[发明专利]基于长短时记忆网络和迁移学习的洪水预测方法与装置

权利要求书

1.一种基于长短时记忆网络和迁移学习的洪水预测方法，其特征在于，包括如下步骤：

(1)收集流域相关的自然地理环境数据和水文观测站点的观测数据并对收集的数据进行预处理；

(2)根据流域的自然地理环境相似度筛选出与目标流域相似的洪水流域作为源流域进行数据迁移；

(3)利用DTW算法计算源流域与目标流域的洪水相似性，将洪水预测因子与洪水相似度结合成数据矩阵作为模型的输入；

(4)计算洪水预测因子的Attention得分；

(5)将洪水预测因子的Attention得分经过激活函数处理之后，作为权重对数据矩阵进行加权；

(6)将加权后的数据矩阵输入至长短时记忆网络LSTM中，利用LSTM网络预测目标流域的洪水流量，LSTM网络模型训练过程中对迁移过来的数据进行适应性处理，对相似度高的样本进行损失放大，相似度低的样本进行损失缩小，以提高迁移数据的域适应性。

2.根据权利要求1所述的一种基于长短时记忆网络和迁移学习的洪水预测方法，其特征在于，所述步骤(1)包括：

(11)从水文监测站和网络上获取资源流域和目标流域的洪水数据集和相应流域的自然地理环境数据，其中洪水数据包括降雨量、降雨面积、蒸发量、水位数据和洪水流量，流域的自然地理环境数据包括冻土深度、流域面积、植被覆盖率、土壤结构和气候特征；

(12)初步处理数据，将数据中存在缺失的，含有异常值的相关数据去除。

3.根据权利要求1所述的一种基于长短时记忆网络和迁移学习的洪水预测方法，其特征在于，所述步骤(2)包括：

(21)流域的自然地理环境数据选取冻土深度、流域面积、植被覆盖率、土壤结构和气候特征作为计算流域相似度的特征因子；

(22)通过上述特征因子分别计算出各候选流域与目标流域自然地理环境之间的相似度，相似度的计算公式为式中，和是两个不同流域X₁和X₂的相似度特征因子归一化后组成的张量；

(23)将流域相似度降序排列，选取若干与目标流域相似度较大的流域作为源流域，从而进行数据迁移；

(24)将源流域与目标流域的所有数据作为模型训练的数据集，并划分为训练集和测试集，其中从源流域迁移过来所有的洪水数据和一部分目标流域的洪水数据作为训练集，另一部分目标流域的洪水数据作为测试集。