，流量/流速对于河道中生物的生存繁衍具有一定的指示意义，当水流的流量或者流速过快时，不利于一些水生生物的生存繁衍。水位高度对于水文站点所在行政区域的防洪防灾工作的开展具有一定的指示意义，当水位高度大于警戒水位时，指示水文站点所在的行政区域具有较高的洪灾风险。
步骤S2022:统计第一目标站点和第二目标站点的流量和水位高度的历史信息。
在一种实施例中，步骤S2022具体包括如下步骤：
获取第一目标站点和第二目标站点的流量和水位高度的历史信息的记录时段；
选取第一目标站点和第二目标站点的记录时段之间的重叠时段作为目标时段，统计在目标时段内第一目标站点和第二目标站点的流量和水位高度的历史信息。
需要说明的是，由于第一目标站点和第二目标站点开始运行的时间可能存在差异，其中一个水文站点开始运行时，可能另一个水文站点还没有建立，因此，第一目标站点和第二目标站点的流量和水位高度的历史信息的记录时段可能存在差异，只有在不同的记录时段之间的重叠时段以及在重叠时段所记录的历史信息，才对第一目标站点和第二目标站点具有参考意义。示例性地，以图3中的水文站点A作为第一目标站点，水文站点B作为第二目标站点，如果水文站点A的历史信息的记录时段为1997年-2022年，水文站点B的历史信息的记录时段为2010年-2022年，则两个记录时段的重叠时段为2010年-2022年，故只需要将2010年-2022年作为目标时段，获取在2010年-2022年内水文站点A和水文站点B所记录的流量和水位高度的历史信息。
步骤S2023:根据第一目标站点和第二目标站点的历史信息，将第一目标站点的流量和水位高度与第二目标站点的流量和水位高度进行一一拟合以得到多种拟合方式。
可选地，历史信息包括历史值和历史值的记录时间，历史值的记录时间至少精确到年-月-日。为了合理反映河道上下游的水文站点间河道演进的不同长度距离及河道断面相关特征参数对水文信息演进的影响，进一步设置了滞时天数T作为分类标签，对第一目标站点和第二目标站点的历史信息进行分类，基于此，在一种实施例中，步骤S2023可以包括如下步骤：
根据第一目标站点和第二目标站点的历史值的记录时间之间的滞时天数，对第一目标站点和第二目标站点的历史值进行分组；
利用同一分组内的历史值将第一目标站点的流量和水位高度与第二目标站点的流量和水位高度进行一一拟合以得到多种拟合方式。
需要说明的是，滞时天数T表明第二目标站点的流量和水位高度的历史值的记录时间相对于第一目标站点的流量和水位高度的历史值的记录时间滞后T天，当滞时天数T越长时，则表明上下游的水文站点间河道演进的不同长度距离及河道断面相关特征参数对水文信息演进的影响的程度越大。可选地，滞时天数T的范围可以是0到2天，其中T取整数，其中，当T=0时，也即不考虑上下游的水文站点间河道演进的不同长度距离及河道断面相关特征参数对水文信息演进的影响，而T分别取1和2天时，则表示上下游的水文站点间河道演进的不同长度距离及河道断面相关特征参数对水文信息演进的影响的程度逐渐增大。
可选地，具体可通过经验相关法来拟合第一目标站点的水文信息的特征参数与第二目标站点的水文信息的特征参数，对应的拟合方式至少有四种，例如，将第一目标站点的水位高度或者流量与第二目标站点的水位高度或者流量进行拟合。在一种实施例中，可以随机挑选一种分组，并利用该分组内的第一目标站点和第二目标站点的流量和水位高度的历史值，将第一目标站点的水位高度或者流量与第二目标站点的水位高度或者流量进行拟合。示例性地，表1-1示出了在某一分组内对应多种拟合方式的拟合结果，如表1-1所示，以图3中的水文站点A作为第一目标站点，水文站点B作为第二目标站点，水文站点A和B的水位高度和流量表示为站点A水位高度/流量以及站点B水位高度/流量，在表1-1中，可以选择利用滞时天数T=1天时的历史值，将站点A流量或者水位高度站点B流量或者水位高度进行一一拟合。
表1-1
在另一种实施例中，可以全选各种分组，并利用同一分组内的第一目标站点和第二目标站点的流量和水位高度的历史值，将第一目标站点的水位高度或者流量与第二目标站点的水位高度或者流量进行拟合。示例性地，表1-2示出了在各个分组内对应多种拟合方式的拟合结果，如表1-2所示，可以分别选择利用滞时天数T=0、T=1天以及T=2天时的历史值，将站点A流量或者水位高度与站点B流量或者水位高度进行一一拟合。
表1-2
步骤S2024:对比由各种拟合方式确定的相关系数，从多种拟合方式中确定第一目标站点的特征参数与第二目标站点的特征参数的组合方式。
在一种实施例中，步骤S2024具体可以包括如下步骤：
横向对比同一分组内由各种拟合方式确定的相关系数，以确定第一目标站点的特征参数与第二目标站点的特征参数的组合方式；
纵向对比不同分组内由组合方式对应的拟合方式的相关系数，以确定组合方式对应的滞时天数。
具体的，由各种拟合方式确定的相关系数R2是通过同一分组内的第一目标站点和第二目标站点的流量和水位高度的历史值进行按照拟合方式进行计算得到。横向对比各相关系数R2即将滞时天数T作为定量，比较各种拟合方式所确定的相关系数R2的相对大小，从而评价各种拟合方式之间的优劣，相关系数R2越大时，该拟合方式越好，其中相关系数R2取到最大值时，即可确定对应的拟合方式为第一目标站点的特征参数与第二目标站点的特征参数的组合方式。示例性地，请参阅表1-1，通过横向对比滞时天数T=1天时的各种拟合方式所确定的相关系数R2可知，站点A的特征参数与站点B的特征参数的组合方式应是站点A流量与站点B水位高度。纵向对比不同分组内由组合方式对应的拟合方式的相关系数R2，即将滞时天数T作为变量，比较该组合方式对应的拟合方式在滞时天数T发生改变时对应的相关系数R2的相对大小，从而确定该组合方式对应的滞时天数，相关系数R2越大时，该滞时天数越好。示例性地，请参阅表1-1、图4A、图4B以及图4C，通过纵向对比滞时天数T=0、T=1天以及T=2天时组合方式对应的拟合方式所确定的相关系数R2可知，当组合方式为站点A流量与站点B水位高度时，应选取滞时天数为T为2天。
在另一种实施例中，步骤S2024还可以包括如下步骤：
全局对比各分组内由各种拟合方式确定的相关系数，以确定第一目标站点的特征参数与第二目标站点的特征参数的组合方式以及组合方式对应的滞时天数。
具体的，通过全局对比各分组内由各种拟合方式确定的相关系数R2，可以同时确定组合方式和对应的滞时天数。示例性地，如表1-2所示，通过全局对比各分组内由各种拟合方式确定的相关系数R2可以得到，站点A的特征参数与站点B的特征参数的组合方式为站点A流量与站点B水位高度，对应的滞时天数T为2天。
需要进一步说明的是，通过全局对比而得到组合方式以及对应的滞时天数的侧重点在于需要得到所有拟合方式在所有分组内确定的相关系数，其为了保证结果的精确性，而横向对比确定组合方式，之后纵向对比而得到对应的滞时天数的侧重点在于减少计算量而提高得到组合方式及对应的滞时天数的速度，因此，可根据实际需要选取对比的方式。
步骤S203:根据组合方式对应选择待训练的水文信息预测模型并进行训练，得到已训练的水文信息预测模型。
具体的，由于该组合方式是通过将第一目标站点和第二目标站点的特征参数进行拟合而确定，该组合方式在一定程度反映了第一目标站点的特征参数与第二目标站点的特征参数的相关性，因此根据该组合方式对应选择带训练的水文信息预测模型并进行训练，在一定程度上可以保证水文信息预测模型的输入和输出是相关的。
在一种实施例中，步骤S203具体包括如下步骤：
步骤S2031:根据组合方式对应的滞时天数和组合方式选择待训练的水文信息预测模型，并对第一目标站点和第二目标站点的历史信息进行筛选以构建模拟分析样本；
步骤S2032:将由组合方式确定的第一目标站点的特征参数和第二目标站点的特征参数分别作为模型输入和模型输出，从模拟分析样本中随机抽样出一部分样本作为训练集并选定目标函数训练模型参数，对待训练的水文信息预测模型进行训练，得到已训练的水文信息预测模型。
在一种实施例中，水文信息预测模型可以是长短期神经网络模型，模型参数可以是均方根误差、确定性系数、平均绝对误差、最大绝对误差和合格率中的一种或者组合。
在一种实施例中，由于特征参数包括水位高度和流量，如果确定组合方式是第一目标站点的流量与第二目标站点的水位高度，滞时天数为T天，则只需要获取滞时天数为T天时的第一目标站点的流量的历史信息以及第二目标站点的历史信息进行归一化整理来构建模拟分析样本，并将第一目标站点的流量作为模型输入，将第二目标站点的水位高度作为模型输出。通过经验相关法来拟合并分析上下游水文站点流量或水位高度、滞时天数的相关程度，在此基础上确定基于深度学习模型输入输出条件，可适当减少深度学习方法模拟试算模型结构的运算量，且合理耦合了经验相关法和数据驱动方法两者的优势，显著提高模拟效果，从而更好服务于河道水文信息的模拟预测。
可选地，作为训练集的一部分样本所占模拟分析样本的比例为预设比例，示例性，该预设比例可以是三分之二或者是二分之一。模拟分析样本中剩余的一部分样本可以作为验证集，用来对已训练的水文信息预测模型进行验证，以评价其预测效果。基于此，在一种实施例中，步骤S2032之后，还包括：
步骤S2033:将模拟分析样本中剩余的另一部分样本作为验证集，利用验证集对已训练的水文信息预测模型的预测效果进行评估并更新已训练的水文信息预测模型。
示例性地，一种实施例中，第二目标站点的预测水位高度和真实水位高度的对比示意图如图5所示。具体的，利用该验证集对已训练的水文信息预测模型的预测效果进行评估的过程也是对已训练的水文信息预测模型进行再次训练的过程，因此，可以根据评估的结果对已训练的水文信息预测模型进行更新，以对其进一步完善。
步骤S204:获取组合方式对应的第一目标站点的特征参数在第一时间的采集值，并将采集值输入已训练的水文信息预测模型，得到组合方式对应的第二目标站点的特征参数在第二时间的预测值，第二时间不早于第一时间。
可选地，第一时间与第二时间的差值为滞时天数T，T的范围为0-2天。
在一种实施例中，由于特征参数包括水位高度和流量，如果确定组合方式是第一目标站点的流量与第二目标站点的水位高度，则只需要获取第一时间时的第一目标站点的流量的采集值，并将该采集值输入已训练的水文信息预测模型，得到滞时天数T后第二时间的第二目标站点的水位高度的预测值。
根据本申请实施例提供的水文信息预测方法，一方面利用深度学习理论方法对大样本数据处理的优势，将河道中上、下游水文站点之间的水文信息更好地关联起来，从而实现对下游水文站点在未来时刻的流量或者水位高度进行预测，更好反推指导上游水文站点处水库/湖泊出流的决策；另一方面，通过拟合来确定上、下游水文站点之间的水文信息的特征参数的组合方式，并基于该组合方式确定合适的深度学习模型并进行对应的训练，从而可适当减少深度学习方法模拟试算模型结构的运算量，且合理耦合了拟合方法和数据驱动方法二者的优势，显著提高模拟效果，从而更好服务于水文信息的模拟预测。
根据上述实施例所描述的方法，本实施例将从水文信息预测装置的角度进一步进行描述，该水文信息预测装置具体可以作为独立的实体来实现，也可以集成在电子设备，比如服务器200中。
请参阅图6，图6具体描述了本申请实施例提供的水文信息预测装置，该水文信息预测装置可以包括：
第一获取模块601，用于获取多个水文站点之间的空间拓扑关系，以根据空间拓扑关系从多个水文站点中确定位于河道上游的第一目标站点和位于河道下游的第二目标站点；
第二获取模块602，用于获取第一目标站点和第二目标站点的水文信息的特征参数，并将第一目标站点的特征参数与第二目标站点的特征参数进行拟合以确定第一目标站点的特征参数与第二目标站点的特征参数的组合方式；
选择模块603，用于根据组合方式对应选择待训练的水文信息预测模型并进行训练，得到已训练的水文信息预测模型；
第三获取模块604，用于获取组合方式对应的第一目标站点的特征参数在第一时间的采集值，并将采集值输入已训练的水文信息预测模型，得到组合方式对应的第二目标站点的特征参数在第二时间的预测值，第二时间不早于第一时间。
具体实施时，以上各个模块和/或单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个模块和/或单元的具体实施可参见前面的方法实施例，具体可以达到的有益效果也请参看前面的方法实施例中的有益效果，在此不再赘述。
另外，请参见图7，图7是本申请实施例提供的电子设备的一种结构示意图，该电子设备可以是服务器200等终端设备。如图7所示，电子设备700包括处理器701、存储器702。其中，处理器701与存储器702电性连接。
处理器701是电子设备700的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或加载存储在存储器702内的应用程序，以及调用存储在存储器702内的数据，执行电子设备700的各种功能和处理数据，从而对电子设备700进行整体监控。
在本实施例中，电子设备700中的处理器701会按照如下的步骤，将一个或一个以上的应用程序的进程对应的指令加载到存储器702中，并由处理器701来运行存储在存储器702中的应用程序，从而实现各种功能：
获取河道中多个水文站点之间的空间拓扑关系，以根据空间拓扑关系从多个水文站点中确定位于河道上游的第一目标站点和位于河道下游的第二目标站点；
获取第一目标站点和第二目标站点的水文信息的特征参数，并将第一目标站点的特征参数与第二目标站点的特征参数进行拟合以确定第一目标站点的特征参数与第二目标站点的特征参数的组合方式；
根据组合方式对应选择待训练的水文信息预测模型并进行训练，得到已训练的水文信息预测模型；
获取组合方式对应的第一目标站点的特征参数在第一时间的采集值，并将采集值输入已训练的水文信息预测模型，得到组合方式对应的第二目标站点的特征参数在第二时间的预测值，第二时间不早于第一时间。
该电子设备700可以实现本申请实施例所提供的水文信息预测方法任一实施例中的步骤，因此，可以实现本申请实施例所提供的任一水文信息预测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
请参见图8，图8是本申请实施例提供的电子设备的另一种结构示意图，如图8所示，图8示出了本申请实施例提供的电子设备的具体结构框图，该电子设备可以用于实施上述实施例中提供的水文信息预测方法。该电子设备800可以为移动终端如智能手机或笔记本电脑等设备。
RF电路810用于接收以及发送电磁波，实现电磁波与电信号的相互转换，从而与通讯网络或者其他设备进行通讯。RF电路810可包括各种现有的用于执行这些功能的电路元件，例如，天线、射频收发器、数字信号处理器、加密/解密芯片、用户身份模块（SIM）卡、存储器等等。RF电路810可与各种网络如互联网、企业内部网、无线网络进行通讯或者通过无线网络与其他设备进行通讯。上述的无线网络可包括蜂窝式电话网、无线局域网或者城域网。上述的无线网络可以使用各种通信标准、协议及技术，包括但并不限于全球移动通信系统（Global System for Mobile Communication, GSM）、增强型移动通信技术（EnhancedData GSM Environment, EDGE)，宽带码分多址技术（Wideband Code Division MultipleAccess, WCDMA），码分多址技术（Code Division Access, CDMA）、时分多址技术（TimeDivision Multiple Access, TDMA），无线保真技术（Wireless Fidelity， Wi-Fi）（如美国电气和电子工程师协会标准 IEEE 802.11a， IEEE 802.11b, IEEE802.11g 和/或 IEEE802.11n）、网络电话（Voice over Internet Protocol, VoIP）、全球微波互联接入（Worldwide Interoperability for Microwave Access， Wi-Max）、其他用于邮件、即时通讯及短消息的协议，以及任何其他合适的通讯协议，甚至可包括那些当前仍未被开发出来的协议。
存储器820可用于存储软件程序以及模块，如上述实施例中水文信息预测方法对应的程序指令/模块，处理器880通过运行存储在存储器820内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现如下功能：
获取河道中多个水文站点之间的空间拓扑关系，以根据空间拓扑关系从多个水文站点中确定位于河道上游的第一目标站点和位于河道下游的第二目标站点；
获取第一目标站点和第二目标站点的水文信息的特征参数，并将第一目标站点的特征参数与第二目标站点的特征参数进行拟合以确定第一目标站点的特征参数与第二目标站点的特征参数的组合方式；
根据组合方式对应选择待训练的水文信息预测模型并进行训练，得到已训练的水文信息预测模型；
获取组合方式对应的第一目标站点的特征参数在第一时间的采集值，并将采集值输入已训练的水文信息预测模型，得到组合方式对应的第二目标站点的特征参数在第二时间的预测值，第二时间不早于第一时间。
存储器820可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器820可进一步包括相对于处理器880远程设置的存储器，这些远程存储器可以通过网络连接至电子设备800。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入单元830可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元830可包括触敏表面831以及其他输入设备832。触敏表面831，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触敏表面831上或在触敏表面831附近的操作），并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面831可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器880，并能接收处理器880发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面831。除了触敏表面831，输入单元830还可以包括其他输入设备832。具体地，其他输入设备832可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元840可用于显示由用户输入的信息或提供给用户的信息以及电子设备800的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元840可包括显示面板841，可选的，可以采用LCD(Liquid Crystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板841。进一步的，触敏表面831可覆盖显示面板841，当触敏表面831检测到在其上或附近的触摸操作后，传送给处理器880以确定触摸事件的类型，随后处理器880根据触摸事件的类型在显示面板841上提供相应的视觉输出。虽然在图中，触敏表面831与显示面板841是作为两个独立的部件来实现输入和输出功能，但是在某些实施例中，可以将触敏表面831与显示面板841集成而实现输入和输出功能。
电子设备800还可包括至少一种传感器850，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板841的亮度，接近传感器可在翻盖合上或者关闭时产生中断。作为运动传感器的一种，重力加速度传感器可检测各个方向上（一般为三轴）加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用（比如横竖屏切换、相关游戏、磁力计姿态校准）、振动识别相关功能（比如计步器、敲击）等;至于电子设备800还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路860、扬声器861，传声器862可提供用户与电子设备800之间的音频接口。音频电路860可将接收到的音频数据转换后的电信号，传输到扬声器861，由扬声器861转换为声音信号输出；另一方面，传声器862将收集的声音信号转换为电信号，由音频电路860接收后转换为音频数据，再将音频数据输出处理器880处理后，经RF电路810以发送给比如另一终端，或者将音频数据输出至存储器820以便进一步处理。音频电路860还可能包括耳塞插孔，以提供外设耳机与电子设备800的通信。
电子设备800通过传输模块870（例如Wi-Fi模块）可以帮助用户接收请求、发送信息等，它为用户提供了无线的宽带互联网访问。虽然图中示出了传输模块870，但是可以理解的是，其并不属于电子设备800的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器880是电子设备800的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器820内的软件程序和/或模块，以及调用存储在存储器820内的数据，执行电子设备800的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器880可包括一个或多个处理核心；在一些实施例中，处理器880可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解地，上述调制解调处理器也可以不集成到处理器880中。
电子设备800还包括给各个部件供电的电源890（比如电池），在一些实施例中，电源可以通过电源管理系统与处理器880逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源890还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出，电子设备800还包括摄像头（如前置摄像头、后置摄像头）、蓝牙模块等，在此不再赘述。具体在本实施例中，电子设备的显示单元是触摸屏显示器，移动终端还包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行一个或者一个以上程序包含用于进行以下操作的指令：
获取河道中多个水文站点之间的空间拓扑关系，以根据空间拓扑关系从多个水文站点中确定位于河道上游的第一目标站点和位于河道下游的第二目标站点；
获取第一目标站点和第二目标站点的水文信息的特征参数，并将第一目标站点的特征参数与第二目标站点的特征参数进行拟合以确定第一目标站点的特征参数与第二目标站点的特征参数的组合方式；
根据组合方式对应选择待训练的水文信息预测模型并进行训练，得到已训练的水文信息预测模型；
获取组合方式对应的第一目标站点的特征参数在第一时间的采集值，并将采集值输入已训练的水文信息预测模型，得到组合方式对应的第二目标站点的特征参数在第二时间的预测值，第二时间不早于第一时间。
具体实施时，以上各个模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个模块的具体实施可参见前面的方法实施例，在此不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。为此，本申请实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的水文信息预测方法中任一实施例的步骤。
其中，该存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取记忆体（RAM，Random Access Memory）、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本申请实施例所提供的水文信息预测方法任一实施例中的步骤，因此，可以实现本申请实施例所提供的任一水文信息预测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种水文信息预测方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。并且，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本申请的保护范围。
Claims (8)
1.一种水文站点的水文信息预测方法，其特征在于，包括：
获取河道中多个水文站点之间的空间拓扑关系，以根据所述空间拓扑关系从所述多个水文站点中确定位于河道上游的第一目标站点和位于河道下游的第二目标站点；
获取所述第一目标站点和所述第二目标站点的水文信息的特征参数，所述特征参数包括流量和水位高度；
统计所述第一目标站点和所述第二目标站点的所述流量和所述水位高度的历史信息，所述历史信息包括历史值和所述历史值的记录时间；
根据所述第一目标站点和所述第二目标站点的所述历史值的所述记录时间之间的滞时天数，对所述第一目标站点和所述第二目标站点的所述历史值进行分组；
利用同一分组内的所述历史值将所述第一目标站点的所述流量和所述水位高度与所述第二目标站点的所述流量和所述水位高度进行一一拟合以得到多种拟合方式；
对比由各种所述拟合方式确定的相关系数，从多种所述拟合方式中确定所述第一目标站点的所述特征参数与所述第二目标站点的所述特征参数的组合方式；
根据所述组合方式对应选择待训练的水文信息预测模型并进行训练，得到已训练的水文信息预测模型；
获取所述组合方式对应的所述第一目标站点的所述特征参数在第一时间的采集值，并将所述采集值输入所述已训练的水文信息预测模型，得到所述组合方式对应的第二目标站点的所述特征参数在第二时间的预测值，所述第二时间不早于所述第一时间。
2.根据权利要求1所述的预测方法，其特征在于，所述统计所述第一目标站点和所述第二目标站点的所述流量和所述水位高度的历史信息的步骤，包括：
获取所述第一目标站点和所述第二目标站点的所述流量和所述水位高度的历史信息的记录时段；
选取所述第一目标站点和所述第二目标站点的所述记录时段之间的重叠时段作为目标时段，统计在所述目标时段内所述第一目标站点和所述第二目标站点的所述流量和所述水位高度的历史信息。
3.根据权利要求1所述的预测方法，其特征在于，所述对比由各种所述拟合方式确定的相关系数，从多种所述拟合方式中确定所述第一目标站点的所述特征参数与所述第二目标站点的所述特征参数的组合方式的步骤，包括：
横向对比同一分组内由各种所述拟合方式确定的相关系数，以确定所述第一目标站点的所述特征参数与所述第二目标站点的所述特征参数的组合方式；
纵向对比不同分组内由所述组合方式对应的所述拟合方式的相关系数，以确定所述组合方式对应的滞时天数。
4.根据权利要求3所述的预测方法，其特征在于，所述根据所述组合方式对应选择待训练的水文信息预测模型并进行训练，得到已训练的水文信息预测模型的步骤，包括：
根据所述组合方式对应的滞时天数和所述组合方式选择待训练的水文信息预测模型，并对所述第一目标站点和所述第二目标站点的所述历史信息进行筛选以构建模拟分析样本；
将由所述组合方式确定的所述第一目标站点的所述特征参数和第二目标站点的所述特征参数分别作为模型输入和模型输出，从所述模拟分析样本中随机抽样出一部分样本作为训练集并选定目标函数训练模型参数，对所述待训练的水文信息预测模型进行训练，得到已训练的水文信息预测模型。
5.根据权利要求4所述的预测方法，其特征在于，所述将由所述组合方式确定的所述第一目标站点的所述特征参数和第二目标站点的所述特征参数分别作为模型输入和模型输出，从所述模拟分析样本中随机抽样出部分样本作为训练集并选定目标函数训练模型参数，对所述待训练的水文信息预测模型进行训练，得到已训练的水文信息预测模型的步骤之后，还包括：
将所述模拟分析样本中剩余的另一部分样本作为验证集，利用所述验证集对所述已训练的水文信息预测模型的预测效果进行评估并更新所述已训练的水文信息预测模型。
6.一种水文站点的水文信息预测装置，其特征在于，包括：
第一获取模块，用于获取多个水文站点之间的空间拓扑关系，以根据所述空间拓扑关系从所述多个水文站点中确定位于河道上游的第一目标站点和位于河道下游的第二目标站点；
第二获取模块，具体用于：获取所述第一目标站点和所述第二目标站点的水文信息的特征参数，所述特征参数包括流量和水位高度；统计所述第一目标站点和所述第二目标站点的所述流量和所述水位高度的历史信息，所述历史信息包括历史值和所述历史值的记录时间；根据所述第一目标站点和所述第二目标站点的所述历史值的所述记录时间之间的滞时天数，对所述第一目标站点和所述第二目标站点的所述历史值进行分组；利用同一分组内的所述历史值将所述第一目标站点的所述流量和所述水位高度与所述第二目标站点的所述流量和所述水位高度进行一一拟合以得到多种拟合方式；对比由各种所述拟合方式确定的相关系数，从多种所述拟合方式中确定所述第一目标站点的所述特征参数与所述第二目标站点的所述特征参数的组合方式；
选择模块，用于根据所述组合方式对应选择待训练的水文信息预测模型并进行训练，得到已训练的水文信息预测模型；
第三获取模块，用于获取所述组合方式对应的所述第一目标站点的所述特征参数在第一时间的采集值，并将所述采集值输入所述已训练的水文信息预测模型，得到所述组合方式对应的所述第二目标站点的所述特征参数在第二时间的预测值，所述第二时间不早于所述第一时间。
7.一种电子设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述存储器与所述处理器耦接，且所述处理器执行所述计算机程序时，实现如权利要求1至5中任一项所述的预测方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至5中任一项所述的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210708323.0A CN114781766B (zh) | 2022-06-22 | 2022-06-22 | 水文站点的水文信息预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210708323.0A CN114781766B (zh) | 2022-06-22 | 2022-06-22 | 水文站点的水文信息预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114781766A CN114781766A (zh) | 2022-07-22 |
| CN114781766B true CN114781766B (zh) | 2022-09-13 |
Family
ID=82422484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210708323.0A Active CN114781766B (zh) | 2022-06-22 | 2022-06-22 | 水文站点的水文信息预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114781766B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408173B (zh) * | 2023-12-16 | 2024-03-01 | 长江水利委员会水文局长江中游水文水资源勘测局 | 一种基于机器学习的水文流量整编智能模型构建方法 |
| CN117851757A (zh) * | 2024-01-11 | 2024-04-09 | 广东工业大学 | 基于机器学习的河流流量插补方法及装置、电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104091074A (zh) * | 2014-07-12 | 2014-10-08 | 西安浐灞生态区管理委员会 | 一种基于经验模态分解的中长期水文预报方法 |
| CN109492825A (zh) * | 2018-11-26 | 2019-03-19 | 中国水利水电科学研究院 | 基于互信息和主成分分析筛选因子的中长期预报方法 |
| CN110619432A (zh) * | 2019-09-17 | 2019-12-27 | 长江水利委员会水文局 | 一种基于深度学习的特征提取水文预报的方法 |
| WO2020250810A1 (ja) * | 2019-06-11 | 2020-12-17 | ソニー株式会社 | 情報処理装置、情報処理方法およびプログラム |
| CN114118562A (zh) * | 2021-11-22 | 2022-03-01 | 北京百度网讯科技有限公司 | 流量预测方法、模型训练方法、装置以及电子设备 |
| CN114418187A (zh) * | 2021-12-21 | 2022-04-29 | 长视科技股份有限公司 | 河道水文信息预测方法、系统、终端设备及存储介质 |
| CN114444333A (zh) * | 2022-04-07 | 2022-05-06 | 长江水利委员会长江科学院 | 生态水位分析方法、装置、电子设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7015740B2 (ja) * | 2018-06-14 | 2022-02-03 | 株式会社日立物流 | 予測システム及び予測方法 |
| CN109242043A (zh) * | 2018-09-29 | 2019-01-18 | 北京京东金融科技控股有限公司 | 用于生成信息预测模型的方法和装置 |
| CN111539841A (zh) * | 2019-12-31 | 2020-08-14 | 远景智能国际私人投资有限公司 | 电量预测方法、装置、设备及可读存储介质 |
| CN113139700B (zh) * | 2020-11-30 | 2022-03-11 | 中科三清科技有限公司 | 一种河流流量预测方法、装置、设备及存储介质 |
-
2022
- 2022-06-22 CN CN202210708323.0A patent/CN114781766B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104091074A (zh) * | 2014-07-12 | 2014-10-08 | 西安浐灞生态区管理委员会 | 一种基于经验模态分解的中长期水文预报方法 |
| CN109492825A (zh) * | 2018-11-26 | 2019-03-19 | 中国水利水电科学研究院 | 基于互信息和主成分分析筛选因子的中长期预报方法 |
| WO2020250810A1 (ja) * | 2019-06-11 | 2020-12-17 | ソニー株式会社 | 情報処理装置、情報処理方法およびプログラム |
| CN110619432A (zh) * | 2019-09-17 | 2019-12-27 | 长江水利委员会水文局 | 一种基于深度学习的特征提取水文预报的方法 |
| CN114118562A (zh) * | 2021-11-22 | 2022-03-01 | 北京百度网讯科技有限公司 | 流量预测方法、模型训练方法、装置以及电子设备 |
| CN114418187A (zh) * | 2021-12-21 | 2022-04-29 | 长视科技股份有限公司 | 河道水文信息预测方法、系统、终端设备及存储介质 |
| CN114444333A (zh) * | 2022-04-07 | 2022-05-06 | 长江水利委员会长江科学院 | 生态水位分析方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114781766A (zh) | 2022-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114781766B (zh) | 水文站点的水文信息预测方法、装置、设备及存储介质 | |
| CN112364439B (zh) | 自动驾驶系统的仿真测试方法、装置以及存储介质 | |
| CN110704661B (zh) | 一种图像分类方法和装置 | |
| CN104040942B (zh) | 用于搭载移动设备社交更新的服务器端限速算法 | |
| CN110443190B (zh) | 一种对象识别方法和装置 | |
| CN109256147B (zh) | 音频节拍检测方法、装置及存储介质 | |
| CN113284142B (zh) | 图像检测方法、装置、计算机可读存储介质及计算机设备 | |
| CN114595124B (zh) | 时序异常检测模型评估方法、相关装置及存储介质 | |
| CN111046742B (zh) | 一种眼部行为检测方法、装置以及存储介质 | |
| CN113704008B (zh) | 一种异常检测方法、问题诊断方法和相关产品 | |
| CN116975295B (zh) | 一种文本分类方法、装置及相关产品 | |
| CN112948763B (zh) | 件量预测方法、装置、电子设备及存储介质 | |
| CN115080840A (zh) | 一种内容推送方法、装置及存储介质 | |
| CN114444333B (zh) | 生态水位分析方法、装置、电子设备及存储介质 | |
| CN113052198A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
| CN114511149B (zh) | 一种分层分布式气象预测平台、方法、介质及设备 | |
| CN116992162A (zh) | 一种对象的推荐方法、装置以及存储介质 | |
| CN114677070A (zh) | 工单消息处理方法、装置、电子设备以及存储介质 | |
| CN110807330B (zh) | 语义理解模型评估方法、装置及存储介质 | |
| CN113822435A (zh) | 一种用户转化率的预测方法及相关设备 | |
| CN111612280A (zh) | 一种数据分析方法和装置 | |
| CN114301864B (zh) | 对象识别方法、装置、存储介质及服务器 | |
| CN112312411A (zh) | VoLTE业务的业务量预测方法和终端设备 | |
| CN117011649B (zh) | 一种模型训练方法和相关装置 | |
| CN113648659B (zh) | 一种确定用户活跃度的方法和相关装置 |
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 |