CN115660895A

CN115660895A - 一种基于宽度学习改进深度学习的水资源管理方法

Info

Publication number: CN115660895A
Application number: CN202211376217.3A
Authority: CN
Inventors: 王乐豪; 韩莹; 曹允重; 孙凯强; 张栋; 闫加宁
Original assignee: Nanjing University of Information Science and Technology
Current assignee: Nanjing University of Information Science and Technology
Priority date: 2022-11-04
Filing date: 2022-11-04
Publication date: 2023-01-31

Abstract

本发明公开了一种基于宽度学习改进深度学习的水资源管理方法，根据历史水资源流量变化预测未来水资源调度需求。所述方法包括：获取历史记录中水资源调度数据；根据历史记录中水资源调度变化，对数据进行信号降噪平稳化处理并划分训练集和测试集；采用深度学习方法对训练集进行特征提取，获取需要的特征信息；将提取的特征信息输入到宽度学习网络层中进行深层特征提取，得到测试模型；将训练集内的特征数据作为输入模型参数，获取相应的测试结果。本实验可以有效提高时间序列数据预测精度，同时也能提升预测效率，提高资源利用率。

Description

一种基于宽度学习改进深度学习的水资源管理方法

技术领域

本发明属于深度学习领域，尤其涉及一种基于深度学习的水资源管理方法。

背景技术

径流预测为水资源的合理配置和水量调度提供了科学依据。径流时间序列具有非线性、突变性、多噪音等特点，因此基于传统机器学习及统计学的模型预测效果往往差强人意。长短时记忆网络(Long and Short-term Memory，LSTM)在处理具有较长时间步长及非线性序列数据方面优势明显，在时间预测方面已经取得了优异的成果。单一模型不能完全捕捉径流序列非线性特征，研究成果表明混合模型有助于提高预测精度。

受到深层结构的影响，上述基于LSTM的径流预测模型普遍存在易陷入局部最优的缺点，这主要是由于LSTM训练时需要循环调整权重所造成的。注意到已有研究表明宽度学习系统(Broad Learning System,BLS)具有求解全局最优、直接计算权重、运算简单、快捷的优点，本文尝试引入BLS改进LSTM用于径流预测。径流数据受自然环境及人类活动等多方面因素影响，呈现出多噪音、非平稳等特点，导致预测结果出现偏差。

发明内容

本发明所要解决的技术问题是：径流预测存在出多噪音、非平稳等问题，导致预测结果容易出现偏差。

为了解决本发明所提出的技术问题，本发明采用的技术方案如下：

一种基于宽度学习改进深度学习的水资源管理方法包括如下步骤：

步骤1、获取目标数据集历史水资源数据，作为训练及测试样本；

步骤2、将目标数据集划分为验证集和测试集；

步骤3、对目标数据集所划分的验证集和测试集利用VMD分解法进行分解降噪处理；

步骤4、采用三层长短时记忆网络层的深度学习方法提取水资源长序列数据中的时间信息并将该时间信息存储为特征信息；将提取到的特征信息输入到下层承接的宽度学习网络层中进行深层特征提取，得到对应权重；将最终得到的对应权重输入到全连接网络层中进行训练得到训练后的模型；根据评价指标判断当前预测的水资源数据的准确性，最后根据预测的水资源数据对水资源实施调度。

本发明采用以上技术方案，与现有技术相比，所具有的技术效果如下：

本发明采用VMD对时间序列数据进行降噪平稳化处理，可以得到利于深度学习网络训练的平稳数据集，有利于LSTM网络提取到更多特征信息；将提取到的特征信息输入到宽度学习网络(BLS)中，可以有效弥补LSTM模型易陷入局部最优的缺点，并提取到更深层特征，由于BLS网络直接计算权重的特点，可以有效提高复合模型的计算效率，有效提高模型预测准确率，提高资源利用率。

附图说明

图1本发明预测模型整体流程图。

图2本发明基于宽度学习改进深度学习模块。

图3本发明信号平稳化处理分解模块图。

图4本发明与现有模型预测准确率对比图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明。

本发明采用的技术方案为：一种融合宽度学习改进深度学习方法的水资源管理方法如图1所示，包括以下几个步骤：

步骤1、获取目标数据集图像的信息，并作为训练及测试样本；

步骤2、对目标数据集样本进行划分验证集和测试集；

所选取时间序列数据样本的划分，采用随机抽样法将时间序列数据按验证集80％，测试集20％的比例划分为独立的验证集和测试集

步骤3、将目标数据集采用VMD分解进行预处理，分解成n个不同频率的子模态，目的在于使分解后的序列趋于平稳，可以有效提高预测准确率；

利用VMD分解法将数据进行预处理的具体步骤如下：

(1)将目标数据集通过希尔伯特变换得到v_k(t)的分析信号，并计算其单边谱，通过与算子

相乘，将中心带调制到相应基带：

(2)计算解调基度的平方范数L²，并计算每个模态分量的带宽：

其中{v_k}代表分解后的IMF分量，{ω_k}代表个分量的中心频率。为了找到约束变分问题的最优解，引入拉格朗日乘子τ(t)和二阶惩罚因子α，扩展的拉格朗日表达式如下：

(3)最后利用交替方向乘子法连续更新各分量及其中心频率，最终得到无约束模型的鞍点，即原问题的最佳解。

如图2所示，步骤4、采用深度学习方法提取水资源长序列数据中的时间信息，存储为特征信息；将提取到的特征信息输入到下层承接的宽度学习网络层中进行深层特征提取，得到对应权重；将最终得到的对应权重输入到全连接网络层中进行训练得到训练后的模型；判断当前水资源数据与历史水资源数据是否匹配，根据预测数据对水资源实施调度。

图3为数据平稳化处理分解模块图，将分解得到的各个平稳的子模态依次输入到LSTM模型中进行信息筛选及特征提取，进一步提高模型的准确率。为了防止训练过拟合，模型中采用添加Dropout层的方法。

最后经由全连接层生成输入到BLS层的映射特征，并计算出最终的权重值。全连接层作为映射形成的前n组映射特征集合，这些映射节点可以生成m组增强节点，然后经由增强节点非线性扩展得到增强特征，并联两种特征表达作为最后的总输入送到输出层进行预测拟合，由此能够从训练数据中进一步学习到深层次的重要特征，对训练数据达到高度拟合的预测结果。

其中，步骤四中权重计算方法由如下公式：

f_t＝σ(W_xfx_t+W_hfh_t-1+b_f)

i_t＝σ(W_xix_t+W_hih_t-1+b_i)

o_t＝σ(W_xox_t+W_hoh_t-1+b_o)

其中，x_t是输入向量，i_t是时间步长t中的输入状态，f_t是时间步长t中的遗忘状态，o_t是时间步长t中的输出状态，h_t(h_t-1)是时间步长t(t-1)中的隐藏状态，c_t(c_t-1)是时间步长t(t-1)中的单元状态。以tanh和sigmoid激活函数σ的形式在三个门的顶部添加非线性。W_xf，W_hf，W_xi，W_hi，W_xo，W_ho，W_xc，W_hc代表了输入向量与遗忘门、输入门、记忆单元、输出门相对应的权向量，b_f，b_i，b_c，b_o是偏置变量，

是矩阵的Hadamard积。

下面分别对于LSTM和BLS模块工作流程进行介绍：

LSTM的工作流程：将分解后的模态作为输入，输入到三层单通道LSTM中进行初次特征提取，分别设置层数为256、128、128，为了防止训练出现过拟合的状况，在每一层末尾都加入了dropout层。

BLS的工作流程：将初次特征提取后的数据作为输入经过全连接层，生成映射特征输入到BLS层中，进一步提取高层次特征，并计算出最终的权重值。

为验证本文提出的模型的有效性，本文使用均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和确定性系数(NS)为评价指标，计算公式如下：

其中，y_i表示实际值，y_i表示预测值，

表示真实值的平均值。

为验证本文模型各模块的有效性和适用性，在相同数据集的基础上，以RMSE、MAE、MAPE和NS为参考指标对比基线模型和现有模型的预测效果，实验结果如表1可见。

表1现有模型的评价指标值

本文模型相较于SVM、ARIMA基线模型在RMSE指标方面降低了99.56％,98.46％，在MAE指标方面分别降低了99.39％,99.42％；在MAPE指标方面分别降低了98.48％,98.52％。SVM模型在训练速度方面远超本文模型，但其预测结果误差大、精确度低，不符合我们的预期。ARIMA模型在训练平稳数据方面优势更强，但本文训练的月径流数据受自然环境及人类活动等多方面因素影响，呈现非平稳性特点，使得其预测精度不及本文模型。

如图4所示，本文模型相较于LSTM、CNN-LSTM、VMD-LSTM和VMD-CNN-LSTM模型在RMSE指标方面分别降低了99.53％,99.51％,98.94％,98.58％；MAE值分别减少了99.37％,99.36％,98.91％,98.83％；在MAPE指标方面分别降低了98.27％,98.12％,96.44％,85.89％。本文模型在径流预测精度方面提升明显。

特别地，与现在十分流行的CNN-LSTM和VMD-CNN-LSTM预测模型相比，本文模型在预测精度方面提升也十分明显。分析原因，CNN和LSTM两者结合虽然可以同时提取径流序列的时空特征，相对单独的LSTM预测模型预测精度有所提高。但是，CNN和LSTM同属于深度学习模型，因此都不可避免的易陷入局部最优，两者结合并不能解决该缺陷。而作为平行结构，BLS具有求解全局最优，直接计算权重的特点，因此，将LSTM与BLS结合，可以有效避免LSTM陷入局部最优，与LSTM、CNN-LSTM相比，预测精度提升明显。

本发明的技术方案不局限于上述各实施例，凡采用等同替换方式得到的技术方案均落在本发明要求保护的范围内。

尽管上述实施方式对本发明进行了详细地说明，在具体实施过程中，依照实际操作仍可对细节进行补充和同等替换。应当指出：这些对于本发明的权利要求进行细节的补充和同等替换后的技术方案，均视为本发明的保护范围。

Claims

1.一种基于宽度学习改进深度学习的水资源管理方法，其特征在于，包括如下步骤：

步骤2、将目标数据集划分为验证集和测试集；

2.根据权利要求1所述基于宽度学习改进深度学习的水资源管理方法，其特征在于，所述步骤2中采用随机抽样的方式按验证集80％、测试集20％的比例将目标数据集样本划分为独立的验证集和测试集。

3.根据权利要求1所述基于宽度学习改进深度学习的水资源管理方法，其特征在于，所述步骤3中利用VMD分解法进行分解降噪处理的过程为：

S.3.1、将目标数据集通过希尔伯特变换得到分析信号并计算其单边谱，通过与算子相乘，将中心带调制到相应基带；

S.3.2、计算解调基度的平方范数，并计算每个模态分量的带宽；

S.3.3、最后利用交替方向乘子法连续更新各分量及其中心频率，最终得到无约束模型的鞍点，实现对目标数据集的降噪。

4.根据权利要求1所述基于宽度学习改进深度学习的水资源管理方法，其特征在于，所述深度学习网络层通过两层全连接层进行降维，将提取到的特征信息输入到宽度学习网络层进行深层特征提取。

5.根据权利要求1所述基于宽度学习改进深度学习的水资源管理方法，其特征在于，对所述三层单通道的深度学习方法每层的末尾添加dropout层。

6.根据权利要求1所述基于宽度学习改进深度学习的水资源管理方法，其特征在于，所述评价指标为均方根误差、平均绝对误差、平均绝对百分比误差和确定性系数。