CN115600044B - 一种河流断面流量计算方法、装置、设备及存储介质 - Google Patents

一种河流断面流量计算方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115600044B
CN115600044B CN202211496172.3A CN202211496172A CN115600044B CN 115600044 B CN115600044 B CN 115600044B CN 202211496172 A CN202211496172 A CN 202211496172A CN 115600044 B CN115600044 B CN 115600044B
Authority
CN
China
Prior art keywords
data
river
section flow
measurement point
algorithm model
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
CN202211496172.3A
Other languages
English (en)
Other versions
CN115600044A (zh
Inventor
文一章
郭威麟
陈浩文
贺子幸
胡松
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.)
Hunan University
Original Assignee
Hunan University
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 Hunan University filed Critical Hunan University
Priority to CN202211496172.3A priority Critical patent/CN115600044B/zh
Publication of CN115600044A publication Critical patent/CN115600044A/zh
Application granted granted Critical
Publication of CN115600044B publication Critical patent/CN115600044B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
    • G01F1/002—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow wherein the flow is in an open channel
    • 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
    • G06F16/242—Query formulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Fluid Mechanics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measuring Volume Flow (AREA)

Abstract

本发明公开了一种河流断面流量计算方法、装置、设备及存储介质，包括：获取ADCP巡航K次采集的测量点数据，测量点数据包括测量点距离左岸的距离、距离河流表面的距离及单点速度；采用数据驱动方法构建河流断面流量预测模型；选取L个测量点数据作为河流断面流量预测模型的输入，预测得出L/0.05×0.95个测量点的瞬时速度，根据瞬时速度和基于水位得到的河流面积确定河流断面流量。本发明通过获取较少的河流断面测量点，利用数据驱动方法建立的河流速度预测模型推断出更多测量点的瞬时速度，再根据勘测河流水位得到的河流面积，进而推断出河流断面流量，即通过断面流速和水位信息对河流流量进行确定，提高了河流流量估算的准确性。

Description

一种河流断面流量计算方法、装置、设备及存储介质
技术领域
本发明涉及河流流量预测领域，特别涉及一种河流断面流量计算方法、装置、设备及存储介质。
背景技术
现阶段河流流量测量方法可以分为接触测量法和非接触测量法，直接测量采用直接和河流接触的方式，主要有基于流量计的水文站和声学多普勒流速剖面仪等，但受经济因素和复杂环境等影响，部署难度大且探测成本高。非接触方法可以分为雷达测速和遥感测速等非接触方法，利用探测河流表面的速度信息或河流宽度、水位等，结合河流实测流量建立经验模型。该类方法无需河流断面流速分布和河床高程信息，降低了探测难度，但是泛化能力差，依靠经验模型，时空分辨率低。基于熵理论的河流速度反演方法存在假设测量值为河流的最大速度的伪假设，导致模型精确度差，而且传统的方法实时性较差。
发明内容
有鉴于此，本发明的目的在于提供一种河流断面流量计算方法、装置、设备及存储介质，解决了现有技术中模型精确度差的问题。
为解决上述技术问题，本发明提供了一种河流断面流量计算方法，包括：
获取ADCP巡航K次采集的测量点数据，其中所述测量点数据包括测量点距离左岸的距离、所述测量点距离河流表面的距离、所述测量点的单点速度；
利用数据驱动方法并根据所述测量点数据构建河流断面流量预测模型；
获取河流水位，根据所述河流水位从面积数据库中查找对应的面积,其中所述面积数据库根据水位计测量的水位与水准仪测量的水平距离构建；
从所述测量点数据中选取L个测量点数据作为所述河流断面流量预测模型的输入,预测得出L/0.05×0.95个测量点的瞬时速度；
根据所述瞬时速度和所述面积确定所述河流断面流量。
可选的，所述利用数据驱动方法并根据所述测量点数据构建河流断面流量预测模型，包括：
构建TrAdaBoost算法模型，设置所述TrAdaBoost算法模型的参数，并对所述TrAdaBoost算法模型进行权重初始化，其中所述参数包括：迭代次数、Boosting迭代的最大次数、交叉验证的折叠数F；
根据所述参数进行迭代得到误差，并根据所述误差调整权重；
将所述迭代过程中均方误差最小的算法模型确定为所述河流断面流量预测模型。
可选的，所述构建TrAdaBoost算法模型，设置所述TrAdaBoost算法模型的参数，并对所述TrAdaBoost算法模型进行权重初始化，还包括：
调用Adaboost.R2进行训练，并以梯度决策树作为学习器，得到所述算法模型。
可选的，所述根据所述参数进行迭代得到误差，并根据所述误差调整权重，包括：
将所述测量点数据划分为训练集Ts和测试集Tr；
根据所述折叠数F将所述Ts分为F个子集，将所述F个子集中的一个子集作为目标域Tsc，其余子集作为源域Tsa；
计算每次迭代的测量误，其中所述的计算公式为，其中，表示算法模型迭代第个数据样本的预测值，为算法模型迭代第个数据样本的真实值，预测Ts的瞬时速度为预测值；
计算所述Ts中每个训练样本的调整误差，当所述大于0.5时，需要将所述重置为0.5，其中所述的计算公式为，其中为算法模型迭代第个数据样本、第次迭代训练的调整误差，为目标域中的数据组数，为源域中的数据组数；
冻结所述Tsa的权重，并计算所述Tsa与所述Tsc之间的最大均值差异，其中所述的计算公式为，其中为算法模型的映射函数，为假设目标域与源域之间存在一个再生希尔伯特空间；
对所述Tsc的权重和所述Tsa的权重进行更新，其中所述Tsc的权重更新公式为，其中，为标准化系数，为所有训练样本的权重之和，为算法模型迭代第个数据样本、第次迭代训练的得到的目标域数据的算法模型权重，为算法模型迭代第个数据样本、第次迭代训练的目标域数据的算法模型权重，为目标域权重因子，其中所述Tsa的权重更新公式为，其中，为算法模型迭代第个数据样本、第次迭代训练的源域数据的算法模型权重，为算法模型迭代第个数据样本、第次迭代训练的源域数据的算法模型权重。
可选的，所述将所述测量点数据划分为训练集Ts和测试集Tr，包括：
将所述K次采集的测量点数据按照所述ADCP测量的总流量从低到高排序得到排序数据；
将所述排序数据的第一次到1/3K次的数据作为第一集合；
将所述排序数据的第1/3K次到2/3K次的数据作为第二集合；
将所述排序数据的第2/3K次到K次的数据作为第三集合；
从所述第一集合、所述第二集合和所述第三集合中各选取相同次数的数据作为所述Tr，从剩余的所述第一集合、剩余的所述第二集合和剩余的所述第三集合中各选取相同次数的数据作为所述Ts。
可选的，所述从所述第一集合、所述第二集合和所述第三集合中各选取相同次数的数据作为所述Tr；从剩余的所述第一集合、剩余的所述第二集合和剩余的所述第三集合中各选取相同次数的数据作为所述Ts，包括：
从所述第一集合、所述第二集合和所述第三集合中各选取1次得到的数据作为所述Tr，从剩余的所述第一集合、剩余的所述第二集合和剩余的所述第三集合中各选取4次得到的数据作为所述Ts。
可选的，在所述得到当前所述河流断面流量之后，还包括：
根据评估指标对所述河流断面流量预测模型进行评估；
其中所述评估指标包括：均方根误差、平均绝对值、均方误差、平均绝对百分比误差、拟合度。
本发明还提供了一种河流断面流量计算装置，包括：
第一获取模块，用于获取ADCP巡航K次采集的测量点数据，其中测量点数据包括所述测量点距离左岸的距离、所述测量点距离河流表面的距离、所述测量点的单点速度；
构建模块，用于利用数据驱动方法并根据所述测量点数据构建河流断面流量预测模型；
第二获取模块，用于获取河流水位，根据所述河流水位从面积数据库中查找对应的面积,其中所述面积数据库根据水位计测量的水位与水准仪测量的水平距离构建；
预测模块，用于从所述测量点数据中选取L个测量点数据作为所述河流断面流量预测模型的输入，预测得出L/0.05×0.95个测量点的瞬时速度；
确定模块，用于根据所述瞬时速度和所述面积确定所述河流断面流量。
本发明还提供了一种河流断面流量计算设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述的河流断面流量计算方法的步骤。
本发明还提供了一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述的河流断面流量计算方法的步骤。
可见，本发明通过利用ADCP获取测量点数据，利用数据驱动方法构建河流速度预测模型，可以通过获取较少的河流断面测量点，利用河流速度预测模型推断出更多测量点的瞬时速度，再根据勘测河流水位得到的河流面积，进而推断出河流断面流量，即通过断面流速和水位信息对河流流量进行确定，提高了河流流量估算的准确性。
此外，本发明还提供了一种河流断面流量计算装置、设备及存储介质，同样具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种河流断面流量计算方法的流程图；
图2为本发明实施例提供的一种本方法、AdaBoostR2算法、GPR算法、MLP算法和SVR算法的结果图；
图3为本发明实施例提供的一种ADCP的速度剖面图；
图4为本发明实施例提供的一种河流断面流量计算方法的速度剖面图；
图5为本发明实施例提供的一种河流断面流量计算装置的结构示意图；
图6为本发明实施例提供的一种河流断面流量计算设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
河流断面流量测量对于水利工程设计、防洪减灾预警、环境保护、工农业生产等领域有重要意义，是水文循环、洪水预测、水力风险缓解、水资源管理和气候变化的关键因素，是评估河流污染物通量计算的基础。目前用于河流流量测量的方法有缆道自动测量、声学多普勒测流、超声层析测流、水位下降法测流等测流方法。然而现有技术存在以下几点不足：测量方法结构复杂，测量结果精准度不佳，测量设备成本高。
因此，亟待提出一种实测工作量少，测量精度高，容易实现，结果稳定可靠，能满足工程精度的河流流量测量方法，即基于少量河流断面点测数据，根据历史数据与模型算法，反演出河流断面当前多点瞬时速度，从而求出当前断面流量。本方法利用ADCP（AcousticDoppler Current Profiler，超声多普勒流速剖面仪）测量历史数据，构建一个算法模型，利用少数的河流断面点速度，通过模型即可推断出整个河流断面的平均速度，根据断面面积从而推测出流量。具体请参考图1，图1为本发明实施例提供的一种河流断面流量计算方法的流程图。该方法可以包括：
S101：获取ADCP巡航K次采集的测量点数据，其中测量点数据包括测量点距离左岸的距离、测量点距离河流表面的距离、测量点的单点速度。
本实施例并不限定获取的频率，以及获取的触发条件，依据用户需求进行设定。本实施例并不限定巡航的起始点，例如可以从河流的左岸开始巡航，或者还可以从河流的右岸开始巡航。
S102：利用数据驱动方法并根据测量点数据构建河流断面流量预测模型。
本实施例并不限定具体的数据驱动方法，例如可以是AdaBoost（Adaptiveboosting，自适应增强迭代算法）算法，或者还可以是TrAdaBoost（Boosting For TransferLearning，自适应增强迁移学习算法），或者还可以是GPR（Gaussian Process Regression，高斯过程回归）算法，或者还可以是MLP（Multilayer Perceptron，多层感知机）算法，或者还可以是SVR（supportvector regression，支持向量回归）算法，或者还可以是基于上述算法的改进，即只要满足算法为数据驱动即可。
进一步地，为了预测的准确性，本实施例可以采用AdaBoost算法，并根据AdaBoost算法进行改进，根据测量点数据构建河流断面流量预测模型，具体过程包括：
步骤201，构建TrAdaBoost算法模型，设置TrAdaBoost算法模型的参数，并对TrAdaBoost算法模型进行权重初始化，其中参数包括：迭代次数、Boosting迭代的最大次数、交叉验证的折叠数F。
本实施例构建TrAdaBoost算法框架，其中该框架是由两阶AdaBoost算法改进构成。设置，并设定TrAdaBoost算法模型的参数，其中参数包括迭代次数、Boosting迭代的最大次数、交叉验证的折叠数F，并对TrAdaBoost算法模型进行权重初始化，模型的初始化权重公式为：
其中表示模型迭代第i个数据样本训练的初始权重；表示待测河流的流速方差；表示测试样本点基于核函数的映射；表示待测河流的流速后验方差；为目标域中的数据组数，为源域中的数据组数。
权重初始化完成后，根据设定的迭代次数进行迭代。本实施例并不限定AdaBoost算法的基学习器，例如可以是决策树，或者还可以是神经网络。因为树模型可以解决非线性特征的问题，且对特征标准化和统一量化(即数值型和类目型特征都可以直接被用到树模型的构建和预测过程)不做要求，还可以直观地输出决策过程，使得预测结果具有可解释性。
进一步地，为了使预测结果更具有可解释性，本实施例可以将策回归树（DecisionTreeRegressor）作为基学习器，具体内容可以包括：
调用Adaboost.R2进行训练，并以梯度决策树作为学习器，得到算法模型。
步骤202，根据参数进行迭代得到误差，并根据误差调整权重。
本实施例根据迭代次数、Boosting迭代的最大次数、交叉验证的折叠数F，得到每次迭代的误差，并根据误差不断调整权重，本实施例并不限定根据误差调整权重的过程，例如可以直接根据误差对权重进行调整，或者还可以通过误差计算得到最大均值差异，根据最大均值差异调整权重。
进一步地，为了更好的对权重进行修正，避免负迁移，本实施例可以通过误差计算数据最大均值差异，依据数据最大均值差异对权重进行调整，具体内容可以包括：
步骤401，将测量点数据划分为训练集Ts和测试集Tr。
本实施例并不限定将测量点数据划分训练集Ts和测试集Tr的具体方法，可以直接将测试点数据划分为训练集Ts和测试集Tr；或者可以对测试点数据进行预处理，再进行划分。
进一步地，为了预测效果的准确性，划分测试集数据和预测集数据更加均匀，本实施例可以对测试点数据进行预处理，再进行划分，具体步骤可以包括：
步骤501，将K次采集的测量点数据按照ADCP测量的总流量从低到高排序得到排序数据；
步骤502，将排序数据的第一次到1/3K次的数据作为第一集合；
步骤503，将排序数据的第1/3K次到2/3K次的数据作为第二集合；
步骤504，将排序数据的第2/3K次到K次的数据作为第三集合；
步骤505，从第一集合、第二集合和第三集合中各选取相同次数的数据作为Tr，从剩余的第一集合、剩余的第二集合和剩余的第三集合中各选取相同次数的数据作为Ts。
本实施例中K次采集的测量点数据即得到K组测试点数据，根据ADCP测量的总流量得到K个总流量，根据总流量对K组测试点数据从低到高排序得到排序数据，将排序数据的第一次到1/3K次的数据作为第一集合，第1/3K次到2/3K次的数据作为第二集合，2/3K次到K次的数据作为第三集合，分别从第一集合、第二集合和第三集合中各选取相同次数的数据作为Tr；从剩余的第一集合、剩余的第二集合和剩余的第三集合中各选取相同次数的数据作为Ts，保证了测试集和训练集数据分布均匀。
本实施例并不限定从第一集合、第二集合和第三集合的选取次数，作为测试集，例如，可以是1次，或者还可以是2次，用户可以根据实际情况进行设定，本实施例并不限定从剩余第一集合、第二集合和第三集合的选取次数，作为训练集，例如，可以是5次，或者还可以是6次，用户可以根据实际情况进行设定。
进一步地，为了提高模型训练效率的同时还能保证训练模型的准确，本实施例可以从第一集合、第二集合和第三集合中各选取1次得到的数据作为Tr，从剩余的第一集合、剩余的第二集合和剩余的第三集合中各选取4次得到的数据作为Ts。
步骤402，根据折叠数F将Ts分为F个子集，将F个子集中的一个子集作为目标域Tsc，其余子集作为源域Tsa；
计算每次迭代的测量误差，其中的计算公式为，其中，表示算法模型迭代第个数据样本的预测值，为算法模型迭代第个数据样本的真实值，预测Ts的瞬时速度为预测值。
步骤403，计算Ts中每个训练样本的调整误差，当大于0.5时，需要将重置为0.5，其中的计算公式为，其中为算法模型迭代第个数据样本、第次迭代训练的调整误差，为目标域中的数据组数，为源域中的数据组数。
步骤404，冻结Tsa的权重，并计算Tsa与Tsc之间的最大均值差异，其中的计算公式为，其中为算法模型的映射函数，为假设目标域与源域之间存在一个再生希尔伯特空间。
步骤405，对Tsc的权重和Tsa的权重进行更新，其中Tsc的权重更新公式为，其中，其中，为标准化系数，为所有训练样本的权重之和，为算法模型迭代第个数据样本、第次迭代训练的得到的目标域数据的算法模型权重，为算法模型迭代第个数据样本、第次迭代训练的目标域数据的算法模型权重，为目标域权重因子，其中Tsa的权重更新公式为，其中，为算法模型迭代第个数据样本、第次迭代训练的源域数据的算法模型权重，为算法模型迭代第个数据样本、第次迭代训练的源域数据的算法模型权重。
其中获取采取了一种二分法的方式：通过更新源域数据的权重，并调整的值，使得目标域数据的权重不断靠近，从而获得，通过分析发现，上述方法能够有效控制目标数据与源域数据在整个训练数据集合中的平衡，防止源域数全部被忽略，为了避免源域被全部忽略，因此在计算调整误差时，当大于0.5时，需要重置。
步骤203，将迭代过程中均方误差最小的算法模型确定为河流断面流量预测模型。
S103：获取河流水位，根据河流水位从面积数据库中查找对应的面积,其中面积数据库根据水位计测量的水位与水准仪测量的水平距离构建。
本实施例并不限定获取河流水位的方式，例如可以是雷达获取；或者还是可以是水位计获取。具体的面积数据库的构建过程可以包括：勘测河流断面面积并记录，用水位计测量初始水位高度，获取水位计距离初始水位液面的距离，根据河流的宽度设置不少于5条垂线，并用水准仪测量各垂线在河流中的水平间距，同时勘测此处的河底高程，计算出不同水位对应的河道面积。
S104：从测量点数据中选取L个测量点数据作为河流断面流量预测模型的输入，预测得出L/0.05×0.95个测量点的瞬时速度。
本实施例从测量点数据中选取L个测量点数据作为河流断面流量预测模型的输入，通过河流断面流量预测模型预测得出L/0.05×0.95个测量点的瞬时速度记为。
S105：根据瞬时速度和面积确定河流断面流量。
本实施例根据计算得出河流断面的平均速度，其中,根据计算出河流断面流量，其中为河流断面面积。
进一步地，为了预测更具有实时性，可以将本预测方法部署在计算机上，完成实时计算断面流量。
进一步地，为了更好的解释本算法模型预测的精准性，可以对本算法模型进行评估，并与其它算法进行对比，进行说明，具体可以包括：
根据评估指标对所述河流断面流量预测模型进行评估；
其中所述评估指标包括：均方根误差、平均绝对值、均方误差、平均绝对百分比误差、拟合度。
假设单点原始测量速度为，预测速度为，为预测次数，评估方法具体包括：
（1）均方根误差公式为。
（2）平均绝对误差公式为；
平均相对绝对误差反映的是断面流速预测值与真实值之间误差的绝对值大小，其值越小表示预测效果越好。
（3）均方误差公式：；
均方误差不仅可以反映河流断面流速预测误差的大小，而且还可以反映误差的离散分布情况。其值越小，表示误差离散程度越小，预测效果越好。
（4）平均绝对百分比误差公式：。
（5）拟合度公式：，其中为原始测量速度的拟合值，为预测速度平均值。
拟合度从断面流速的几何特征方面反映了断面流速预测曲线是否与实际观测曲线的变化趋势拟合。其值越大，说明断面流速的预测值越接近实际观测值，预测效果越好。
本实施例采用本方法、AdaBoostR.2、GPR、MLP、SVR算法进行实验，评价指标结果如表1所示，表1为实验结果评价指标表。图2为本发明实施例提供的一种本方法、AdaBoostR2算法、GPR算法、MLP算法和SVR算法的结果图，图2中TwoStage TrAdaBoostR2为本发明采用的算法，两阶TrAdaBoostR2算法，target-test为目标测试集。通过算法对比，得到表1和图2，由此可以得到本发明采用改进的TrAdaBoost预测结果更与实际结果接近，预测效果最好。
表1 实验结果评价指标表
图3为本发明实施例提供的一种ADCP的速度剖面图；图4为本发明实施例提供的一种河流断面流量计算方法的速度剖面图。从图3和图4可以得出本发明与实际ADCP测量的结果也很接近，验证了本方法的可靠性与有效性。
应用本发明实施例提供的一种河流断面流量计算方法，通过获取ADCP巡航K次采集的测量点数据，其中测量点数据包括测量点距离左岸的距离、测量点距离河流表面的距离、测量点的单点速度；利用数据驱动方法并根据所测量点数据构建河流断面流量预测模型；获取河流水位，根据河流水位从面积数据库中查找对应的面积，其中面积数据库根据水位计测量的水位与水准仪测量的水平距离构建；从测量点数据中选取L个测量点数据作为河流断面流量预测模型的输入，预测得出L/0.05×0.95个测量点的瞬时速度；根据瞬时速度和面积确定河流断面流量。本方法利用ADCP获取测量点数据，利用数据驱动方法构建河流速度预测模型，可以通过获取较少的河流断面测量点，利用河流速度预测模型推断出更多测量点的瞬时速度，再根据勘测河流水位得到的河流面积，进而推断出河流断面流量，即通过断面流速和水位信息对河流流量进行确定，提高了河流流量估算的准确性。采用trAdaBoost算法，并利用梯度决策树作为学习器，建立算法模型，提高模型预测精度；采用最大均值差异对权重进行更新，能够更好的对权重进行修正，避免负迁移；对测试点数据进行预处理操作，使测试集和训练集数据分布更均匀，可以提高预测效率和准确性；对模型进行评估并与其它算法进行比较，能够更好的解释本算法模型预测的精准性。
下面对本发明实施例提供的一种河流断面流量预测装置进行介绍，下文描述的一种河流断面流量预测装置与上文描述的一种河流断面流量计算方法可相互对应参照。
具体请参考图5，图5为本发明实施例提供的一种河流断面流量预测装置的结构示意图，可以包括：
第一获取模块100，用于获取ADCP巡航K次采集的测量点数据，其中测量点数据包括测量点距离左岸的距离、测量点距离河流表面的距离、测量点的单点速度；
构建模块200，用于利用数据驱动方法并根据测量点数据构建河流断面流量预测模型；
第二获取模块300，用于获取ADCP测量的河流的面积；
预测模块400，用于从测量点数据中选取L个测量点数据作为河流断面流量预测模型的输入，预测得出L/0.05×0.95个测量点的瞬时速度；
确定模块500，用于根据瞬时速度和面积确定河流断面流量。
基于上述实施例，其中构建模块200，可以包括：
构建单元，用于构建trAdaBoost算法模型，设置trAdaBoost算法模型的参数，并对trAdaBoost算法模型进行权重初始化，其中参数包括：迭代次数、Boosting迭代的最大次数、交叉验证的折叠数F；
调整单元，用于根据参数进行迭代得到误差，并根据误差调整权重；
确定单元，用于将迭代过程中均方误差最小的算法模型确定为河流断面流量预测模型。
基于上述实施例，其中构建单元，可以包括：
调用子单元，用于调用Adaboost.R2进行训练，并以梯度决策树作为学习器，得到算法模型。
基于上述实施例，其中调整单元，可以包括：
划分子单元，用于将测量点数据划分为训练集Ts和测试集Tr；
确定子单元，用于根据折叠数F将Ts分为F个子集，将F个子集中的一个子集作为目标域Tsc，其余子集作为源域Tsa；
第一计算子单元，用于计算每次迭代的测量误差，其中的计算公式为，其中，表示算法模型迭代第个数据样本的预测值，为算法模型迭代第个数据样本的真实值，预测Ts的瞬时速度为预测值；
第二计算子单元，用于计算Ts中每个训练样本的调整误差，当大于0.5时，需要将重置为0.5，其中的计算公式为，其中为模型迭代第个数据样本、第次迭代训练的调整误差，所述为目标域中的数据组数，为源域中的数据组数；
第三计算子单元，用于冻结Tsa的权重，并计算Tsa与所述Tsc之间的最大均值差异，其中的计算公式为，其中为算法模型的映射函数，为假设目标域与源域之间存在一个再生希尔伯特空间；
更新子单元，用于对Tsc的权重和Tsa的权重进行更新，其中Tsc的权重更新公式为，为标准化系数，为所有训练样本的权重之和，为算法模型迭代第个数据样本、第次迭代训练的得到的目标域数据的算法模型权重，为算法模型迭代第个数据样本、第次迭代训练的目标域数据的算法模型权重，为目标域权重因子，其中所述Tsa的权重更新公式为，其中，为算法模型迭代第个数据样本、第次迭代训练的源域数据的算法模型权重，为算法模型迭代第个数据样本、第次迭代训练的源域数据的算法模型权重。
基于上述实施例，其中划分子单元，可以包括：
排序子单元，用于将K次采集的测量点数据按照ADCP测量的总流量从低到高排序得到排序数据；
第一确定子单元，用于将排序数据的第一次到1/3K次的数据作为第一集合；
第二确定子单元，用于将排序数据的第1/3K次到2/3K次的数据作为第二集合；
第三确定子单元，用于将排序数据的第2/3K次到K次的数据作为第三集合；
选取子单元，用于从第一集合、第二集合和第三集合中各选取相同次数的数据作为Tr，从剩余的第一集合、剩余的第二集合和剩余的第三集合中各选取相同次数的数据作为Ts。
基于上述实施例，其中选取子单元，包括：
选取子单元，用于从第一集合、第二集合和第三集合中各选取1次得到的数据作为Tr，从剩余的第一集合、剩余的第二集合和剩余的第三集合中各选取4次得到的数据作为Ts。
需要说明的是，上述一种河流断面流量计算装置中的模块以及单元在不影响逻辑的情况下，其顺序可以前后进行更改。
应用本发明实施例提供的河流断面流量预测装置，第一获取模块100，用于获取ADCP巡航K次采集的测量点数据，其中测量点数据包括测量点距离左岸的距离、测量点距离河流表面的距离、测量点的单点速度；构建模块200，用于利用数据驱动方法并根据测量点数据构建河流断面流量预测模型；第二获取模块300，获取河流水位，根据河流水位从面积数据库中查找对应的面积，其中面积数据库根据水位计测量的水位与水准仪测量的水平距离构建；预测模块400，用于从测量点数据中选取L个测量点数据作为河流断面流量预测模型的输入，预测得出L/0.05×0.95个测量点的瞬时速度；确定模块500，用于根据瞬时速度和面积确定河流断面流量。本装置利用ADCP获取测量点数据，利用数据驱动方法构建河流速度预测模型，可以通过获取较少的河流断面测量点，利用河流速度预测模型推断出更多测量点的瞬时速度，再根据勘测河流水位得到的河流面积，进而推断出河流断面流量，即通过断面流速和水位信息对河流流量进行确定，提高了河流流量估算的准确性。采用trAdaBoost算法，并利用梯度决策树作为学习器，建立算法模型，提高模型预测精度；采用最大均值差异对权重进行更新，能够更好的对权重进行修正，避免负迁移；对测试点数据进行预处理操作，使测试集和训练集数据分布更均匀，可以提高预测效率和准确性；对模型进行评估并与其它算法进行比较，能够更好的解释本算法模型预测的精准性。
下面对本发明实施例提供的一种河流断面流量计算设备进行介绍，下文描述的一种河流断面流量计算设备与上文描述的一种河流断面流量计算方法可相互对应参照。
请参考图6，图6为本发明实施例提供的一种河流断面流量计算设备的结构示意图，可以包括：
存储器10，用于存储计算机程序；
处理器20，用于执行计算机程序，以实现上述的一种河流断面流量计算方法。
存储器10、处理器20、通信接口31均通过通信总线32完成相互间的通信。
在本发明实施例中，存储器10中用于存放一个或者一个以上程序，程序可以包括程序代码，程序代码包括计算机操作指令，在本申请实施例中，存储器10中可以存储有用于实现以下功能的程序：
获取ADCP巡航K次采集的测量点数据，其中测量点数据包括测量点距离左岸的距离、测量点距离河流表面的距离、测量点的单点速度；
利用数据驱动方法并根据测量点数据构建河流断面流量预测模型；
获取河流水位，根据河流水位从面积数据库中查找对应的面积，其中面积数据库根据水位计测量的水位与水准仪测量的水平距离构建；
从测量点数据中选取L个测量点数据作为河流断面流量预测模型的输入,预测得出L/0.05×0.95个测量点的瞬时速度；
根据瞬时速度和面积确定河流断面流量。
在一种可能的实现方式中，存储器10可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，以及至少一个功能所需的应用程序等；存储数据区可存储使用过程中所创建的数据。
此外，存储器10可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括NVRAM。存储器存储有操作系统和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作系统可以包括各种系统程序，用于实现各种基础任务以及处理基于硬件的任务。
处理器20可以为中央处理器（Central Processing Unit，CPU）、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件，处理器20可以是微处理器或者也可以是任何常规的处理器等。处理器20可以调用存储器10中存储的程序。
通信接口31可以为通信模块的接口，用于与其他设备或者系统连接。
当然，需要说明的是，图6所示的结构并不构成对本申请实施例中一种河流断面流量计算设备的限定，在实际应用中一种河流断面流量计算设备可以包括比图6所示的更多或更少的部件，或者组合某些部件。利用本发明提供的设备，可以实时计算河流断面流量。
下面对本发明实施例提供的存储介质进行介绍，下文描述的存储介质与上文描述的一种河流断面流量计算方法可相互对应参照。
本发明还提供一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的一种河流断面流量计算方法的步骤。
该存储介质可以包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应该认为超出本发明的范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其他任何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、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上对本发明所提供的一种河流断面流量计算方法、装置、设备及可读存储介质进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种河流断面流量计算方法，其特征在于，包括：
获取ADCP巡航K次采集的测量点数据，其中所述测量点数据包括测量点距离左岸的距离、所述测量点距离河流表面的距离、所述测量点的单点速度；
利用数据驱动方法并根据所述测量点数据构建河流断面流量预测模型；
获取河流水位，根据所述河流水位从面积数据库中查找对应的面积,其中所述面积数据库根据水位计测量的水位与水准仪测量的水平距离构建；
从所述测量点数据中选取L个测量点数据作为所述河流断面流量预测模型的输入,预测得出L/0.05×0.95个测量点的瞬时速度；
根据所述瞬时速度和所述面积确定所述河流断面流量；
所述利用数据驱动方法并根据所述测量点数据构建河流断面流量预测模型，包括：
构建TrAdaBoost算法模型，设置所述TrAdaBoost算法模型的参数，并对所述TrAdaBoost算法模型进行权重初始化，其中所述参数包括：迭代次数、Boosting迭代的最大次数、交叉验证的折叠数F；
根据所述参数进行迭代得到误差，并根据所述误差调整权重；
将所述迭代过程中均方误差最小的算法模型确定为所述河流断面流量预测模型。
2.根据权利要求1所述的河流断面流量计算方法，其特征在于，所述构建TrAdaBoost算法模型，设置所述TrAdaBoost算法模型的参数，并对所述TrAdaBoost算法模型进行权重初始化，还包括：
调用Adaboost.R2进行训练，并以梯度决策树作为学习器，得到所述算法模型。
3.根据权利要求1所述的河流断面流量计算方法，其特征在于，所述根据所述参数进行迭代得到误差，并根据所述误差调整权重，包括：
将所述测量点数据划分为训练集Ts和测试集Tr；
根据所述折叠数F将所述Ts分为F个子集，将所述F个子集中的一个子集作为目标域Tsc，其余子集作为源域Tsa；
计算每次迭代的测量误差，其中所述的计算公式为，其中，表示算法模型迭代第个数据样本的预测值，为算法模型迭代第个数据样本的真实值，预测Ts的瞬时速度为预测值；
计算所述Ts中每个训练样本的调整误差，当所述大于0.5时，需要将所述重置为0.5，其中所述的计算公式为，其中为算法模型迭代第个数据样本、第次迭代训练的调整误差，为目标域中的数据组数，为源域中的数据组数；
冻结所述Tsa的权重，并计算所述Tsa与所述Tsc之间的最大均值差异，其中所述的计算公式为，其中为算法模型的映射函数，为假设目标域与源域之间存在一个再生希尔伯特空间；
对所述Tsc的权重和所述Tsa的权重进行更新，其中所述Tsc的权重更新公式为，其中，为标准化系数，为所有训练样本的权重之和，为算法模型迭代第个数据样本、第次迭代训练的得到的目标域数据的算法模型权重，为算法模型迭代第个数据样本、第次迭代训练的目标域数据的算法模型权重，为目标域权重因子，其中所述Tsa的权重更新公式为，其中，为算法模型迭代第个数据样本、第次迭代训练的源域数据的算法模型权重，为算法模型迭代第个数据样本、第次迭代训练的源域数据的算法模型权重。
4.根据权利要求3所述的河流断面流量计算方法，其特征在于，所述将所述测量点数据划分为训练集Ts和测试集Tr，包括：
将所述K次采集的测量点数据按照所述ADCP测量的总流量从低到高排序得到排序数据；
将所述排序数据的第一次到1/3K次的数据作为第一集合；
将所述排序数据的第1/3K次到2/3K次的数据作为第二集合；
将所述排序数据的第2/3K次到K次的数据作为第三集合；
从所述第一集合、所述第二集合和所述第三集合中各选取相同次数的数据作为所述Tr，从剩余的所述第一集合、剩余的所述第二集合和剩余的所述第三集合中各选取相同次数的数据作为所述Ts。
5.根据权利要求4所述的河流断面流量计算方法，其特征在于，所述从所述第一集合、所述第二集合和所述第三集合中各选取相同次数的数据作为所述Tr，从剩余的所述第一集合、剩余的所述第二集合和剩余的所述第三集合中各选取相同次数的数据作为所述Ts，包括：
从所述第一集合、所述第二集合和所述第三集合中各选取1次得到的数据作为所述Tr，从剩余的所述第一集合、剩余的所述第二集合和剩余的所述第三集合中各选取4次得到的数据作为所述Ts。
6.根据权利要求1所述的河流断面流量计算方法，其特征在于，在所述得到当前所述河流断面流量之后，还包括：
根据评估指标对所述河流断面流量预测模型进行评估；
其中所述评估指标包括：均方根误差、平均绝对值、均方误差、平均绝对百分比误差、拟合度。
7.一种河流断面流量计算装置，其特征在于，包括：
第一获取模块，用于获取ADCP巡航K次采集的测量点数据，其中测量点数据包括所述测量点距离左岸的距离、所述测量点距离河流表面的距离、所述测量点的单点速度；
构建模块，用于利用数据驱动方法并根据所述测量点数据构建河流断面流量预测模型；
第二获取模块，获取河流水位，根据所述河流水位从面积数据库中查找对应的面积,其中所述面积数据库根据水位计测量的水位与水准仪测量的水平距离构建；
预测模块，用于从所述测量点数据中选取L个测量点数据作为所述河流断面流量预测模型的输入，预测得出L/0.05×0.95个测量点的瞬时速度；
确定模块，用于根据所述瞬时速度和所述面积确定所述河流断面流量；
所述构建模块，包括：
构建单元，用于构建trAdaBoost算法模型，设置所述trAdaBoost算法模型的参数，并对所述trAdaBoost算法模型进行权重初始化，其中所述参数包括：迭代次数、Boosting迭代的最大次数、交叉验证的折叠数F；
调整单元，用于根据所述参数进行迭代得到误差，并根据所述误差调整权重；
确定单元，用于将所述迭代过程中均方误差最小的算法模型确定为所述河流断面流量预测模型。
8.一种河流断面流量计算设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述的河流断面流量计算方法的步骤。
9.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的河流断面流量计算方法的步骤。
CN202211496172.3A 2022-11-28 2022-11-28 一种河流断面流量计算方法、装置、设备及存储介质 Active CN115600044B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211496172.3A CN115600044B (zh) 2022-11-28 2022-11-28 一种河流断面流量计算方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211496172.3A CN115600044B (zh) 2022-11-28 2022-11-28 一种河流断面流量计算方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115600044A CN115600044A (zh) 2023-01-13
CN115600044B true CN115600044B (zh) 2023-05-05

Family

ID=84853287

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211496172.3A Active CN115600044B (zh) 2022-11-28 2022-11-28 一种河流断面流量计算方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115600044B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117434295B (zh) * 2023-10-24 2024-04-05 广州远动信息技术有限公司 一种声层析信号强度数据的智能处理评价方法
CN117288283B (zh) * 2023-11-27 2024-02-06 唐山市柳林自动化设备有限公司 基于视频的河流流量流速监测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642259A (zh) * 2021-10-14 2021-11-12 国能大渡河流域水电开发有限公司 一种基于多层流速测量的河流流场重构方法
CN113642274A (zh) * 2021-10-14 2021-11-12 四川大学 一种基于流场模型的河流流量计算方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN213274397U (zh) * 2018-10-24 2021-05-25 宁波市海洋环境监测中心 河流流量在线监测测量系统
CN109635435B (zh) * 2018-12-12 2023-01-31 中山大学 一种基于贝叶斯理论的天然河道水位流量关系确定方法
US20220164681A1 (en) * 2020-11-23 2022-05-26 Dell Products, Lp System and method for improving reliability of an information handling system
US11566895B2 (en) * 2021-04-02 2023-01-31 Bureau Of Hydrology, Changjiang Water Resources Commission Method for continuous measurement of river flow based on satellite big data
CN214621164U (zh) * 2021-05-25 2021-11-05 华北水利水电大学 一种不规则河道断面流量测量装置
CN113887142A (zh) * 2021-10-14 2022-01-04 朱蕾 一种基于渠道横切面的平均流速计算方法
CN115062402A (zh) * 2022-05-17 2022-09-16 北京理工大学 数据驱动的列车级位加速度提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642259A (zh) * 2021-10-14 2021-11-12 国能大渡河流域水电开发有限公司 一种基于多层流速测量的河流流场重构方法
CN113642274A (zh) * 2021-10-14 2021-11-12 四川大学 一种基于流场模型的河流流量计算方法

Also Published As

Publication number Publication date
CN115600044A (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
CN115600044B (zh) 一种河流断面流量计算方法、装置、设备及存储介质
Zhang et al. Probabilistic framework with bayesian optimization for predicting typhoon-induced dynamic responses of a long-span bridge
Höge et al. A primer for model selection: The decisive role of model complexity
Wu et al. Artificial neural networks for forecasting watershed runoff and stream flows
Rath et al. A hybrid empirical-Bayesian artificial neural network model of salinity in the San Francisco Bay-Delta estuary
CN109840587A (zh) 基于深度学习的水库入库流量预测方法
CN104008304B (zh) 一种乏信息多传感器神经网络‑熵测量不确定度评定方法
Chen et al. Probabilistic forecasting of drought: a hidden Markov model aggregated with the RCP 8.5 precipitation projection
CN117113236B (zh) 一种智慧城市监控系统及数据处理方法
CN112862178A (zh) 一种基于深度学习的海洋站水位时空预测方法及装置
CN114611778A (zh) 一种基于入库流量的水库水位预警方法及系统
Zhu et al. Internal and external coupling of Gaussian mixture model and deep recurrent network for probabilistic drought forecasting
Okwuashi et al. Tide modeling using partial least squares regression
CN115049013A (zh) 一种联合线性和svm的短时降雨预警模型融合方法
Wei Comparing single-and two-segment statistical models with a conceptual rainfall-runoff model for river streamflow prediction during typhoons
Mossad et al. Determination and prediction of standardized precipitation index (SPI) using TRMM data in arid ecosystems
Ju et al. Hydrologic simulations with artificial neural networks
CN112307536A (zh) 一种大坝渗流参数反演方法
Doglioni et al. An investigation on stream temperature analysis based on evolutionary computing
Chen et al. Urban inundation rapid prediction method based on multi-machine learning algorithm and rain pattern analysis
Ying et al. Comparison of three forecasting models for groundwater levels: a case study in the semiarid area of west Jilin Province, China
CN116364203A (zh) 一种基于深度学习的水质预测方法、系统和装置
Hong et al. Forecasting experiments of a dynamical–statistical model of the sea surface temperature anomaly field based on the improved self-memorization principle
CN113011657A (zh) 进行台风水位预测的方法、装置、电子设备及存储介质
Gusev et al. Runoff evaluation for ungauged watersheds by SWAP model. 1. Application of artificial neural networks

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