[发明专利]水库入库流量预测方法、装置、计算机设备及存储介质

说明书

本发明公开了水库入库流量预测方法、装置、计算机设备及存储介质，该方法包括：获取水库入库流量的历史多元数据序列，并对历史多元数据序列进行预处理；对历史多元数据序列进行全采样，得到第一数据集，以及利用自适应间隔采样对历史多元数据序列构建得到第二数据集；通过Transformer网络分别对第一数据集和第二数据集提取相关性特征，得到第一目标特征和第二目标特征；对第一目标特征和第二目标特征进行拼接，得到候选特征，然后通过Transformer网络对候选特征提取相关性特征，得到第三目标特征；将第一目标特征、第二目标特征和第三目标特征进行全连接处理得到历史多元数据序列对应的水库入库流量预测结果。本发明可有效提高水库入库流量的预测精度。

技术领域

本发明涉及水库流量预测技术领域，特别涉及水库入库流量预测方法、装置、计算机设备及存储介质。

背景技术

随着科技与社会的进步，工业领域对智能化的需求越来越迫切，而时序数据预测作为实现工业智能化的基础，也越发被研究者所重视，有着广泛的应用场景。但是目前工业数据的采集通常从多个维度进行，这就导致产生的时序数据大多以多元特征的形式出现，并且通常伴随有一定的非平稳以及时序相关性。比如对水力发电领域的水库入库流量的预测就是利用水库泄水与蓄水情况、上下游干支流测站的流量情况、水位变化情况、土壤含水量、降雨量等多种水文要素，并将其输入模拟河川径流产流过程的物理模型中进行水库入库流量的预测。因此研究多元的非平稳时间序列的水库入库流量的预测具有重要的现实意义。

目前水库入库流量的预测主要是分为三类：第一类是成因分析法。这类方法一般是使用物理模型来模拟相应的水库入库流量过程来对其进行预测。成因分析法原理虽然较为简单，但是对建立物理模型所需要的部分细节数据却难以搜集，除此之外，数据普遍都具有一定的非线性与非恒定性，使用单纯的物理模型难以对其进行准确模拟。

第二类是概率统计方法。这类方法一般是从大量的水库入库流量的历史数据中寻求规律进行水库入库流量的预测。根据特征的个数分为单因素模型与多因素模型，常用的单因素模型有自回归模型(AR、MA、ARIMA、SARIMAX等自回归模型)，趋势分析法等，这类方法在平稳、线性的条件下具有较好的预测结果，但是对于非线性的时序数据建模效果不理想。除此之外，该类模型也难以对多元数据进行建模。多因素模型包括有多元回归、决策树、随机森林等，这些方法虽然能对更多的特征进行分析，在一定程度提升预测的精度，但是却难以对各特征之间的相关性信息进行提取。

第三类是基于神经网络的水库入库流量的预测方法，比如循环神经网络(Recurrent Neural Network，RNN)，长短期记忆模型循环神经网络(Long Short-TermMemory RNN，LSTM)，门控循环单元(Gated Recurrent Unit，GRU)等，该类方法在捕捉水库入库流量的时序数据的非平稳、非线性关系方面展现出了巨大的灵活性，但是不管是传统的RNN，还是改进的LSTM，GRU都难以对时序数据长期的依赖关系进行抓取，因此在输入数据序列长度增加时，该类方法的预测精度会有所降低。

发明内容

本发明实施例提供了一种水库入库流量预测方法、装置、计算机设备及存储介质，旨在提高水库入库流量的预测精度。

第一方面，本发明实施例提供了一种水库入库流量预测方法，包括：

获取水库入库流量的历史多元数据序列，并对所述历史多元数据序列进行预处理，其中，所述历史多元数据序列包括目标序列水库入库流量以及对应的外部环境变量；

对所述历史多元数据序列进行全采样，得到第一数据集，以及利用自适应间隔采样对所述历史多元数据序列构建得到第二数据集；

通过Transformer网络分别对所述第一数据集和第二数据集提取相关性特征，得到第一目标特征和第二目标特征；

对所述第一目标特征和第二目标特征进行拼接，得到候选特征，然后通过所述Transformer网络对所述候选特征提取相关性特征，得到第三目标特征；