[发明专利]基于多维水文信息的LSTM流域径流量预测方法

说明书

基于多维水文信息的LSTM流域径流量预测方法，包括以下步骤：（1）根据数据信息进行计算，得到年累积距平值和月降雨距平百分率；同时创建数据中心径流历史水文数据库；（2）划分为多个时间段，并对中心径流历史数据进行时间尺度统一及归一化处理；（3）采用包括输入、隐藏和输出的经典三层LSTM神经网络模型，对该未来时间段的径流量进行预测；（4）得到最终工作负载预测的径流量值；（5）以预测时段径流量数据更新数据中心径流历史水文数据库。本发明能够捕捉到径流量数据于其时间序列之间的关联性，并随着输入变量的增多，其精度可以呈阶段式增长，因而准确度高，对提高水文数据的高可用性、安全性和节省能耗具有重要意义。

技术领域

本发明涉及径流量预测技术领域，具体涉及基于多维水文信息的LSTM流域径流量预测方法。

背景技术

对流域径流变化趋势的模拟与预测是水文学研究领域内的一个重要课题，随着信息技术的高速发展，流域水文气象资料的观测取得了长远的进步；与此同时，随着人工神经网络的发展、深度学习技术的提高，一些学者试图用数据驱动的方式来建立流域水文模拟，多种常见机器学习模型如循环神经网络(RNN)、决策树和随机森林(DT)、多层感知机(MPL)、支持向量机(SVM)、逻辑回归(LR)等被广泛应用于水文预报和环境监测等问题的研究。

水文系统具有多因素、多关系、多时间尺度、高度非线性等特征，且所处环境具有复杂性、多变性及不可预知性，使得人们在优先技术手段和时空条件下很难或不可能获取完整的系统模型信息，及系统处于贫信息状态及高度离散信息状态。

发明内容

本发明要解决的技术问题是，克服现有技术存在的上述缺陷，提供一种提高水文数据的高可用性、安全性和节省能耗的基于多维水文信息的LSTM流域径流量预测方法。

本发明解决其技术问题所采用的技术方案是：基于多维水文信息的LSTM流域径流量预测方法，包括以下步骤：

(1)从代表性子流域水文控制站点的水文历史数据得到年径流量、径流量序列中的多年径流量平均值、月降雨量和降雨量序列中的多个月降雨量平均值，根据日志文件中的年径流量及执行计算的时间，创建数据中心径流历史水文数据库；然后进行计算，得到年累积距平值和月降雨距平百分率；；

(2)将数据中心径流历史水文数据库中的中心径流历史数据划分为多个时间段，并确定需要进行预测工作负载的未来时间段和用于训练模型的时间段，然后对中心径流历史数据进行时间尺度统一及归一化处理；由于LSTM网络是一个时间序列网络，所以将序列数据输出到模型之前需要将其都统一到同一个时间尺度下，由于降雨、径流加上河流年阶段性和降雨距平百分率的数据来源、单位量纲的不同，为了避免无量纲化和数值数据集相差过大的问题，优化梯度下降路径加快收敛速度，需要对数据进行归一化处理；

(3)同样取步骤二中完成数据处理的需要进行预测工作负载的未来时间段，以该未来时间段的未知工作负载预测作为输出，与该未来时间段相邻时间段的已知的降雨量、年河流阶段性变化、降雨距平百分率作为输入，采用包括输入、隐藏和输出的经典三层LSTM神经网络模型，对该未来时间段的径流量进行预测；

(4)引入权值，以融合步骤二和步骤三的预测值，得到最终工作负载预测的径流量值；

(5)以预测时段径流量数据更新数据中心径流历史水文数据库，循环执行第二、三、四步预测水文数据。

进一步的，步骤(1)中，所述计算为通过计算公式(1)和计算公式(2)，得到年累积距平值和月降雨距平百分率：

计算公式(1)为：式中LR_i表示第i年的累积距平值，R_i表示第i年的径流量，表示径流量序列中的多年径流量平均值；由于距平有正有负的特点，当距平累积持续增大时，表示该段时间内径流量的距平持续为正；当距平累积持续不变时，表示该段时间内径流量的距平持续为零保持不变；当距平累计持续减小时，表示该段时间内径流量的距平持续为负，从而得到流域年河流的阶段性变化；