CN115293391A - 一种基于混合产流模式的径流预测方法及系统 - Google Patents
一种基于混合产流模式的径流预测方法及系统 Download PDFInfo
- Publication number
- CN115293391A CN115293391A CN202210133149.1A CN202210133149A CN115293391A CN 115293391 A CN115293391 A CN 115293391A CN 202210133149 A CN202210133149 A CN 202210133149A CN 115293391 A CN115293391 A CN 115293391A
- Authority
- CN
- China
- Prior art keywords
- runoff
- hydrological
- information data
- data
- effective
- 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 68
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 44
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 24
- 230000001174 ascending effect Effects 0.000 claims description 22
- 238000003062 neural network model Methods 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000013277 forecasting method Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000019771 cognition Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及水文预测技术领域,具体提供了一种基于混合产流模式的径流预测方法,基于混合产流模式的径流预测方法包括:获取至少一组关联河流的水文信息数据;以水文信息数据为输入,基于预训练的径流影响权重模型,逐一执行径流影响权重模型,获取有效水文信息数据;提取有效水文信息数据,生成对应混合产流的径流走势序列树;基于径流预测训练模型输入走势序列树所包含的子集合,输出径流预测结果;本发明实施例通过对关联河流的水文信息数据进行处理和筛选,然后基于径流预测训练模型输出径流预测结果,减少了人为误判的现象,提高了预判的精准度。
Description
技术领域
本发明涉及水文预测,具体为一种基于混合产流模式的径流预测方法及系统。
背景技术
水文时间序列通常包括降雨、水位、流量、潮位等系列资料,其中径流量的模拟与预测对于流域水资源分析利用及防洪减灾具有重要的意义,传统的径流预测方法主要是基于物理性或者概念性的降雨径流模型,该方法的前提是需要掌握流域下垫面条件,降雨等空间变化规律,物理特性及流域边界条件,但是随着全球气候条件的变化及人类活动的影响,导致水文时间序列具有高度非线性和非一致性,因此传统的径流预测方法难以掌握其未来变化规律。
目前,在对河流水文预测过程中,需要通过认为准备历史水文资料的方式来对河流进行径流预测,预测过程以技术人员的认知为主导,技术人员通过自身经验判断,同时查询存档的历史数据,在大量的历史数据中筛选归纳,导致河流径流预测不确定性较高,无法形成精准且客观的径流预测,因此,我们提出一种基于混合产流模式的径流预测方法。
发明内容
本发明的目的在于提供一种基于混合产流模式的径流预测方法及系统,以解决目前河流径流预测不确定性较高,无法形成精准且客观的径流预测的问题。
为实现上述目的,本发明提供如下技术方案:
第一方面,提供了一种基于混合产流模式的径流预测方法,所述基于混合产流模式的径流预测方法包括:
获取至少一组关联河流的水文信息数据;
以水文信息数据为输入,基于预训练的径流影响权重模型,逐一执行径流影响权重模型,获取有效水文信息数据;
提取有效水文信息数据,生成对应混合产流的径流走势序列树;
基于径流预测训练模型输入走势序列树所包含的子集合,输出径流预测结果。
进一步的,所述水文信息数据包括河流历年的降雨、水位、流量、潮位以及关联影响因素;
其中,关联影响因素包括:
河流覆盖流域人口迁移量、河道特征点三维定位数据以及覆盖流域工业、农业用水数据。
进一步的,所述获取至少一组关联河流的水文信息数据的方法具体包括:
获取关联河流的历史水文信息数据以及包含关联河流的历史水文信息数据的历史数据库,基于水文探测器对当前关联河流水域特征点样本进行采集;
基于高斯混合模型方法对水文信息数据进行聚类,根据聚类结果将水文数据进行划段分类,获取分段的水文数据;
提取分段的水文数据,对历史年份、月份、天径流量按照升序进行排列,形成升序队列;
逐一遍历每组升序队列,提取历史年份、月份、天的径流变化点,对变化点的水文数据进行归一化处理,得到归一化后的水文信息数据。
进一步的,所述径流影响权重模型的训练方法具体包括:
获取关联河流水文样本数据,对水文样本进行归一化处理;
提取关联河流水文样本数据中参数元素,判断所提取的参数元素所述对应的径流变量是否大于预设阈值,若径流变量大于预设阈值,则执行待训练的径流影响权重模型,若否,判定参数元素为无效参数元素;
对水文径流影响的参数元素、样本数据、径流量进行融合,得到第一融合元素集合,去除对水文径流影响的参数元素、样本数据、径流量的噪声数据,得到第二融合元素集合,分别确定参数元素在第一融合元素以及第二融合元素中的权重值,得到权重值数据库;
以权重值数据库中的单个数据为输入,多次训练待训练的径流影响权重模型。
进一步的,所述径流走势序列树建立方法具体包括:
获取有效水文信息数据,以有效水文信息数据为输入,执行BLSTM的径流预测模型运行模型,得到有效径流量集合;
判断有效径流量集合与原始净流量之间的关联度,基于BLSTM的径流预测模型判断有效径流量集合与原始净流量之间的径流差量是否大于预设差量阈值,若小于差量阈值,则储存有效水文信息数据,若否,舍弃有效水文信息数据。
进一步的,提取有效水文信息数据,生成对应混合产流的径流走势序列树的方法包括:
将水文信息数据划分为多个信息数据段,对每组所述信息数据段进行模糊化和归一化处理,得到水文信息;
获取历史每个时间段内河流径流量,以及每个时间段长度,获取每个时间段内关联河流的标准径流量数据,提取每个时间的标准径流量数据的最大值以及最小值,形成标准径流量区间段;
判断多个信息数据段中单个的水文信息数据是否处于标准径流量区间段,若是,则判断为有效水文信息数据。
进一步的,提取有效水文信息数据,生成对应混合产流的径流走势序列树的方法还包括:
计算在所述水文数据处于稳定状态的持续时长内,目标数据随水体流动在所相应特征点的径流量变化,筛选关键特征因素,形成关键特征因素数据库;
基于关键特征因素库,逐一遍历所有关联河流的有效水文信息数据,匹配每组有效水文信息数据;
以关键特征因素和效水文信息数据为输入,生成径流走势序列树。
进一步的,径流预测训练模型的建立方法具体包括:
获取径流走势序列树的所有子集合以及原始预测训练模型;
将径流走势序列树的所有子集合以及原始预测训练模型输入径流预测神经网络模型,所述径流预测神经网络模型包括径流走势序列树编辑区以及神经网络模型编辑区;
响应于对原始预测训练模型进行流走势序列树编辑区以及神经网络模型编辑区的操作,获取径流预测结果。
第二方面,提供了一种基于混合产流模式的径流预测系统,所述基于混合产流模式的径流预测系统包括:
水文信息数据获取模块,用于获取至少一组关联河流的水文信息数据;
有效水文信息获取模块,用于以水文信息数据为输入,基于预训练的径流影响权重模型,逐一执行径流影响权重模型,获取有效水文信息数据;
径流走势序列树生成模块,提取有效水文信息数据,生成对应混合产流的径流走势序列树;
径流预测结果输出模块,基于径流预测训练模型输入走势序列树所包含的子集合,输出径流预测结果。
进一步的,所述水文信息数据获取模块包括:
历史数据库获取单元,获取关联河流的历史水文信息数据以及包含关联河流的历史水文信息数据的历史数据库,基于水文探测器对当前关联河流水域特征点样本进行采集;
水文数据划段单元,基于高斯混合模型方法对水文信息数据进行聚类,根据聚类结果将水文数据进行划段分类,获取分段的水文数据;
升序排列单元,用于提取分段的水文数据,对历史年份、月份、天径流量按照升序进行排列,形成升序队列;
水文信息数据归一化处理单元,逐一遍历每组升序队列,提取历史年份、月份、天的径流变化点,对变化点的水文数据进行归一化处理,得到归一化后的水文信息数据。
综上所述,本发明与现有技术相比具有以下有益效果:
本发明实施例通过对关联河流的水文信息数据进行处理和筛选,然后基于径流预测训练模型输出径流预测结果,减少了人为误判的现象,提高了预判的精准度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术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。
图1为本发明提供的一种基于混合产流模式的径流预测方法的结构示意图。
图2为本发明提供的获取至少一组关联河流的水文信息数据的方法的实现流程图。
图3为本发明提供的径流影响权重模型的训练方法的实现流程图。
图4为本发明提供的径流走势序列树建立方法的实现流程图。
图5为本发明提供的提取有效水文信息数据,生成对应混合产流的径流走势序列树的方法的实现流程图。
图6为本发明提供的径流预测训练模型的建立方法的实现流程图。
图7为本发明提供的一种基于混合产流模式的径流预测系统的实现流程图。
图8为本发明提供的水文信息数据获取模块的结构示意图。
图9为本发明提供的权重模型建立模块的结构示意图。
图10为本发明提供的序列树建立模块的结构示意图。
图11为本发明提供的径流走势序列树生成模块的结构示意图。
图12为本发明提供的预测训练模型建立模块的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,在对河流水文预测过程中,需要通过认为准备历史水文资料的方式来对河流进行径流预测,预测过程以技术人员的认知为主导,技术人员通过自身经验判断,同时查询存档的历史数据,在大量的历史数据中筛选归纳,导致河流径流预测不确定性较高,无法形成精准且客观的径流预测,因此,我们提出一种基于混合产流模式的径流预测方法。
本发明提供了一种基于混合产流模式的径流预测方法,通过获取至少一组关联河流的水文信息数据;以水文信息数据为输入,基于预训练的径流影响权重模型,逐一执行径流影响权重模型,获取有效水文信息数据;提取有效水文信息数据,生成对应混合产流的径流走势序列树;最后基于径流预测训练模型输入走势序列树所包含的子集合,输出径流预测结果,本发明实施例通过对关联河流的水文信息数据进行处理和筛选,然后基于径流预测训练模型输出径流预测结果,减少了人为误判的现象,提高了预判的精准度。
为了解决上述问题,如图1所示,为本发明的一个实施例提供的一种基于混合产流模式的径流预测方法,所述基于混合产流模式的径流预测方法包括:
步骤S1,获取至少一组关联河流的水文信息数据;
步骤S2,以水文信息数据为输入,基于预训练的径流影响权重模型,逐一执行径流影响权重模型,获取有效水文信息数据;
步骤S3,提取有效水文信息数据,生成对应混合产流的径流走势序列树;
步骤S4,基于径流预测训练模型输入走势序列树所包含的子集合,输出径流预测结果。
示例性的,在本实施例中,所述水文信息数据包括河流历年的降雨、水位、流量、潮位以及关联影响因素。
具体地,历年的降雨、水位、流量、潮位数据通过查询水文相关网站、图书典籍获取,在本实施例中,考虑到查询水文数据通常并不仅限于一个维度和条件,可能存在查询水文数据为多个维度的情况,此时根据查询指令查询得到的位图向量串也对应有多个,将根据查询指令查询得到的位图向量串取交集,得到目标位图向量串。
其中,关联影响因素包括:
河流覆盖流域人口迁移量、河道特征点三维定位数据以及覆盖流域工业、农业用水数据。
示例性的,河道特征点三维定位数据采用浮球或水下潜水器进行测量,河道特征点的选取基于虚拟河道环境模拟,在电脑中生成相关河道的三维图像,并基于每组关联河流的具体水文特征建立响应的虚拟河流模型,输入便于观察河流径流的样本特征点,通过虚拟河流模型完成特征点的选取,从而方便对河道特征三维定位数据的采集,其中,河道特征点三维定位数据包括但不限于河道的水流速度,单位时间内水量,水质情况,水体温度,水体密度等等。
示例性的,覆盖流域工业、农业用水数据获取时,选取1,2,3....n组样本区域,对每组区域内覆盖流域工业、农业用水的历史数据以及变量进行计算,从而获取关联影响因素的变量影响量。
本发明的一个实施例还提供了获取至少一组关联河流的水文信息数据的方法,参见图2,所述获取至少一组关联河流的水文信息数据的方法具体包括:
步骤S101,获取关联河流的历史水文信息数据以及包含关联河流的历史水文信息数据的历史数据库,基于水文探测器对当前关联河流水域特征点样本进行采集;
步骤S102,基于高斯混合模型方法对水文信息数据进行聚类,根据聚类结果将水文数据进行划段分类,获取分段的水文数据;
步骤S103,提取分段的水文数据,对历史年份、月份、天径流量按照升序进行排列,形成升序队列;
步骤S104,逐一遍历每组升序队列,提取历史年份、月份、天的径流变化点,对变化点的水文数据进行归一化处理,得到归一化后的水文信息数据。
具体地,高斯混合模型(Gaussian Mixed Model,GMM)是由隐马尔可夫模型(HiddenMarkov Model,HMM)演变而来,属于一种无监督的聚类方法。高斯混合模型本质上是一个多维概率密度函数,即通过高斯概率密度函数的线性加权来描述特征的统计分布,特征参数构成的空间分布决定了模型参数值。
例如,将某个历史年份、月份、天的多项变化点和历史径流数据进行相关性分析,得到相应的相关系数,对所有的相关系数按照升序排列的顺序进行排列,选取排序最靠前的几个相关系数对应的几个变化点,并分析其对径流的物理影响,如果对径流有物理影响,并获得相应分段的水文数据,对变化点的水文数据进行归一化处理,得到归一化后的水文信息数据。
示例性的,在具体实施中,可以按照预设的选取规则从各分段的水文数据中确定一待聚类分段作为第一分段的水文数据。例如,可以按照各所述待聚类分段的水文数据的排序,选取各所述待聚类分段的水文数据中排序最前的待聚类分段水文数据或者排序最后的待聚类分段水文数据作为第一基准分段水文数据。
本发明的一个实施例还提供了径流影响权重模型的训练方法,参见图3,所述径流影响权重模型的训练方法包括:
步骤S201,获取关联河流水文样本数据,对水文样本进行归一化处理;
步骤S202,提取关联河流水文样本数据中参数元素,判断所提取的参数元素所述对应的径流变量是否大于预设阈值,若径流变量大于预设阈值,则执行待训练的径流影响权重模型,若否,判定参数元素为无效参数元素;
步骤S203,对水文径流影响的参数元素、样本数据、径流量进行融合,得到第一融合元素集合,去除对水文径流影响的参数元素、样本数据、径流量的噪声数据,得到第二融合元素集合,分别确定参数元素在第一融合元素以及第二融合元素中的权重值,得到权重值数据库;
步骤S204,以权重值数据库中的单个数据为输入,多次训练待训练的径流影响权重模型。
在本实施例中,对水文样本进行归一化处理采用统计分析规则,为了能够使映射关系更加清晰,可以在根据所述水文样本构建所述属性信息和所述关系类别之间的映射规则之前,先对关系类别进行归一化。
具体的,所述方法还包括:根据预设归一规则对所述关系类别进行归一化,以获取至少一个归一化后的关系类别。
本发明的一个实施例还提供了所述径流走势序列树建立方法,参见图4,所述径流走势序列树建立方法包括:
步骤S301,获取有效水文信息数据,以有效水文信息数据为输入,执行BLSTM的径流预测模型运行模型,得到有效径流量集合;
步骤S302,判断有效径流量集合与原始净流量之间的关联度,基于BLSTM的径流预测模型判断有效径流量集合与原始净流量之间的径流差量是否大于预设差量阈值,若小于差量阈值,则储存有效水文信息数据,若否,舍弃有效水文信息数据。
本发明的一个实施例还提供了提取有效水文信息数据,生成对应混合产流的径流走势序列树的方法,参见图5,所述提取有效水文信息数据,生成对应混合产流的径流走势序列树的方法包括:
步骤S401,将水文信息数据划分为多个信息数据段,对每组所述信息数据段进行模糊化和归一化处理,得到水文信息;
步骤S402,获取历史每个时间段内河流径流量,以及每个时间段长度,获取每个时间段内关联河流的标准径流量数据,提取每个时间的标准径流量数据的最大值以及最小值,形成标准径流量区间段;
步骤S403,判断多个信息数据段中单个的水文信息数据是否处于标准径流量区间段,若是,则判断为有效水文信息数据。
步骤S404,计算在所述水文数据处于稳定状态的持续时长内,目标数据随水体流动在所相应特征点的径流量变化,筛选关键特征因素,形成关键特征因素数据库。
步骤S405,基于关键特征因素库,逐一遍历所有关联河流的有效水文信息数据,匹配每组有效水文信息数据。
步骤S406,以关键特征因素和效水文信息数据为输入,生成径流走势序列树。
本发明的一个实施例还提供了径流预测训练模型的建立方法,参见图6,所述径流预测训练模型的建立方法包括:
步骤S501,获取径流走势序列树的所有子集合以及原始预测训练模型;
步骤S502,将径流走势序列树的所有子集合以及原始预测训练模型输入径流预测神经网络模型,所述径流预测神经网络模型包括径流走势序列树编辑区以及神经网络模型编辑区;
步骤S503,响应于对原始预测训练模型进行流走势序列树编辑区以及神经网络模型编辑区的操作,获取径流预测结果。
示例性的,本发明实施例中采用的神经网络模型为BP(BackPropagation,前馈)神经网络模型,当然也可以采用其他神经网络模型。
下面以BP神经网络模型为例进行说明,BP神经网络作为一种具有前向信息的传播和误差逆向传播功能的多层前馈神经网络,它的主要优点之一就在于它可以以任何所期望的精度来学习连续函数方面的通用逼近能力,以及概念清晰、非线性映射能力强的特征。基本BP神经网络包括信号的前向传播和误差的反向传播两个过程。
其中,径流走势序列树的所有子集合以及原始预测训练模型,通过关联河流的特征点对对原始预测训练模型进行流走势序列树以及神经网络模型进行编辑,从而完善径流预测训练模型,以原始预测训练模型进行流走势序列树编辑区以及神经网络模型编辑区的操作为输入,获取获取径流预测结果。
本发明的一个实施例还提供了一种基于混合产流模式的径流预测系统,参见图7,所述基于混合产流模式的径流预测系统包括:
水文信息数据获取模块100,用于获取至少一组关联河流的水文信息数据;
有效水文信息获取模块200,用于以水文信息数据为输入,基于预训练的径流影响权重模型,逐一执行径流影响权重模型,获取有效水文信息数据;
径流走势序列树生成模块300,提取有效水文信息数据,生成对应混合产流的径流走势序列树;
径流预测结果输出模块400,基于径流预测训练模型输入走势序列树所包含的子集合,输出径流预测结果。
本发明的一个实施例还提供了水文信息数据获取模块,参见图8,所述水文信息数据获取模块包括:
所述水文信息数据获取模块100包括:
历史数据库获取单元110,获取关联河流的历史水文信息数据以及包含关联河流的历史水文信息数据的历史数据库,基于水文探测器对当前关联河流水域特征点样本进行采集;
水文数据划段单元120,基于高斯混合模型方法对水文信息数据进行聚类,根据聚类结果将水文数据进行划段分类,获取分段的水文数据;
升序排列单元130,用于提取分段的水文数据,对历史年份、月份、天径流量按照升序进行排列,形成升序队列;
水文信息数据归一化处理单元140,逐一遍历每组升序队列,提取历史年份、月份、天的径流变化点,对变化点的水文数据进行归一化处理,得到归一化后的水文信息数据。
本发明的一个实施例还提供了权重模型建立模块500,参见图9,所述权重模型建立模块500包括:
样本归一化单元510,获取关联河流水文样本数据,对水文样本进行归一化处理。
径流变量判断单元520,提取关联河流水文样本数据中参数元素,判断所提取的参数元素所述对应的径流变量是否大于预设阈值,若径流变量大于预设阈值,则执行待训练的径流影响权重模型,若否,判定参数元素为无效参数元素;
权重值数据库获取单元530,对水文径流影响的参数元素、样本数据、径流量进行融合,得到第一融合元素集合,去除对水文径流影响的参数元素、样本数据、径流量的噪声数据,得到第二融合元素集合,分别确定参数元素在第一融合元素以及第二融合元素中的权重值,得到权重值数据库;
权重模型获取单元540,以权重值数据库中的单个数据为输入,多次训练待训练的径流影响权重模型。
本发明的一个实施例还提供了序列树建立模块600,参见图10,所述序列树建立模块600包括:
有效径流量集合获取单元610,用于获取有效水文信息数据,以有效水文信息数据为输入,执行BLSTM的径流预测模型运行模型,得到有效径流量集合;
净流量关联度判断单元620,判断有效径流量集合与原始净流量之间的关联度,基于BLSTM的径流预测模型判断有效径流量集合与原始净流量之间的径流差量是否大于预设差量阈值,若小于差量阈值,则储存有效水文信息数据,若否,舍弃有效水文信息数据。
本发明的一个实施例还提供了径流走势序列树生成模块300,参见图11,所述径流走势序列树生成模块300包括:
信息数据段划分单元310,将水文信息数据划分为多个信息数据段,对每组所述信息数据段进行模糊化和归一化处理,得到水文信息;
标准径流量区间段提取单元320,获取历史每个时间段内河流径流量,以及每个时间段长度,获取每个时间段内关联河流的标准径流量数据,提取每个时间的标准径流量数据的最大值以及最小值,形成标准径流量区间段;
有效数据判断单元330,判断多个信息数据段中单个的水文信息数据是否处于标准径流量区间段,若是,则判断为有效水文信息数据。
特征因素数据库建立单元340,计算在所述水文数据处于稳定状态的持续时长内,目标数据随水体流动在所相应特征点的径流量变化,筛选关键特征因素,形成关键特征因素数据库;
有效水文信息数据匹配单元350,基于关键特征因素库,逐一遍历所有关联河流的有效水文信息数据,匹配每组有效水文信息数据;
走势序列树执行单元360,以关键特征因素和效水文信息数据为输入,生成径流走势序列树。
本发明的一个实施例还提供了预测训练模型建立模块700,参见图12,所述预测训练模型建立模块700包括:
原始预测训练模型获取单元710,获取径流走势序列树的所有子集合以及原始预测训练模型;
径流预测神经网络模型编辑单元720,将径流走势序列树的所有子集合以及原始预测训练模型输入径流预测神经网络模型,所述径流预测神经网络模型包括径流走势序列树编辑区以及神经网络模型编辑区;
径流预测结果生成单元730,响应于对原始预测训练模型进行流走势序列树编辑区以及神经网络模型编辑区的操作,获取径流预测结果。
本发明实施例通过对关联河流的水文信息数据进行处理和筛选,然后基于径流预测训练模型输出径流预测结果,减少了人为误判的现象,提高了预判的精准度。
在一个实施例中,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使计算机执行的基于混合产流模式的径流预测方法,步骤如下:
获取至少一组关联河流的水文信息数据;
以水文信息数据为输入,基于预训练的径流影响权重模型,逐一执行径流影响权重模型,获取有效水文信息数据;
提取有效水文信息数据,生成对应混合产流的径流走势序列树;
基于径流预测训练模型输入走势序列树所包含的子集合,输出径流预测结果。
示例性的,计算机程序可以被分割成一个或多个模块,一个或者多个模块被存储在存储器中,并由处理器执行,以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。例如,上述计算机程序可以被分割成上述各个系统实施例提供的基于混合产流模式的径流预测系统的单元或模块。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,上述处理器是上述终端设备的控制中心,利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机程序和/或模块,上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如信息采集模板展示功能、产品信息发布功能等)等。
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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于混合产流模式的径流预测方法,其特征在于,基于混合产流模式的径流预测方法包括:
获取至少一组关联河流的水文信息数据;
以水文信息数据为输入,基于预训练的径流影响权重模型,逐一执行径流影响权重模型,获取有效水文信息数据;
提取有效水文信息数据,生成对应混合产流的径流走势序列树;
基于径流预测训练模型输入走势序列树所包含的子集合,输出径流预测结果。
2.根据权利要求1所述的基于混合产流模式的径流预测方法,其特征在于,所述水文信息数据包括河流历年的降雨、水位、流量、潮位以及关联影响因素;
其中,关联影响因素包括:
河流覆盖流域人口迁移量、河道特征点三维定位数据以及覆盖流域工业、农业用水数据。
3.根据权利要求2所述的基于混合产流模式的径流预测方法,其特征在于,所述获取至少一组关联河流的水文信息数据的方法具体包括:
获取关联河流的历史水文信息数据以及包含关联河流的历史水文信息数据的历史数据库,基于水文探测器对当前关联河流水域特征点样本进行采集;
基于高斯混合模型方法对水文信息数据进行聚类,根据聚类结果将水文数据进行划段分类,获取分段的水文数据;
提取分段的水文数据,对历史年份、月份、天径流量按照升序进行排列,形成升序队列;
逐一遍历每组升序队列,提取历史年份、月份、天的径流变化点,对变化点的水文数据进行归一化处理,得到归一化后的水文信息数据。
4.根据权利要求2所述的基于混合产流模式的径流预测方法,其特征在于,所述径流影响权重模型的训练方法具体包括:
获取关联河流水文样本数据,对水文样本进行归一化处理;
提取关联河流水文样本数据中参数元素,判断所提取的参数元素所述对应的径流变量是否大于预设阈值,若径流变量大于预设阈值,则执行待训练的径流影响权重模型,若否,判定参数元素为无效参数元素;
对水文径流影响的参数元素、样本数据、径流量进行融合,得到第一融合元素集合,去除对水文径流影响的参数元素、样本数据、径流量的噪声数据,得到第二融合元素集合,分别确定参数元素在第一融合元素以及第二融合元素中的权重值,得到权重值数据库;
以权重值数据库中的单个数据为输入,多次训练待训练的径流影响权重模型。
5.根据权利要求1-4任一所述的基于混合产流模式的径流预测方法,其特征在于,所述径流走势序列树建立方法具体包括:
获取有效水文信息数据,以有效水文信息数据为输入,执行BLSTM的径流预测模型运行模型,得到有效径流量集合;
判断有效径流量集合与原始净流量之间的关联度,基于BLSTM的径流预测模型判断有效径流量集合与原始净流量之间的径流差量是否大于预设差量阈值,若小于差量阈值,则储存有效水文信息数据,若否,舍弃有效水文信息数据。
6.根据权利要求5所述的基于混合产流模式的径流预测方法,其特征在于,提取有效水文信息数据,生成对应混合产流的径流走势序列树的方法包括:
将水文信息数据划分为多个信息数据段,对每组所述信息数据段进行模糊化和归一化处理,得到水文信息;
获取历史每个时间段内河流径流量,以及每个时间段长度,获取每个时间段内关联河流的标准径流量数据,提取每个时间的标准径流量数据的最大值以及最小值,形成标准径流量区间段;
判断多个信息数据段中单个的水文信息数据是否处于标准径流量区间段,若是,则判断为有效水文信息数据。
7.根据权利要求6所述的基于混合产流模式的径流预测方法,其特征在于,提取有效水文信息数据,生成对应混合产流的径流走势序列树的方法还包括:
计算在所述水文数据处于稳定状态的持续时长内,目标数据随水体流动在所相应特征点的径流量变化,筛选关键特征因素,形成关键特征因素数据库;
基于关键特征因素库,逐一遍历所有关联河流的有效水文信息数据,匹配每组有效水文信息数据;
以关键特征因素和效水文信息数据为输入,生成径流走势序列树。
8.根据权利要求7所述的基于混合产流模式的径流预测方法,其特征在于,径流预测训练模型的建立方法具体包括:
获取径流走势序列树的所有子集合以及原始预测训练模型;
将径流走势序列树的所有子集合以及原始预测训练模型输入径流预测神经网络模型,所述径流预测神经网络模型包括径流走势序列树编辑区以及神经网络模型编辑区;
响应于对原始预测训练模型进行流走势序列树编辑区以及神经网络模型编辑区的操作,获取径流预测结果。
9.一种基于混合产流模式的径流预测系统,其特征在于,所述基于混合产流模式的径流预测系统包括:
水文信息数据获取模块,用于获取至少一组关联河流的水文信息数据;
有效水文信息获取模块,用于以水文信息数据为输入,基于预训练的径流影响权重模型,逐一执行径流影响权重模型,获取有效水文信息数据;
径流走势序列树生成模块,提取有效水文信息数据,生成对应混合产流的径流走势序列树;
径流预测结果输出模块,基于径流预测训练模型输入走势序列树所包含的子集合,输出径流预测结果。
10.根据权利要求9所述的基于混合产流模式的径流预测系统,其特征在于,所述水文信息数据获取模块包括:
历史数据库获取单元,获取关联河流的历史水文信息数据以及包含关联河流的历史水文信息数据的历史数据库,基于水文探测器对当前关联河流水域特征点样本进行采集;
水文数据划段单元,基于高斯混合模型方法对水文信息数据进行聚类,根据聚类结果将水文数据进行划段分类,获取分段的水文数据;
升序排列单元,用于提取分段的水文数据,对历史年份、月份、天径流量按照升序进行排列,形成升序队列;
水文信息数据归一化处理单元,逐一遍历每组升序队列,提取历史年份、月份、天的径流变化点,对变化点的水文数据进行归一化处理,得到归一化后的水文信息数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210133149.1A CN115293391A (zh) | 2022-02-12 | 2022-02-12 | 一种基于混合产流模式的径流预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210133149.1A CN115293391A (zh) | 2022-02-12 | 2022-02-12 | 一种基于混合产流模式的径流预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115293391A true CN115293391A (zh) | 2022-11-04 |
Family
ID=83820390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210133149.1A Pending CN115293391A (zh) | 2022-02-12 | 2022-02-12 | 一种基于混合产流模式的径流预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115293391A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390125A (zh) * | 2023-09-21 | 2024-01-12 | 华中科技大学 | 一种产流模式智能适配的流域水文预报方法 |
-
2022
- 2022-02-12 CN CN202210133149.1A patent/CN115293391A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390125A (zh) * | 2023-09-21 | 2024-01-12 | 华中科技大学 | 一种产流模式智能适配的流域水文预报方法 |
CN117390125B (zh) * | 2023-09-21 | 2024-06-04 | 华中科技大学 | 一种产流模式智能适配的流域水文预报方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242206B (zh) | 一种基于层次聚类和随机森林的高分辨率海洋水温计算方法 | |
CN108830423B (zh) | 一种基于预报域的年径流预测方法 | |
CN113705877B (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN111126704A (zh) | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 | |
CN111027764B (zh) | 一种基于机器学习的适用于径流资料缺乏流域的洪水预报方法 | |
CN115271255A (zh) | 基于知识图谱和机器学习的雨洪相似性分析方法和系统 | |
CN111915058A (zh) | 基于长短时记忆网络和迁移学习的洪水预测方法与装置 | |
CN115423163A (zh) | 一种流域短期洪水事件预测方法、装置及终端设备 | |
Ditthakit et al. | Comparative study of machine learning methods and GR2M model for monthly runoff prediction | |
Joshi et al. | Statistical downscaling of precipitation and temperature using sparse Bayesian learning, multiple linear regression and genetic programming frameworks | |
Vuyyuru et al. | A novel weather prediction model using a hybrid mechanism based on MLP and VAE with fire-fly optimization algorithm | |
CN113033081A (zh) | 一种基于som-bpnn模型的径流模拟方法及系统 | |
CN114417740B (zh) | 一种深海养殖态势感知方法 | |
CN115293391A (zh) | 一种基于混合产流模式的径流预测方法及系统 | |
Sotomayor et al. | Implications of macroinvertebrate taxonomic resolution for freshwater assessments using functional traits: The Paute River Basin (Ecuador) case | |
Asghari et al. | Spatial rainfall prediction using optimal features selection approaches | |
CN117233869B (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
Noor et al. | Prediction map of rainfall classification using random forest and inverse distance weighted (IDW) | |
Joshi et al. | Comparison of direct statistical and indirect statistical-deterministic frameworks in downscaling river low-flow indices | |
Mudunuru et al. | Scalable deep learning for watershed model calibration | |
CN110009132A (zh) | 一种基于lstm深度神经网络的短期电力负荷精细化预测方法 | |
CN116108976A (zh) | 一种超短期风速预测方法 | |
Nazemi et al. | Extracting a set of robust Pareto-optimal parameters for hydrologic models using NSGA-II and SCEM | |
CN114186646A (zh) | 区块链异常交易识别方法及装置、存储介质及电子设备 | |
Katipoğlu | Prediction of future hydrological droughts with tree-based algorithms |
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 |