CN114841417B - 一种高精度咸潮预报方法、系统和可读存储介质 - Google Patents

一种高精度咸潮预报方法、系统和可读存储介质 Download PDF

Info

Publication number
CN114841417B
CN114841417B CN202210406325.4A CN202210406325A CN114841417B CN 114841417 B CN114841417 B CN 114841417B CN 202210406325 A CN202210406325 A CN 202210406325A CN 114841417 B CN114841417 B CN 114841417B
Authority
CN
China
Prior art keywords
time
sequence
salinity
prediction
salt
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
Application number
CN202210406325.4A
Other languages
English (en)
Other versions
CN114841417A (zh
Inventor
杨芳
黄鹏飞
邹华志
刘培
林中源
许伟
杨留柱
魏乾坤
袁菲
张艳艳
邓月运
黄代忠
许劼婧
刘晋高
易丽莎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Pearl River Hydraulic Research Institute of PRWRC
Original Assignee
Pearl River Hydraulic Research Institute of PRWRC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Pearl River Hydraulic Research Institute of PRWRC filed Critical Pearl River Hydraulic Research Institute of PRWRC
Priority to CN202210406325.4A priority Critical patent/CN114841417B/zh
Publication of CN114841417A publication Critical patent/CN114841417A/zh
Application granted granted Critical
Publication of CN114841417B publication Critical patent/CN114841417B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种高精度咸潮预报方法、系统和可读存储介质。所述方法包括：搜集目标、相关站点实测盐度径流等序列资料并进行数据清洗，得到逐时序列，对逐时盐度序列SALT0进行Transformer深度学习模型训练并逐时预测与经验公式逐时预测，根据两者预测准确性确定Transformer深度学习模型与经验公式权重α1、α2，进行集合经验模态分解得到若干IMF分量和残差Res并进行Transformer深度学习模型预测，得到各对应预测序列ET‑IMF分量和残差ET‑Res，重构预测序列SALT并采用MAPE评估误差。本发明方法根据已有目标站点、相关站点资料，基于集合经验模态分解、深度学习与经验公式结合，凸显了原始序列的规律性并以经验公式预测为平衡优化手段，较好地提升了盐度预测精度。

Description

一种高精度咸潮预报方法、系统和可读存储介质
技术领域
本发明涉及河流河口盐度技术领域，更具体地，涉及一种高精度咸潮预报方法、系统和可读存储介质。
背景技术
纵观全国经济发展格局，经济发达、人口高度密集的区域往往是沿海区域。随着高强度的人类活动，水体污染、海水倒灌造成的水质性缺水问题日益凸显。以珠江流域为例，水资源却已成为制约该区域发展的瓶颈，据估算，珠江三角洲地区2030年总用水量将会达到960×108m3，区域引水问题突出。同时，枯水期咸潮上溯问题更加剧了水资源短缺的局面，2021年10月开始东莞经历了近二十年来最为严峻的咸潮风险，东江流域2021年降雨量1188mm，较常年偏少32％，造成上游的三座水库蓄水严重不足，压咸挑战巨大，在经历了近半年的供水压力，最终随着2022年雨季来临，咸潮问题逐渐消退。
随着工程体系和制度体系的不断完善，区域供水安全已得到保障，但在区域需水增加、供水系统管网取水能力限制、外部咸潮演变加剧等不利因素的影响下，如何为供水部门准确预报盐度变化、为取水供水提供有力的技术支撑成为了关键而亟需解决的问题。通常情况下，咸潮的预报有经验公式预报与模型模拟预报，前者精度难以保证，后者按照三维模型计算又存在及时性欠缺的问题。
发明内容
本发明为克服上述现有技术所述的咸潮预报精度不够高的缺陷，本发明第一方面提供一种高精度咸潮预报方法，所述方法包括以下步骤：
搜集目标站点实测盐度序列资料并进行数据清洗，得到逐时盐度序列SALT0；
搜集与目标站点相关站点的径流、盐度相关序列资料并进行数据清洗，得到逐时径流序、盐度序列；用以多参数深度学习；
对逐时盐度序列SALT0进行Transformer深度学习模型训练，并逐时预测与经验公式逐时预测，分别得到预测序列SALTt、SALTe，根据两者预测准确性确定Transformer深度学习模型、SALTt经验公式权重α1和SALTe经验公式权重α2；
对逐时盐度序列进行集合经验模态分解(EEMD)，得到若干IMF分量(IMF1～IMFn)和残差Res；
建立初始的Transformer深度学习模型并对EEMD分解后的IMF分量和残差Res序列进行分别划分训练并进行预测，得到基于Transformer的各对应预测序列ET-IMF分量和残差ET-Res；
利用EEMD进行各对应预测序列ET-IMF分量和残差ET-Res的求和重构，得到EEMD-Transformer深度学习模型预测序列ET_SALT；
利用α1、α2分别对ET_SALT、SALTe进行权重分配并重组为最终预测序列SALT；
对于模型预测结果SALT采用MAPE评估误差。
本发明通过入深度学习下的时序潜在规律的延续性预测并吸收经验公式以期优化深度学习可能存在的过拟合问题，提升咸潮预报精度。
优选地，所述搜集目标站点实测盐度序列资料并进行数据清洗，得到逐时盐度序列SALT0；具体为：
搜集目标站点实测盐度序列资料并进行数据清洗，去除盐度无效值，得到逐时盐度序列SALT0，逐时盐度序列SALT0的最终时间序列为两列，第一列为Datetime时间格式精确到小时，第二列为逐时盐度(含氯度)序列。
优选地，所述搜集与目标站点相关站点的径流、盐度相关序列资料并进行数据清洗，得到逐时径流、盐度序列；具体为：
搜集与目标站点相关站点的径流、潮差、盐度相关序列资料并进行数据清洗，去除径流、盐度无效值且最终时间序列均为两列，第一列为Datetime时间格式精确到小时，第二列为逐时径流、潮差、盐度(含氯度)序列
优选地，所述对逐时盐度序列SALT0进行Transformer深度学习模型训练，并逐时预测与经验公式逐时预测，分别得到预测序列SALTt、SALTe，根据两者预测准确性确定Transformer深度学习模型与经验公式权重α1、α2；具体为：
对逐时盐度序列SALT0进行Transformer深度学习模型训练逐时预测，选取前n0-48小时数据为训练集，最后48小时数据为验证集；其中盐度序列SALT0存在n0小时数据，n0一般依据搜集的数据量决定，一般至少大于5000。
对逐时盐度序列SALT0进行经验公式逐时预测，包括使用经验公式对选取目标站点与相关站点数据采用前n0-48小时数据进行后48小时目标站点盐度的初步预测、参数调整、结果输出；
基于误差率判别公式
Figure GDA0003873347580000031
对于48小时的Transformer深度学习模型预测成果与经验公式预测成果进行比对，误差率分别为M1、M2，计算α1＝M2/(M1+M2)，α2＝M1/(M1+M2)；
其中，α1为SALTt经验公式权重，α2为SALTe经验公式权重，
Figure GDA0003873347580000032
表示第i个预测值，yi表示第i个实测值，M1为Transformer深度学习模型预测误差率，M2为经验公式预测误差率。
优选地，所述Transformer深度学习模型编码层由4个相同的层堆叠在一起，每一层有1个多头注意力与1个全连接前馈网络；
所述Transformer深度学习模型解码层由4个相同的层堆叠在一起，每一层有1个掩膜多头注意力、1个多头注意力与1个全连接前馈网络；
所述Transformer深度学习模型输出层经由线性层计算softmax后输出。
优选地，所述经验公式构成具体为：
Figure GDA0003873347580000033
Figure GDA0003873347580000034
Figure GDA0003873347580000035
其中，St为经验公式预测盐度值，a、b、c、d1、…、dn为各项系数，t为当前时间，α为形状参数，β为尺寸参数，ωt-1为权重系数，H为水位，可由潮汐表查阅；Q为上游流量，n为t时刻之前的n小时。
优选地，所述对于模型预测结果SALT采用MAPE评估误差，具体为：
对于模型预测结果SALT采用误差判别公式评估误差，MAPE越小则越准确，其中将SALT中盐度列的后48小时视为s＝{s1、s2、…s48}，实际值视为t＝{t1、t2、…t48}。
本发明第二方面提供一种高精度咸潮预报系统，所述系统包括：包括存储器和处理器，所述存储器中包括高精度咸潮预报方法程序，所述高精度咸潮预报方法程序被所述处理器执行时实现如上所述任一项所述方法步骤。
本发明第三方面提供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中包括一种高精度咸潮预报方法程序，所述高精度咸潮预报方法程序被处理器执行时，实现如上所述的一种高精度咸潮预报方法的步骤。
本发明提供了一种高精度咸潮预报方法、系统和可读存储介质。所述方法根据已有目标站点、相关站点资料，基于集合经验模态分解、深度学习与经验公式结合，凸显了原始序列的规律性并以经验公式预测为平衡优化手段，较好地提升了盐度预测精度。
附图说明
图1为实施例1所述方法流程示意图；
图2为实施例1所述目标站点盐度(含氯度)示意图；
图3为实施例1相关站点1流量序列示意图；
图4为实施例1相关站点2流量序列示意图；
图5为实施例1相关站点3盐度(含氯度)序列示意图；
图6为实施例1所述SALT0的Transformer深度学习预测模型48小时预测图；
图7为实施例1所述SALT0的经验公式预测模型48小时预测图；
图8为实施例1所述使用EEMD分解SALT0序列成果图；
图9为实施例1所述EEMD_Transformer深度学习预测的ET_SALT序列48小时预测图；
图10为实施例1所述EEMD_Transformer和经验公式共构预测模型48小时预测图；
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1：
本实施例提供一种高精度咸潮预报方法，如图1所述，所述方法包括以下步骤：
S1：搜集目标站点实测盐度序列资料并进行数据清洗，得到逐时盐度序列SALT0；
S2：搜集与目标站点相关站点的径流、盐度相关序列资料并进行数据清洗，得到逐时径流、盐度序列，用以多参数深度学习；
S3：对逐时盐度序列SALT0进行Transformer深度学习模型训练，并逐时预测与经验公式逐时预测，分别得到预测序列SALTt、SALTe，根据两者预测准确性确定Transformer深度学习模型、SALTt经验公式权重α1和SALTe经验公式权重α2；
S4：对逐时盐度序列进行集合经验模态分解(EEMD)，得到若干IMF分量(IMF1～IMFn)和残差Res；
S5：建立初始的Transformer深度学习模型并对EEMD分解后的IMF分量和残差Res序列进行分别划分训练并进行预测，得到基于Transformer的各对应预测序列ET-IMF分量和残差ET-Res；
S6：利用EEMD进行各对应预测序列ET-IMF分量和残差ET-Res的求和重构，得到EEMD-Transformer深度学习模型预测序列ET_SALT；
S7：利用α1、α2分别对ET_SALT、SALTe进行权重分配并重组为最终预测序列SALT；
S8：对于模型预测结果SALT采用MAPE评估误差。
需要说明的是，Transformer深度学习模型可对相关站点径流、盐度数据及目标站点的过往盐度数据进行多参数深度学习，用以预测目标站点的盐度值。
根据本发明实施例，所述S1具体为：
搜集目标站点实测盐度序列资料并进行数据清洗，去除盐度无效值，得到逐时盐度序列SALT0，逐时盐度序列SALT0的最终时间序列为两列，第一列为Datetime时间格式精确到小时，第二列为逐时盐度(含氯度)序列。
根据本发明实施例，所述S2具体为：
搜集与目标站点相关站点的径流、潮差、盐度相关序列资料并进行数据清洗，去除径流、盐度无效值且最终时间序列均为两列，第一列为Datetime时间格式精确到小时，第二列为逐时径流、潮差、盐度(含氯度)序列。
其中，S2所涉参数特征，相关站点参数为对目标站点盐度产生较大影响的站点参数，具体选择根据区域历史盐度分析确定；
S2所涉参数特征，径流属上游相关站点，潮差和盐度属下游相关站点。
根据本发明实施例，所述S3具体为：
S3.1：Transformer为2017年Google提出在NLP领域成功应用的构架。本实施例对逐时盐度序列SALT0(存在n0小时数据，一般至少大于5000)进行Transformer深度学习模型训练逐时预测，选取前n0-48小时数据为训练集，最后48小时数据为验证集；
S3.2：所述Transformer深度学习模型编码层由4个相同的层堆叠在一起，每一层有1个多头注意力与1个全连接前馈网络；
S3.3：所述Transformer深度学习模型解码层由4个相同的层堆叠在一起，每一层有1个掩膜多头注意力、1个多头注意力与1个全连接前馈网络；
S3.4：所述Transformer深度学习模型输出层经由线性层计算softmax后输出。
S3.5：对逐时盐度序列SALT0进行经验公式逐时预测，包括使用经验公式对选取目标站点与相关站点数据采用前n0-48小时数据进行后48小时目标站点盐度的初步预测、参数调整、结果输出；
S3.6：根据本发明实施例，所述经验公式构成具体为：
Figure GDA0003873347580000061
Figure GDA0003873347580000062
Figure GDA0003873347580000063
其中St为经验公式预测盐度值，a、b、c、d1、…、dn为各项系数，t为当前时间，α为形状参数，β为尺寸参数，ωt-1为权重系数，H为水位，可由潮汐表查阅；Q为上游流量，n为t时刻之前的n小时。
S3.7：基于误差率判别公式
Figure GDA0003873347580000064
对于48小时的Transformer深度学习模型预测成果与经验公式预测成果进行比对，误差率分别为M1、M2，计算α1＝M2/(M1+M2)，α2＝M1/(M1+M2)；
其中，α1为SALTt经验公式权重，α2为SALTe经验公式权重，
Figure GDA0003873347580000065
表示第i个预测值，yi表示第i个实测值，M1为Transformer深度学习模型预测误差率，M2为经验公式预测误差率。
根据本发明实施例，所述S4的具体过程为：在SALT0序列中加入白噪声，后进行EMD分解(以上过程为EEMD分解)获得若干IMF分量(IMF1～IMFn)和残差Res；
根据本发明实施例，所述S5具体为：利用S3.1～S3.4描述步骤对IMF分量(IMF1～IMFn)和残差Res序列进行Transformer深度学习模型训练预测输出，得到基于Transformer的各对应预测序列ET-IMF分量和残差ET-Res；
根据本发明实施例，步骤S7的具体过程为：利用S3.7描述步骤中α1、α2分别对ET_SALT、SALTe进行权重分配并重组为最终预测序列SALT；
SALT＝α1×ET_SALT+α2×SALTe
根据本发明实施例，所述S8具体为：
对于模型预测结果SALT采用S3.7中误差判别公式评估误差，MAPE越小则越准确，其中将SALT中盐度列的后48小时视为s＝{s1、s2、…s48}，实际值视为t＝{t1、t2、…t48}。
作为一个具体的实施例，下面结合具体实例对本发明进行说明：
1、如图2所示，目标站点盐度(含氯度)序列SALT0为16138小时；如附图3所示，相关站点流量Q1、Q2，盐度(含氯度)序列S1为16138小时；
2、对时间序列数据SALT0构建Transformer深度学习预测模型，采用4层编码器、4层解码器，附图4为48小时预测图，预测误差率为M1＝14.8％。
3、对时间序列数据SALT0构建经验公式预测模型，附图5为48小时预测图，预测误差率为M2＝17.3％。
4、计算深度学习模型与经验公式权重α＝0.539；
5、采用集合经验模态分解(EEMD)对时间序列数据SALT0进行分解，图6为使用EEMD分解SALT0序列成果图；
6、对IMF分量(IMF1～IMFn)和残差Res序列数据构建Transformer深度学习预测模型，采用4层编码器、4层解码器，并重构得到预测时间序列ET_SALT，附图7为48小时预测图；
7、利用S3.7描述步骤中α1、α2分别对ET_SALT、SALTe进行权重分配并重组为最终预测序列SALT，附图8为预测序列SALT的48小时预测图，其误差率率MAPE为8.8％，具有较好的预测效果。
实施例2：
本实施例提供一种高精度咸潮预报系统，所述系统包括：包括存储器和处理器，所述存储器中包括高精度咸潮预报方法程序，所述高精度咸潮预报方法程序被所述处理器执行时实现实施例1所述方法步骤。
实施例3：
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种高精度咸潮预报方法程序，所述高精度咸潮预报方法程序被处理器执行时，实现如权实施例1所述的一种高精度咸潮预报方法的步骤。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种高精度咸潮预报方法，其特征在于，所述方法包括以下步骤：
搜集目标站点实测盐度序列资料并进行数据清洗，得到逐时盐度序列SALT0；
搜集与目标站点相关站点的径流、盐度相关序列资料并进行数据清洗，得到逐时径流、盐度序列，用以多参数深度学习；
对逐时盐度序列SALT0进行Transformer深度学习模型训练，并逐时预测与经验公式逐时预测，分别得到预测序列SALTt、SALTe，根据两者预测准确性确定Transformer深度学习模型、SALTt经验公式权重α1和SALTe经验公式权重α2；具体为：
对逐时盐度序列SALT0进行Transformer深度学习模型训练逐时预测，其中盐度序列SALT0存在n0小时数据，n0大于5000；
选取前n0-48小时数据为训练集，最后48小时数据为验证集；
对逐时盐度序列SALT0进行经验公式逐时预测，包括使用经验公式对选取目标站点与相关站点数据采用前n0-48小时数据进行后48小时目标站点盐度的初步预测、参数调整、结果输出；
基于误差率判别公式
Figure FDA0003901554150000011
对于48小时的Transformer深度学习模型预测成果与经验公式预测成果进行比对，误差率分别为M1、M2，计算α1＝M2/(M1+M2)，α2＝M1/(M1+M2)；
其中，α1为SALTt经验公式权重，α2为SALTe经验公式权重，
Figure FDA0003901554150000012
表示第i个预测值，yi表示第i个实测值，M1为Transformer深度学习模型预测误差率，M2为经验公式预测误差率；
所述经验公式构成具体为：
Figure FDA0003901554150000013
Figure FDA0003901554150000014
Figure FDA0003901554150000015
其中St为经验公式预测盐度值，a、b、c、d1、…、dn为各项系数，t为当前时间，α为形状参数，β为尺寸参数，ωt-1为权重系数，H为水位，可由潮汐表查阅；Q为上游流量，n为t时刻之前的n小时；
对逐时盐度序列进行集合经验模态分解，得到若干IMF分量和残差Res；
建立初始的Transformer深度学习模型并对EEMD分解后的IMF分量和残差Res序列进行分别划分训练并进行预测，得到基于Transformer的各对应预测序列ET-IMF分量和残差ET-Res；
利用EEMD进行各对应预测序列ET-IMF分量和残差ET-Res的求和重构，得到EEMD-Transformer深度学习模型预测序列ET_SALT；
利用α1、α2分别对ET_SALT、SALTe进行权重分配并重组为最终预测序列SALT；具体为：SALT＝α1×ET_SALT+α2×SALTe；
对于模型预测结果SALT采用MAPE评估误差。
2.根据权利要求1所述的一种高精度咸潮预报方法，其特征在于，所述搜集目标站点实测盐度序列资料并进行数据清洗，得到逐时盐度序列SALT0；具体为：
搜集目标站点实测盐度序列资料并进行数据清洗，去除盐度无效值，得到逐时盐度序列SALT0，逐时盐度序列SALT0的最终时间序列为两列，第一列为Datetime时间格式，精确到小时，第二列为逐时盐度序列。
3.根据权利要求1或2所述的一种高精度咸潮预报方法，其特征在于，所述搜集与目标站点相关站点的径流、盐度相关序列资料并进行数据清洗，得到逐时径流、盐度序列；具体为：
搜集与目标站点相关站点的径流、潮差、盐度相关序列资料并进行数据清洗，去除径流、盐度无效值且最终时间序列均为两列，第一列为Datetime时间格式，精确到小时，第二列为逐时径流、潮差、盐度序列。
4.根据权利要求1所述的一种高精度咸潮预报方法，其特征在于，所述Transformer深度学习模型编码层由4个相同的层堆叠在一起，每一层有1个多头注意力与1个全连接前馈网络；
所述Transformer深度学习模型解码层由4个相同的层堆叠在一起，每一层有1个掩膜多头注意力、1个多头注意力与1个全连接前馈网络；
所述Transformer深度学习模型输出层经由线性层计算softmax后输出。
5.根据权利要求1所述的一种高精度咸潮预报方法，其特征在于，所述对于模型预测结果SALT采用MAPE评估误差，具体为：
对于模型预测结果SALT采用误差判别公式评估误差，MAPE越小则越准确，其中将SALT中盐度列的后48小时视为s＝{s1、s2、…s48}，实际值视为t＝{t1、t2、…t48}。
6.一种高精度咸潮预报系统，其特征在于，所述系统包括：包括存储器和处理器，所述存储器中包括高精度咸潮预报方法程序，所述高精度咸潮预报方法程序被所述处理器执行时实现权利要求1-5任一项所述高精度咸潮预报方法的步骤。
7.一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中包括一种高精度咸潮预报方法程序，所述高精度咸潮预报方法程序被处理器执行时，实现如权利要求1至5中任一项所述的一种高精度咸潮预报方法的步骤。
CN202210406325.4A 2022-04-18 2022-04-18 一种高精度咸潮预报方法、系统和可读存储介质 Active CN114841417B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210406325.4A CN114841417B (zh) 2022-04-18 2022-04-18 一种高精度咸潮预报方法、系统和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210406325.4A CN114841417B (zh) 2022-04-18 2022-04-18 一种高精度咸潮预报方法、系统和可读存储介质

Publications (2)

Publication Number Publication Date
CN114841417A CN114841417A (zh) 2022-08-02
CN114841417B true CN114841417B (zh) 2022-11-22

Family

ID=82566017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210406325.4A Active CN114841417B (zh) 2022-04-18 2022-04-18 一种高精度咸潮预报方法、系统和可读存储介质

Country Status (1)

Country Link
CN (1) CN114841417B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116465623B (zh) * 2023-05-10 2023-09-19 安徽大学 一种基于稀疏Transformer的齿轮箱寿命预测方法
CN117235542B (zh) * 2023-09-08 2024-02-09 珠江水利委员会珠江水利科学研究院 一种三维咸潮模型盐度模拟初始场生成方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288193A (zh) * 2020-11-23 2021-01-29 国家海洋信息中心 基于注意力机制的gru深度学习的海洋站表层盐度预测方法
CN113297801A (zh) * 2021-06-15 2021-08-24 哈尔滨工程大学 一种基于steof-lstm的海洋环境要素预测方法
CN113837450A (zh) * 2021-09-03 2021-12-24 珠江水利委员会珠江水利科学研究院 基于深度学习的河网密集流域水情趋势预测方法及其应用
CN113887819A (zh) * 2021-10-20 2022-01-04 珠江水资源保护科学研究所 一种河口枯水期的咸潮预报方法及预报设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106126896B (zh) * 2016-06-20 2019-03-22 中国地质大学（武汉） 基于经验模态分解和深度学习的混合模型风速预测方法及系统
CN109840313B (zh) * 2019-01-22 2023-08-01 河海大学 一种河口地区低盐取水判定方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288193A (zh) * 2020-11-23 2021-01-29 国家海洋信息中心 基于注意力机制的gru深度学习的海洋站表层盐度预测方法
CN113297801A (zh) * 2021-06-15 2021-08-24 哈尔滨工程大学 一种基于steof-lstm的海洋环境要素预测方法
CN113837450A (zh) * 2021-09-03 2021-12-24 珠江水利委员会珠江水利科学研究院 基于深度学习的河网密集流域水情趋势预测方法及其应用
CN113887819A (zh) * 2021-10-20 2022-01-04 珠江水资源保护科学研究所 一种河口枯水期的咸潮预报方法及预报设备

Non-Patent Citations (15)

* Cited by examiner, † Cited by third party
Title
Discharge-salinity relationships in Modaomen waterway, Pearl River estuary;Zhiming Zhang;《Procedia Environmental Sciences》;20101231;全文 *
Memory of past random wave conditions in submarine groundwater discharge;Pei Xin;《Geophysical Research Letters》;20170314;全文 *
The Hydrodynamic Division of Lingdingyang Estuary and its Application in the Impact Analysis of Large Water-Related Projects;Liling Yang;《IOP Conference Series: Earth and Environmental Science》;20210131;全文 *
上游水库群运行对长江口淡水资源的影响及未来趋势分析;丁磊;《海洋工程》;20220330;全文 *
咸潮上溯期磨刀门河口垂向环流动力机制;彭石等;《水动力学研究与进展(A辑)》;20180930(第05期);全文 *
基于XGBoost的溶解氧预测模型研究;袁红春等;《传感器与微系统》;20200924(第10期);全文 *
基于人工神经网络的河口区盐水入侵预报研究;周凡涵;《水文》;20201225;全文 *
基于参数优化的EEMD-LSSVM年径流组合预测模型;章国勇等;《水资源与水工程学报》;20131215(第06期);全文 *
基于径流和潮汐的长江口盐水入侵统计预测研究;郑晓琴;《海洋预报》;20140815;全文 *
枯季咸潮期珠江河口水资源调度模型研究;叶荣辉等;《水电能源科学》;20160425(第04期);全文 *
江河口复杂河网的水资源调度方案评价;许伟;《水资源保护》;20210907;全文 *
河口盐水入侵规律的数值概化分析及经验模型;严鑫;《中国优秀硕士学位论文全文数据库基础科学辑》;20200615;全文 *
珠江口盐度预测统计模型;王青;《水资源保护》;20181120;全文 *
珠江河口盐水入侵;王彪;《中国博士学位论文全文数据库基础科学辑》;20120515;全文 *
钱塘江河口盐水入侵数值模拟;李光辉;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20171115;全文 *

Also Published As

Publication number Publication date
CN114841417A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN114841417B (zh) 一种高精度咸潮预报方法、系统和可读存储介质
Liu et al. Modeling the daily suspended sediment concentration in a hyperconcentrated river on the Loess Plateau, China, using the Wavelet–ANN approach
CN107885951B (zh) 一种基于组合模型的水文时间序列预测方法
Kisi Wavelet regression model as an alternative to neural networks for river stage forecasting
CN106875060B (zh) 一种基于全局自动优化算法的洪水实时校正方法
CN113344305B (zh) 一种暴雨内涝事件的快速预测方法
CN112765912B (zh) 基于气候模式集合的洪涝灾害社会经济暴露度的评估方法
CN112288193A (zh) 基于注意力机制的gru深度学习的海洋站表层盐度预测方法
Liu et al. A risk assessment method based on RBF artificial neural network-cloud model for urban water hazard
CN117236673B (zh) 城市水网多尺度防洪排涝联合优化调度方法和系统
CN110969312A (zh) 基于变分模态分解和极端学习机的短期径流预测耦合方法
CN113158556B (zh) 一种区域水位短时高精度预报方法
Wang et al. A statistical hydrological model for Yangtze river watershed based on stepwise cluster analysis
Alfa et al. Reliability assessment of Thomas Fiering's method of stream flow prediction
Sanubari et al. Flood modelling and prediction using artificial neural network
CN116502410A (zh) 一种非均匀分时段的城市雨洪模型参数动态率定方法
Vermuyten et al. Real-time river flood control under historical and future climatic conditions: Flanders case study
Oluwatobi et al. Modeling and simulation of river discharge using artificial neural networks
Khan et al. A comparison of Quadratic Regression and Artificial Neural Networks for the estimation of quantiles at ungauged sites in regional frequency analysis.
Yang et al. Responses of tidal duration asymmetry to morphological changes in Lingding Bay of the Pearl River Estuary
CN114925923B (zh) 一种提高非监测单元积水深度预报精度的方法
Chen et al. Deformation prediction of landslide based on genetic-simulated annealing algorithm and BP neural network
Gao et al. Assessment of water resources carrying capacity using chaotic particle swarm genetic algorithm
Luu et al. Suspended sediment concentration prediction using long short-term memory (LSTM) networks at the Vu Gia Thu Bon catchment, Viet Nam
Wang et al. Forecasting dissolved oxygen and biochemical oxygen demand in a river with numerical solution of one-dimensional BOD-DO model.

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