[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

说明书

本发明提出了一种基于长短时记忆网络和迁移学习的洪水预测方法与装置，在收集到资源流域的洪水数据信息后，通过对流域自然环境的余弦相似度计算，筛选出相似度高的流域作为源流域进行数据迁移，再利用DTW算法计算源流域与目标流域的洪水相似性，将计算出的洪水相似度与水文数据组成输入矩阵，作为模型的输入，然后利用Attention机制计算出加权数据，以便模型更好的挖掘重要特征因子的信息，最后将加权数据矩阵输入LSTM网络中建立洪水预测模型，对目标流域未来的洪水流量进行预测。本发明方法一方面克服了针对特定流域洪水预测问题中数据匮乏的特点，另一方面充分利用了LSTM网络对处理时间序列问题的优越性能，洪水预测更加准确。

技术领域

本发明涉及洪水预测领域，尤其是一种基于长短时记忆网络和迁移学习的洪水预测方法与装置。

背景技术

洪水灾害是一种常见的自然灾害，它是由于特大的地表径流河槽不能容纳，洼地积水不能及时排除，或海面突然上升海水侵陆而泛滥成灾。洪水灾害是世界上最严重的自然灾害之一，不仅发生的频率高、范围广，而且影响比较深远，中国幅员辽阔，地形复杂，季风气候显著，是世界上水灾频发且影响范围较广泛的国家之一。洪水作为一种最为普遍的自然灾害，具有破坏性，对社会构成巨大威胁。因此，实用有效的洪水预报方法，有利于防灾救灾快速反应，保护生命财产安全，维护社会稳定。

现有的洪水预测方法多种多样，大致可以分为洪水模型分为物理水文概念模型和数据驱动模型两种。水文概念模型描述了其组成部分的水文过程，如自然界的水循环过程。该模型通过模拟流域内水流及河流演变过程，模拟流域内的水流过程。早在20世纪60年代，水文学者就发现了流域的气候条件分布和空间变异不均，并研究了其对流域雨流量关系的影响。从20世纪70年代到80年代中期，美国斯坦福模型、萨克拉门托模型、日本水箱模型和中国新安江模型等几个著名的物理模型得到了发展。此外，欧洲SHE模型是1986年发展起来的第一个具有高度代表性的分布式水文模型。数据驱动的智能模型主要通过分析现有的观测数据，然后建立输入输出的映射关系，预测具体水文量。随着计算能力和算法的不断发展，数以百计的数据分析和挖掘技术飞速发展。这些技术不仅包括回归分析、EM算法、贝叶斯理论等经典的概率统计方法，还包括支持向量机等经典的机器学习方法。新的递归神经网络、卷积神经网络、图形卷积网络和其他人工智能方法也在迅速发展。在现有数据条件下，研究结果令人满意。随着技术的进一步发展，许多领域的研究成果对水文预报具有重要意义。

然而水文概念模型的结构是有限的，因为还不可能使用从考虑流域物理属性导出的数学方程严格描述这些子过程。此外，它们的优化方法决定了模型参数对实测降雨流量数据的依赖性，因而在实际应用中受到限制。传统的数据驱动模式不考虑降雨流型的物理过程，这导致人们试图利用所有可用的水文数据，这大大增加了特征尺寸，需要大量的训练数据。而且，在处理某一指定流域的洪水预测问题时，由于洪水的突发性，时效性以及短期性等特点，指定流域的水文数据往往非常匮乏，从而不能为模型提供足够所需的训练数据。

发明内容

发明目的：针对现有技术中存在的问题与不足，为了准确有效的预测某个流域的洪水流量，本发明提出了一种基于长短时记忆网络和迁移学习的洪水预测方法与装置，它一方面克服了针对特定流域洪水预测问题中数据匮乏的特点，另一方面充分利用了LSTM网络对处理时间序列问题的优越性能，洪水预测更加准确。

技术方案：为实现上述发明目的，本发明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，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；