CN116542392B - 一种感潮河段水位实时预报方法、系统和可读存储介质 - Google Patents
一种感潮河段水位实时预报方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN116542392B CN116542392B CN202310588118.XA CN202310588118A CN116542392B CN 116542392 B CN116542392 B CN 116542392B CN 202310588118 A CN202310588118 A CN 202310588118A CN 116542392 B CN116542392 B CN 116542392B
- Authority
- CN
- China
- Prior art keywords
- time
- data
- sequence
- water level
- target site
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 181
- 238000013277 forecasting method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000010220 Pearson correlation analysis Methods 0.000 claims abstract description 37
- 238000013136 deep learning model Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004140 cleaning Methods 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000011144 upstream manufacturing Methods 0.000 claims description 42
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 19
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000002035 prolonged effect Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 21
- 238000012937 correction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F16/2462—Approximate or statistical queries
-
- 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
- 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
- G06F16/29—Geographical information databases
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Fuzzy Systems (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种感潮河段水位实时预报方法、系统和可读存储介质。所述方法包括:搜集目标、相关站点实测流量、水位和潮位等序列资料;对缺失数据进行插补延长,得到同时序的数据序列;将同时序的数据序列进行数据清洗,将数据插值出逐时序列;对多个径流源的数据、多个口门潮汐的数据与目标站点水位数据做错位时差的Pearson相关分析,确定各个径流源传播至目标站点的时间、各个口门潮汐传播至目标站点的时间。利用LSTM深度学习模型训练,对目标站点水位进行逐时预测,对比目标站点附近河段实测数据与深度学习预测出的水位,通过Pearson相关分析对预测序列进行实时矫正。本发明有效解决了多级分叉感潮无资料河段水位实时预报。
Description
技术领域
本发明涉及感潮河网水位预报技术领域,更具体地,涉及一种感潮河段水位实时预报方法、系统和可读存储介质。
背景技术
感潮河段的水位变化复杂,即受到上游来流的影响,又受到下游潮汐的作用。感潮河段的水位预报应考虑上游的洪水和下游潮汐的共同作用,因此感潮河段的水位预报就显得十分的复杂和困难。而与单一河道入海相比,多级分叉感潮河段水位更加难以预测。上游不同河道来流存在不确定性,同样下游不同河道的潮汐上溯存在不确定性,多组径流与潮汐相互作用下,河道水位预报工作更加难以开展。
目前感潮河段的水位预报多在单一河道入海情景中探索,多级分叉感潮无资料的河段研究甚少,本发明为弥补多级分叉感潮无资料河段水位实时预报具有重要意义。
发明内容
鉴于上述问题,本发明的目的是提供一种感潮河段水位实时预报方法、系统和可读存储介质。
本发明第一方面提供了一种感潮河段水位实时预报方法,所述方法包括以下步骤:
搜集目标站点实测水位序列资料、与目标站点相关站点的流量、潮汐序列资料;
通过样条、KNN方法对目标站点实测水位序列资料、与目标站点相关站点的流量、潮汐序列资料进行插补延长,使得目标站点实测水位序列和相关站点的流量、潮汐序列资料成为同时长的数据序列;
将同时长的目标站点实测水位序列资料、与目标站点相关站点的流量、潮汐序列资料进行数据清洗,分别得到逐时水位序列W0、逐时流量Q0、潮汐T0数据序列;
对目标站点实测水位序列和上游相关站点的流量做错位时差的Pearson相关分析,分别确定上游站点来流传播至目标站点所需时间;
对目标站点实测水位序列和下游相关站点的潮汐做错位时差的Pearson相关分析,分别确定下游站点潮汐上溯至目标站点所需时间;
以目标站点水位、上游站点来流传播至目标站点所需时间和下游站点潮汐上溯至目标站点所需时间的数据为基础,结合错位时差分析结果,对径流和潮汐的数据序列进行错位时差对应调整,对逐时水位序列W0进行LSTM深度学习模型训练,对于模型预测结果W采用MAPE评估误差;
结合目标站点附近河段与目标站点的水位的关系,通过Pearson相关分析对预测序列进行实时矫正,采用MAPE评估误差,直至将预测序列矫正至预设误差范围内,并输出预测序列。
优选地,所述通过样条、KNN方法对目标站点实测水位序列资料、与目标站点相关站点的流量、潮汐序列资料进行插补延长,使得目标站点实测水位序列和相关站点的流量、潮汐序列资料成为同时长的数据序列,具体为:
搜集目标站点实测水位序列资料,将其整理为第一列为Datetime时间,第二列为水位序列,去除无效的水位,并且对于缺失的数据,通过样条、KNN方法将数据进行插补延长;
搜集与目标站点相关站点的流量,将其整理为第一列为Datetime时间,第二列为水位序列,去除无效的流量和潮汐数据,并且对于缺失的数据,通过样条、KNN等方法将数据进行插补延长,使得相关站点的流量和目标站点实测水位序列成为同时长的数据序列;
搜集潮汐序列资料,将其整理为第一列为Datetime时间,第二列为水位序列,去除无效的潮汐数据,并且对于缺失的数据,通过样条、KNN方法将数据进行插补延长,使得潮汐序列资料和目标站点实测水位序列成为同时长的数据序列。
优选地,所述将同时长的目标站点实测水位序列资料、与目标站点相关站点的流量、潮汐序列资料进行数据清洗,分别得到逐时水位序列W0、逐时流量Q0、潮汐T0数据序列,具体为:
对目标站点插补延长后的实测水位序列资料、与目标站点相关站点的流量、潮汐序列资料进行数据清洗,得到逐时水位序列W0、逐时流量Q0、潮汐T0数据序列,
逐时水位序列W0的最终时间序列为两列,第一列为Datetime时间格式,精确到小时,第二列为逐时水位序列;
逐时流量Q0序列为两列,第一列为Datetime时间格式,精确到小时,第二列为逐时流量序列。
潮汐T0数据序列为两列,第一列为Datetime时间格式,精确到小时,第二列为潮汐数据序列。
优选地,所述对目标站点实测水位序列和上游相关站点的流量做错位时差的Pearson相关分析,分别确定上游站点来流传播至目标站点所需时间,具体为:
对上游相关站点的流量序列与目标站点实测水位序列比对初步判定传播时间,再做出上游相关站点的临近几个时间的错相位的流量序列Q1,通过Pearson相关分析确定上游站点来流传播至目标站点所需时间。
优选地,所述对目标站点实测水位序列和下游相关站点的潮汐做错位时差的Pearson相关分析,分别确定下游站点潮汐上溯至目标站点所需时间,具体为:
对下游相关站点的潮汐序列与目标站点实测水位序列比对初步判定传播时间,再做出下游相关站点的临近几个时间的错相位的流量序列T1,通过Pearson相关分析确定下游站点潮汐传播至目标站点所需时间。
优选地,所述以目标站点水位、上游站点来流传播至目标站点所需时间和下游站点潮汐上溯至目标站点所需时间的数据为基础,结合错位时差分析结果,对逐时流量Q0、潮汐T0的数据序列进行错位时差对应调整,对逐时水位序列W0进行LSTM深度学习模型训练,对于模型预测结果W采用MAPE评估误差,具体为:
根据上游站点来流传播至目标站点所需时间和下游站点潮汐传播至目标站点所需时间,对逐时流量Q0、潮汐T0的数据序列进行错位时差对应调整,得到相位与目标站点一致的径流Q和潮汐T的数据序列;
对逐时水位序列W0和径流Q和潮汐T的数据序列进行LSTM深度学习模型训练逐时预测;
其中逐时水位序列W0存在n0小时数据,n0大于6000;
选取前n0-N小时数据为训练集,最后N小时数据为验证集;
径流Q和潮汐T的数据序列作为LSTM深度学习模型输入层,
利用逐时水位序列W0前n0-N小时数据对进行LSTM深度学习模型进行训练;
将逐时水位序列W0最后24小时数据输入LSTM深度学习模型,输出预测结果W;
用误差率判别公式MAPE对于预测结果W进行误差评估,MAPE值越小则表示预测结果W越准确。
优选地,所述N=24。
优选地,误差率判别公式为:
其中,为预测值,yi为实际值。
本发明第二方面提供了一种感潮河段水位实时预报系统,所述系统包括:包括存储器和处理器,所述存储器中包括感潮河段水位实时预报方法程序,所述感潮河段水位实时预报方法程序被所述处理器执行时实现所述感潮河段水位实时预报方法步骤。
本发明第三方面提供了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感潮河段水位实时预报方法程序,所述感潮河段水位实时预报方法程序被处理器执行时,实现所述一种感潮河段水位实时预报方法的步骤。
本发明公开了一种感潮河段水位实时预报方法、系统和可读存储介质。所述方法包括:搜集目标、相关站点实测流量、水位和潮位等序列资料;采用样条、KNN等方法对缺失数据进行插补延长,得到同时序的数据序列;将同时序的数据序列进行数据清洗,通过样条、KNN等方法将数据插值出逐时序列;对多个径流源的数据与目标站点水位数据做错位时差的Pearson相关分析,确定各个径流源传播至目标站点的时间;对多个口门潮汐的数据与目标站点水位数据做错位时差的Pearson相关分析,确定各个口门潮汐传播至目标站点的时间。以目标站点水位W、多径流源Q和口门潮汐T数据序列,采用LSTM深度学习模型训练,对目标站点水位进行逐时预测,对比目标站点附近河段实测数据与深度学习预测出的水位,通过Pearson相关分析对预测序列进行实时矫正,采用MAPE评估误差。本发明方法根据已有目标站点水位、相关站点流量及潮汐数据资料,基于回归分析与深度学习结合,有效解决了多级分叉感潮无资料河段水位实时预报。
与现有技术相比,本发明技术方案的有益效果是:本发明所述方法根据已有目标站点、相关站点资料,通过Pearson相关分析、深度学习和实时矫正等手段,提高了多级分叉感潮无资料河段水位实时预报的精度,弥补了多级分叉感潮无资料河段水位实时预报空缺。
附图说明
图1为实施例1所述一种感潮河段水位实时预报方法流程示意图;
图2为实施例1所述与目标站点相关站点潮汐数据插补延长示意图;
图3为实施例1所述目标站点水位数据插补延长示意图;
图4为实施例1所述目标站点水位数据示意图;
图5为实施例1所述与目标站点相关站点潮汐数据示意图;
图6为实施例1所述与目标站点相关站点1流量数据示意图;
图7为实施例1所述与目标站点相关站点2流量数据示意图;
图8-10为实施例1所述目标站点水位、相关站点潮汐数据相位差确定Pearson相关分析示意图;
图11-13为实施例1所述目标站点水位、相关站点1流量相位差确定Pearson相关分析示意图;
图14-16为实施例1所述目标站点水位、相关站点2流量相位差确定Pearson相关分析示意图;
图17为实施例1所述LSTM深度学习预测的W序列24小时预测图;
图18为实施例1所述目标站点及附近无资料河段短历时实测数据相位差示意图;
图19-21为实施例1所述目标站点水位、附近无资料河段水位相位差确定Pearson相关分析示意图;
图22为实施例1所述目标站点附近无资料河段水位24小时预测图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
如图1所示,本实施例公开了一种感潮河段水位实时预报方法,所述方法包括以下步骤:
S1:搜集目标站点实测水位序列资料、与目标站点相关站点的流量、潮汐序列资料;
S2:通过样条、KNN方法对目标站点实测水位序列资料、与目标站点相关站点的流量、潮汐序列资料进行插补延长,使得目标站点实测水位序列和相关站点的流量、潮汐序列资料成为同时长的数据序列;
其中,相关站点包括目标站点的上游相关站点和下游相关站点;
S3:将同时长的目标站点实测水位序列资料、与目标站点相关站点的流量、潮汐序列资料进行数据清洗,分别得到逐时水位序列W0、逐时流量Q0、潮汐T0数据序列;
S4:对目标站点实测水位序列和上游相关站点的流量做错位时差的Pearson相关分析,分别确定上游多站点来流传播至目标站点所需时间;
对目标站点实测水位序列和下游相关站点的潮汐做错位时差的Pearson相关分析,分别确定下游多站点潮汐上溯至目标站点所需时间;
S5:以目标站点水位、上游多站点来流传播至目标站点所需时间和下游多站点潮汐上溯至目标站点所需时间的数据为基础,结合错位时差分析结果,对多源径流和多口潮汐的数据序列进行错位时差对应调整,对逐时水位序列W0进行LSTM深度学习模型训练,对于模型预测结果W采用MAPE评估误差;
S6:结合目标站点附近河段与目标站点的水位的关系,通过Pearson相关分析对预测序列进行实时矫正,采用MAPE评估误差,直至将预测序列矫正至预设误差范围内,并输出预测序列。
根据本发明实施例,所述S2具体为:
搜集目标站点实测水位序列资料,将其整理为第一列为Datetime时间,第二列为水位序列,去除无效的水位,并且对于缺失的数据,通过样条、KNN方法将数据进行插补延长;
搜集与目标站点相关站点的流量,将其整理为第一列为Datetime时间,第二列为水位序列,去除无效的流量和潮汐数据,并且对于缺失的数据,通过样条、KNN等方法将数据进行插补延长,使得相关站点的流量和目标站点实测水位序列成为同时长的数据序列;
搜集潮汐序列资料,将其整理为第一列为Datetime时间,第二列为水位序列,去除无效的潮汐数据,并且对于缺失的数据,通过样条、KNN方法将数据进行插补延长,使得潮汐序列资料和目标站点实测水位序列成为同时长的数据序列;
搜集潮汐序列资料,将其整理为第一列为Datetime时间,第二列为水位序列,去除无效的潮汐数据,并且对于缺失的数据,通过样条、KNN方法将数据进行插补延长,使得目标站点实测水位序列和潮汐序列资料成为同时长的数据序列。
根据本发明实施例,所述S3具体为:
对目标站点插补延长后的实测水位序列资料、与目标站点相关站点的流量、潮汐序列资料进行数据清洗,得到逐时水位序列W0、逐时流量Q0、潮汐T0数据序列,
逐时水位序列W0的最终时间序列为两列,第一列为Datetime时间格式,精确到小时,第二列为逐时水位序列;
逐时流量Q0序列为两列,第一列为Datetime时间格式,精确到小时,第二列为逐时流量序列。
潮汐T0数据序列为两列,第一列为Datetime时间格式,精确到小时,第二列为潮汐数据序列。
需要说明的是,本申请将同时长的目标站点实测水位序列资料并进行数据清洗,得到逐时水位序列W0;将同时长的与目标站点相关站点的流量、潮汐序列资料并进行数据清洗,得到逐时流量Q0、潮汐T0数据序列,作为错位时差分析的准备。
根据本发明实施例,所述对目标站点实测水位序列和上游相关站点的流量做错位时差的Pearson相关分析,分别确定上游多站点来流传播至目标站点所需时间,具体为:
对上游相关站点的流量序列与目标站点实测水位序列比对初步判定传播时间,再做出上游相关站点的临近几个时间的错相位的流量序列Q1,通过Pearson相关分析确定上游多站点来流传播至目标站点所需时间。
需要说明的是,Pearson相关分析即线性相关分析。当一个变量增大,另一个变量也随之增大,称为共变或相关。两个变量有共变现象即称有相关关系。反映两定量指标间呈线性关系趋势的关系称为线性相关,又称简单相关,统计学指标为Pearson相关系数。
根据本发明实施例,所述对目标站点实测水位序列和下游相关站点的潮汐做错位时差的Pearson相关分析,分别确定下游多站点潮汐上溯至目标站点所需时间,具体为:
对下游相关站点的潮汐序列与目标站点实测水位序列比对初步判定传播时间,再做出下游相关站点的临近几个时间的错相位的流量序列T1,通过Pearson相关分析确定下游多站点潮汐传播至目标站点所需时间。
需要说明的是,由于目标站点的上游和下游一般情况下有多个站点。所以在确定下游站点潮汐上溯至目标站点所需时间时需确定下游多站点潮汐上溯至目标站点所需时间。
根据本发明实施例,所述S5具体为:
根据上游多站点来流传播至目标站点所需时间和下游多站点潮汐传播至目标站点所需时间,对多源逐时流量Q0、多口潮汐T0的数据序列进行错位时差对应调整,得到相位与目标站点一致的径流Q和潮汐T的数据序列;
对逐时水位序列W0和径流Q和潮汐T的数据序列进行LSTM深度学习模型训练逐时预测;
其中逐时水位序列W0存在n0小时数据,n0大于6000;
选取前n0-N小时数据为训练集,最后N小时数据为验证集;
多源径流Q和多口潮汐T的数据序列作为LSTM深度学习模型输入层,
利用逐时水位序列W0前n0-N小时数据对进行LSTM深度学习模型进行训练;
将逐时水位序列W0最后24小时数据输入LSTM深度学习模型,输出预测结果W;
用误差率判别公式MAPE对于预测结果W进行误差评估,MAPE值越小则表示预测结果W越准确。
需要说明的是,由于目标站点的上游和下游一般情况下有多个站点。所以在根据上游站点来流传播至目标站点所需时间和下游站点潮汐传播至目标站点所需时间时需根据上游多站点来流传播至目标站点所需时间和下游多站点潮汐传播至目标站点所需时间。同理,对多源逐时流量Q0、多口潮汐T0的数据序列进行错位时差对应调整,得到相位与目标站点一致的多源径流Q和多口潮汐T的数据序列。
需要说明的是,LSTM:Long Short-Term Memory,即长短期记忆网络模型是一种时间循环神经网络模型。
根据本发明实施例,所述N=24。
根据本发明实施例,误差率判别公式为:
其中,为预测值,yi为实际值。
需要说明的是,在本实施例中根据上游多站点来流传播至目标站点所需时间和下游多站点潮汐传播至目标站点所需时间,,对多源逐时流量Q0、多口潮汐T0的数据序列进行错位时差对应调整,得到相位与目标站点一致的径流Q和潮汐T的数据序列,对逐时水位序列W0和径流Q和潮汐T的数据序列进行LSTM深度学习模型训练逐时预测,其中盐度序列W0存在n0小时数据,n0大于6000;
选取前n0-24小时数据为训练集,最后24小时数据为验证集;
多源径流Q和多口潮汐T的数据序列作为LSTM深度学习模型输入层,W作为LSTM深度学习模型输出层;
基于误差率判别公式对于24小时的LSTM深度学习模型预测成果进行分析。对于模型预测结果W采用误差判别公式评估误差,MAPE越小则越准确,其中将W中水位序列的后24小时视预测值为s={s1、s2、…s24},实际值视为t={t1、t2、…t24}。
最后,结合目标站点附近河段与目标站点的水位的关系,通过Pearson相关分析对预测序列进行实时矫正,采用MAPE评估误差,直至将预测序列矫正至预设误差范围内,并输出预测序列。
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、图2为实施例1所述与目标站点相关站点潮汐数据插补延长示意图,图3为实施例1所述目标站点水位数据插补延长示意图,这里对局部数据缺失部分进行插补延长,使得目标站点实测水位序列和相关站点的流量、潮汐序列资料成为同时长的数据序列。
2、图4为实施例1所述目标站点水位数据示意图,图5为实施例1所述与目标站点相关站点潮汐数据示意图,图6为实施例1所述与目标站点相关站点1流量数据示意图,图7为实施例1所述与目标站点相关站点2流量数据示意图,这里选取了目标站点上游2处相关流量站点和下游1处潮汐站点。
3、图8-10为实施例1所述目标站点水位、相关站点潮汐数据相位差确定Pearson相关分析示意图,这里对下游相关站点的潮汐序列与目标站点实测水位序列比对初步判定传播时间,再做出下游相关站点的临近几个时间的错相位的流量序列T1,通过Pearson相关分析确定下游多站点潮汐传播至目标站点所需时间。
4、图11-13为实施例1所述目标站点水位、相关站点1流量相位差确定Pearson相关分析示意图,图14-16为实施例1所述目标站点水位、相关站点2流量相位差确定Pearson相关分析示意图,这里对上游相关站点的流量和下游潮汐数据序列与目标站点实测水位序列比对初步判定传播时间,再做出临近几个时间的错相位的流量和潮汐序列Q1和T1,通过Pearson相关分析确定上游多站点来流及下游潮汐传播至目标站点所需时间。
5、图17为实施例1所述LSTM深度学习预测的W序列24小时预测图,这里对时间序列数据W0和错相位的流量和潮汐序列Q1和T1构建LSTM深度学习预测模型,预测误差率为M1=15.8%。
6、图18为实施例1所述目标站点及附近无资料河段短历时实测数据相位差示意图,图19-21为实施例1所述目标站点水位、附近无资料河段水位相位差确定Pearson相关分析示意图,图22为实施例1所述目标站点附近无资料河段水位24小时预测图,目标站点附近河段与目标站点的水位存在相位差,这里以短时间的实测数据通过Pearson相关分析确定相位差,采用MAPE评估误差,完成预测序列的实时矫正,预测误差率为M2=11.1%,具有良好的预测效果。
实施例2
本实施例公开了一种感潮河段水位实时预报系统,所述系统包括:包括存储器和处理器,所述存储器中包括感潮河段水位实时预报方法程序,所述感潮河段水位实时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
本实施例公开了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感潮河段水位实时预报方法程序,所述感潮河段水位实时预报方法程序被处理器执行时,实现实施例1所述一种感潮河段水位实时预报方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (5)
1.一种感潮河段水位实时预报方法,其特征在于,所述方法包括以下步骤:
搜集目标站点实测水位序列资料、与目标站点相关站点的流量、潮汐序列资料;
通过样条、KNN方法对目标站点实测水位序列资料、与目标站点相关站点的流量、潮汐序列资料进行插补延长,使得目标站点实测水位序列和相关站点的流量、潮汐序列资料成为同时长的数据序列;
将同时长的目标站点实测水位序列资料、与目标站点相关站点的流量、潮汐序列资料进行数据清洗,分别得到逐时水位序列W0、逐时流量Q0、潮汐T0数据序列;
对目标站点实测水位序列和上游相关站点的流量做错位时差的Pearson相关分析,分别确定上游站点来流传播至目标站点所需时间;
对目标站点实测水位序列和下游相关站点的潮汐做错位时差的Pearson相关分析,分别确定下游站点潮汐上溯至目标站点所需时间;
以目标站点水位、上游站点来流传播至目标站点所需时间和下游站点潮汐上溯至目标站点所需时间的数据为基础,结合错位时差分析结果,对径流和潮汐的数据序列进行错位时差对应调整,对逐时水位序列W0进行LSTM深度学习模型训练,对于模型预测结果W采用MAPE评估误差;
结合目标站点附近河段与目标站点的水位的关系,通过Pearson相关分析对预测序列进行实时矫正,采用MAPE评估误差,直至将预测序列矫正至预设误差范围内,并输出预测序列;
其中,通过样条、KNN方法对目标站点实测水位序列资料、与目标站点相关站点的流量、潮汐序列资料进行插补延长,使得目标站点实测水位序列和相关站点的流量、潮汐序列资料成为同时长的数据序列,具体为:
搜集目标站点实测水位序列资料,将其整理为第一列为Datetime时间,第二列为水位序列,去除无效的水位,并且对于缺失的数据,通过样条、KNN方法将数据进行插补延长;
搜集与目标站点相关站点的流量,将其整理为第一列为Datetime时间,第二列为水位序列,去除无效的流量和潮汐数据,并且对于缺失的数据,通过样条、KNN等方法将数据进行插补延长,使得相关站点的流量和目标站点实测水位序列成为同时长的数据序列;
搜集潮汐序列资料,将其整理为第一列为Datetime时间,第二列为水位序列,去除无效的潮汐数据,并且对于缺失的数据,通过样条、KNN方法将数据进行插补延长,使得潮汐序列资料和目标站点实测水位序列成为同时长的数据序列;
其中,将同时长的目标站点实测水位序列资料、与目标站点相关站点的流量、潮汐序列资料进行数据清洗,分别得到逐时水位序列W0、逐时流量Q0、潮汐T0数据序列,具体为:
对目标站点插补延长后的实测水位序列资料、与目标站点相关站点的流量、潮汐序列资料进行数据清洗,得到逐时水位序列W0、逐时流量Q0、潮汐T0数据序列,
逐时水位序列W0的最终时间序列为两列,第一列为Datetime时间格式,精确到小时,第二列为逐时水位序列;
逐时流量Q0序列为两列,第一列为Datetime时间格式,精确到小时,第二列为逐时流量序列;
潮汐T0数据序列为两列,第一列为Datetime时间格式,精确到小时,第二列为潮汐数据序列;
其中,对目标站点实测水位序列和上游相关站点的流量做错位时差的Pearson相关分析,分别确定上游站点来流传播至目标站点所需时间,具体为:
对上游相关站点的流量序列与目标站点实测水位序列比对初步判定传播时间,再做出上游相关站点的临近几个时间的错相位的流量序列Q1,通过Pearson相关分析确定上游站点来流传播至目标站点所需时间;
其中,对目标站点实测水位序列和下游相关站点的潮汐做错位时差的Pearson相关分析,分别确定下游站点潮汐上溯至目标站点所需时间,具体为:
对下游相关站点的潮汐序列与目标站点实测水位序列比对初步判定传播时间,再做出下游相关站点的临近几个时间的错相位的流量序列T1,通过Pearson相关分析确定下游站点潮汐传播至目标站点所需时间;
其中,以目标站点水位、上游站点来流传播至目标站点所需时间和下游站点潮汐上溯至目标站点所需时间的数据为基础,结合错位时差分析结果,对逐时流量Q0、潮汐T0的数据序列进行错位时差对应调整,对逐时水位序列W0进行LSTM深度学习模型训练,对于模型预测结果W采用MAPE评估误差,具体为:
根据上游站点来流传播至目标站点所需时间和下游站点潮汐传播至目标站点所需时间,对逐时流量Q0、潮汐T0的数据序列进行错位时差对应调整,得到相位与目标站点一致的径流Q和潮汐T的数据序列;
对逐时水位序列W0和径流Q和潮汐T的数据序列进行LSTM深度学习模型训练逐时预测;
其中逐时水位序列W0存在n0小时数据,n0大于6000;
选取前n0-N小时数据为训练集,最后N小时数据为验证集;
径流Q和潮汐T的数据序列作为LSTM深度学习模型输入层,
利用逐时水位序列W0前n0-N小时数据对进行LSTM深度学习模型进行训练;
将逐时水位序列W0最后24小时数据输入LSTM深度学习模型,输出预测结果W;
用误差率判别公式MAPE对于预测结果W进行误差评估,MAPE值越小则表示预测结果W越准确。
2.根据权利要求1所述的一种感潮河段水位实时预报方法,其特征在于,所述N=24。
3.根据权利要求2所述的一种感潮河段水位实时预报方法,其特征在于,误差率判别公式为:
其中,为预测值,yi为实际值。
4.一种感潮河段水位实时预报系统,其特征在于,所述系统包括:包括存储器和处理器,所述存储器中包括感潮河段水位实时预报方法程序,所述感潮河段水位实时预报方法程序被所述处理器执行时实现权利要求1-3任一项所述方法的步骤。
5.一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感潮河段水位实时预报方法程序,所述感潮河段水位实时预报方法程序被处理器执行时,实现如权利要求1至3中任一项所述的一种感潮河段水位实时预报方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310588118.XA CN116542392B (zh) | 2023-05-24 | 2023-05-24 | 一种感潮河段水位实时预报方法、系统和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310588118.XA CN116542392B (zh) | 2023-05-24 | 2023-05-24 | 一种感潮河段水位实时预报方法、系统和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116542392A CN116542392A (zh) | 2023-08-04 |
CN116542392B true CN116542392B (zh) | 2024-02-13 |
Family
ID=87455956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310588118.XA Active CN116542392B (zh) | 2023-05-24 | 2023-05-24 | 一种感潮河段水位实时预报方法、系统和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542392B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106168991A (zh) * | 2016-06-24 | 2016-11-30 | 珠江水利委员会珠江水利科学研究院 | 一种基于水动力数值模拟的感潮河网潮位预报方法 |
CN109978235A (zh) * | 2019-03-04 | 2019-07-05 | 宁波市气象服务中心 | 一种基于样本学习的积涝水位预测方法 |
CN111027775A (zh) * | 2019-12-12 | 2020-04-17 | 中国长江三峡集团有限公司 | 基于长短期记忆网络的梯级水电站发电量预测方法 |
CN111222698A (zh) * | 2020-01-06 | 2020-06-02 | 重庆邮电大学 | 面向物联网的基于长短时记忆网络的积水水位预测方法 |
CN111612274A (zh) * | 2020-05-28 | 2020-09-01 | 上海海事大学 | 一种基于时空相关性的潮汐水位预报方法 |
CN113837352A (zh) * | 2021-08-06 | 2021-12-24 | 中国地质大学(武汉) | 基于长短期记忆神经网络的降雨-径流时空关系模拟方法 |
WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
CN115310362A (zh) * | 2022-08-16 | 2022-11-08 | 长江航道勘察设计院(武汉)有限公司 | 一种基于深度学习的航道内无站点处水位预报方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11238356B2 (en) * | 2017-06-23 | 2022-02-01 | University Of Alaska Fairbanks | Method of predicting streamflow data |
-
2023
- 2023-05-24 CN CN202310588118.XA patent/CN116542392B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106168991A (zh) * | 2016-06-24 | 2016-11-30 | 珠江水利委员会珠江水利科学研究院 | 一种基于水动力数值模拟的感潮河网潮位预报方法 |
CN109978235A (zh) * | 2019-03-04 | 2019-07-05 | 宁波市气象服务中心 | 一种基于样本学习的积涝水位预测方法 |
CN111027775A (zh) * | 2019-12-12 | 2020-04-17 | 中国长江三峡集团有限公司 | 基于长短期记忆网络的梯级水电站发电量预测方法 |
CN111222698A (zh) * | 2020-01-06 | 2020-06-02 | 重庆邮电大学 | 面向物联网的基于长短时记忆网络的积水水位预测方法 |
CN111612274A (zh) * | 2020-05-28 | 2020-09-01 | 上海海事大学 | 一种基于时空相关性的潮汐水位预报方法 |
WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
CN113837352A (zh) * | 2021-08-06 | 2021-12-24 | 中国地质大学(武汉) | 基于长短期记忆神经网络的降雨-径流时空关系模拟方法 |
CN115310362A (zh) * | 2022-08-16 | 2022-11-08 | 长江航道勘察设计院(武汉)有限公司 | 一种基于深度学习的航道内无站点处水位预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116542392A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Du et al. | Interval forecasting for urban water demand using PSO optimized KDE distribution and LSTM neural networks | |
CN107885951A (zh) | 一种基于组合模型的水文时间序列预测方法 | |
CN103729550B (zh) | 基于传播时间聚类分析的多模型集成洪水预报方法 | |
CN109711617B (zh) | 一种基于blstm深度学习的中长期径流预测方法 | |
CN104134159A (zh) | 一种基于随机模型预测信息最大化传播范围的方法 | |
CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
CN112001556B (zh) | 一种基于深度学习模型的水库下游水位预测方法 | |
CN109993364A (zh) | 一种天然气用气量的预测方法及装置 | |
CN110633859A (zh) | 一种两阶段分解集成的水文序列预测方法 | |
Jiang et al. | Toward improved probabilistic predictions for flood forecasts generated using deterministic models | |
CN116542392B (zh) | 一种感潮河段水位实时预报方法、系统和可读存储介质 | |
Akiner | Long-term rainfall information forecast by utilizing constrained amount of observation through artificial neural network approach | |
CN109376937B (zh) | 基于集合经验模态分解的自适应调度期末水位预测方法 | |
Drakaki et al. | Day-ahead energy production in small hydropower plants: uncertainty-aware forecasts through effective coupling of knowledge and data | |
CN114239990A (zh) | 一种基于时间序列分解和lstm的时间序列数据预测方法 | |
Wang et al. | Two-dimension monthly river flow simulation using hierarchical network-copula conditional models | |
Alvisi et al. | A conceptual grey rainfall-runoff model for simulation with uncertainty | |
Atashi et al. | Distributed Muskingum model with a Whale Optimization Algorithm for river flood routing | |
JP7201969B2 (ja) | 学習装置及び下水流入量予測装置 | |
CN109059875B (zh) | 一种驱动完美模型开展月尺度径流预报的方法 | |
WO2022222230A1 (zh) | 基于机器学习的指标预测方法、装置、设备及存储介质 | |
Kouritzin | Explicit Heston solutions and stochastic approximation for path-dependent option pricing | |
CN114819322A (zh) | 湖泊入湖流量的预报方法 | |
CN114564512A (zh) | 时间序列预测方法、装置、电子设备及存储介质 | |
Wang et al. | The forecast of gold price based on the GM (1, 1) and Markov chain |
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 |