[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

说明书

本发明属于水文水资源技术领域，公开了一种有向图深度神经网络径流概率预报方法、系统、设备及终端，有向图深度神经网络径流概率预报方法包括：构建水文站点与气象站点有向图结构；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；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；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；训练隐含马尔科夫回归模型，得到径流概率预报结果。本发明将图论理论与神经网络模型结合，通过卷积操作捕捉空间信息，并通过多层网络聚合降雨径流过程，提高了径流预报精度。

技术领域

本发明属于水文水资源技术领域，尤其涉及一种有向图深度神经网络径流概率预报方法、系统、设备及终端。

背景技术

目前，准确可靠的径流预报，能为水库群调度决策提供有益的数据依据，对于增加发电效益、降低防洪风险、提升水资源综合利用效益具有重大意义。随着计算机技术的发展，支持向量机回归、神经网络、长短期记忆网络等机器学习和深度学习方法在径流预报中展现出了优秀的性能。然而，这一类基于统计的黑箱模型往往存在一下两点缺点：一是黑箱模型仅仅是数据与数据之间的传输，其模型参数在水文径流产生的过程中没有较好的物理解释；二是传统的预报模型仅预报一个单点值，无法量化预报中的不确定性。因此，如何建立具有一定物理意义的统计学习模型，并使其具有区间预测和概率预测的能力来量化预报不确定性是亟需解决的理论和实际工程问题。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有基于统计的黑箱模型仅仅是数据与数据之间的传输，其模型参数在水文径流产生的过程中没有较好的物理解释。

(2)传统的预报模型仅预报一个单点值，无法量化预报中的不确定性。

解决以上问题及缺陷的难度为：一般的统计模型仅仅只是单纯考虑输入输出数据的相关性，难以建立一种考虑水文物理过程的模型；径流预报误差存在“非正态”、“异方差”的特性，难以用一般的高斯分布量化预报的不确定性。

解决以上问题及缺陷的意义为：将深度学习模型往概念性水文模型发展，提高水文预报精度的同事，给出合理的参数解释；此外，量化径流预报的不确定性，为水库调度决策提供了更为丰富、可靠的预报信息，有助于调度决策者合理分配水资源。

发明内容

针对现有技术存在的问题，本发明提供了一种有向图深度神经网络径流概率预报方法、系统、设备及终端，尤其涉及一种基于有向图深度神经网络的有向图深度神经网络径流概率预报方法、系统、设备及终端，旨在解决现有统计学习径流预报方法无具体水文物理意义，且无法量化预报中的不确定性的技术问题。

本发明是这样实现的，一种有向图深度神经网络径流概率预报方法，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。

进一步，步骤一中，所述构建水文站点与气象站点有向图结构，包括：