[发明专利]有向图深度神经网络径流概率预报方法、系统、设备及终端

权利要求书

1.一种有向图深度神经网络径流概率预报方法，其特征在于，所述有向图深度神经网络径流概率预报方法包括以下步骤：

步骤一，构建水文站点与气象站点有向图结构；

步骤二，根据多站点有向图，结合空间信息捕捉过程和特征聚合过程两个过程建立有向图深度神经网络预报模型；

步骤三，构建由预报径流和其预报因子组成的数据集，采用Adam优化算法训练有向图深度神经网络，得到具有高精度的多步长径流预报结果；

步骤四，将有向图深度神经网络得到的预报结果与实测径流值重新构建隐含马尔科夫回归训练数据集；

步骤五，训练隐含马尔科夫回归模型，得到径流概率预报结果。

2.如权利要求1所述的有向图深度神经网络径流概率预报方法，其特征在于，步骤一中，所述构建水文站点与气象站点有向图结构，包括：

以流域水文站点和气象站点为研究对象，将每个水文站点和气象站点作为有向图中的点；根据水文站点和气象站点所在流域中的区域以及水文站点之间的上下游关系确定每个水文站点与其他水文站点以及气象站点的关系，将具有因果关系的点用向量连接；将所有的点和向量构成有向图。

3.如权利要求1所述的有向图深度神经网络径流概率预报方法，其特征在于，步骤二中，所述根据多站点有向图，结合空间信息捕捉过程和特征聚合过程两个过程建立有向图深度神经网络预报模型，包括：

有向图深度神经网络模型由空间信息捕捉过程和特征聚合过程组成；其中，所述空间信息捕捉过程由多个卷积层和一个全连接层组成，用于通过卷积操作捕捉区域范围内的降雨对水文站点径流的影响，该过程看作水文模型中的降雨产流模型，所述空间信息捕捉过程表述如下：

其中，v＝1,…,NI为水文站点的索引，L为该过程的网络层数，代表地v个水文站点空间信息捕捉过程中的第i层，SP(v)表示降雨量影响到第v个水文站点的气象站点集合，P_u表示第u个气象站点的降雨信息，Conv1D()表示卷积操作，f_i为第i层输出空间的维度，k_i为卷积窗口的长度，s_i为卷积的步长，σ()表示全连接层的激活函数，所述激活函数采用线性激活函数，W_v为全连接层的权重，b_v为全连接层的偏置向量；

所述特征聚合过程由多层感知网络组成，用于建立卷积神经网络捕捉的降雨特征以及上游径流特征与当前水文站点径流的非线性关系，该过程看作水文模型中的汇流过程，所述特征聚合过程表述如下：

其中，L’为特征聚合过程的网络层数，代表地v个水文站点特征聚合过程中的第i层，SI(v)表示影响到第v个水文站点的上游水文站点集合，I_v表示第v个水文站点的前期径流信息，为第i个隐含层的权重，为第i个隐含层的偏置向量，δ()表示隐含层的激活函数，所述激活函数采用Sigmoid激活函数，W_tar为全连接层的权重，b_tar为全连接层的偏置向量，σ()输出层的激活函数，采用线性激活函数。