[发明专利]一种基于自注意力机制的时序网络的洪水流量预测方法

说明书

本发明公开了一种基于自注意力机制的时序网络的洪水流量预测方法，属于洪水流量预测技术领域。该方法包括以下步骤：1，预处理历史洪水数据，包括洪水流量以及相关洪水特征因子；2，使用时间卷积网络和长短期记忆网络并行构建洪水预测模型；3，设置洪水预测模型相关超参数；4，将历史洪水数据用于洪水预测模型进行训练并保存最终模型；5，将训练后的模型应用于洪水预测中，并根据相应指标评估结果。本发明的预测方法具有较好的鲁棒性，对比传统的长短期记忆网络预测方法有着更高的准确率，可以有效完成对中小河流域的洪水流量预测。

技术领域

本发明涉及一种基于自注意力机制的时序网络的洪水流量预测方法，属于洪水流量预测技术领域。

背景技术

洪水是一种自然界里常见的、分布广泛的灾害之一，它常给现代社会造成各种巨大的破坏，其所带来的经济损失难以估量，严重危害了人民群众的生命以及财产安全。由于洪水本身机理构成复杂，具有强度大难预报等特点。因此在过去的几十年里研究洪水流量预测问题一直是一个热点。

常见的洪水预测模型一般来说分为两类，水文模型和数据驱动模型两类。传统的水文模型通过物理过程来解释复杂的水文过程。但这种模型往往对于内部的参数十分的敏感，并且需要相关的研究人员具备水利专业的相关知识背景，这些客观的条件使得此类方法往往存在着一些局限性。而数据驱动模型则是一种端到端的模型，目前已经有许多成熟的深度学习模型应用于洪水预测当中。

发明内容

为了有效捕获洪水序列中的有效因子并且提高对洪水有效因子的权重关注，本发明提出了一种基于自注意力机制的时序网络的洪水流量预测方法。

本发明为解决其技术问题采用如下技术方案：

一种基于自注意力机制与时序网络的洪水流量预测方法，包括以下步骤：

步骤1，预处理历史洪水数据，包括洪水流量以及相关洪水特征因子；

步骤2，使用时间卷积网络和长短期记忆网络并行构建洪水预测模型；

步骤3，设置洪水预测模型相关超参数；

步骤4，将历史洪水数据用于洪水预测模型进行训练并保存最终模型；

步骤5，将训练后的模型应用于洪水预测中，并根据相应指标评估结果。

所述步骤1具体过程如下：

步骤11，将提取的历史洪水相关数据进行数据清洗，去除无法用于正常训练的脏数据；

步骤12，将数据集分为训练集以及测试集；

步骤13，对数据进行标准化，其计算公式为：其中：y_i为数据标准化计算后的特征序列数据，x_i为原始特征序列数据，为当前特征序列的平均值，其计算公式为S标准差，其计算公式为

所述步骤2具体过程如下：

步骤21，通过时间卷积模块增大感受野，使用长短期记忆网络捕获时序依赖；

步骤22，时间卷积网络得到输入序列后进行卷积计算，得到序列的隐藏状态；

步骤23，将时间卷积网络计算后的结果使用自注意力机制，计算出时间卷积网络提取到的一个加权之后的特征向量特征S_a，其计算公式为：其中Q，K，V分别为通过线性层转换时间卷积网络的隐藏层输出得到的三个向量，d_k为使计算结果归一化的一个常量，softmax()为将输出值转换为范围在0到1之间并且和为1的激活函数；

步骤24，通过长短期记忆网络的隐藏层得到输出s_l；

步骤25，将特征s_t，s_l拼接后通过一维卷积网络计算出预测结果。