[发明专利]一种水文时间序列预测模型动态生成方法

说明书

本发明公开一种水文时间序列预测模型动态生成方法，采集对应水文站水位数据，组织成水文时间序列数据集并预处理；结合改进的符号距离UMD与DBSCAN聚类对分割并符号化的序列进行聚类；针对每条待匹配序列动态形成其相似序列集并构建、训练模型，首先衡量代表序列与待匹配符号化序列的距离选取相似类别组成候选集，其次采用改进的DTW算法对相似序列候选集进行筛选，构建相似序列集，最后对TCN模型参数进行优化，利用相似序列集对模型进行训练，得到基于相似性搜索水文时间序列预测模型；对所述水文时间序列预测模型动态生成方法得到的模型进行水位预测，准确度更高。

技术领域

本发明属于水文预测技术，具体涉及一种水文时间序列预测模型动态生成方法。

背景技术

时序数据广泛存在于社会和生活的各个领域，以离散形式记录着随时间变化的水文现象的水文数据属于典型的时间序列数据。水文时序数据大多具有数据量大、噪声多、不稳定、更新快和复杂性高等特点，如水位、流量、降雨量等信息。在当今的社会生活中，水利信息化突显出越来越重要的作用，其主要工作包含信息采集、挖掘和分析等，如何从繁杂的水文数据中获取有效的特征与知识从而服务于水文预报与调度工作是现在急需解决的难题。

数据挖掘技术的发展为水文信息管理、水利现代化研究以及水文预报等提供了有力的技术支持。水文时间序列数据挖掘是将时序数据挖掘技术应用在水文现象中，旨在从数据量大、数据维度高以及稳定性较低的水文数据中，提取事先未知的、隐含的和潜在的有用信息，比如洪水频率、水文情势突变等，为水文预报、防洪减灾工作服务。有效的水文时序数据挖掘对于把握未来水文过程的变化规律、提高预报水平、预防水文灾害具有重要的现实意义。

水文时间序列相似性分析是水文规律研究、聚类、模体挖掘以及异常检测等问题的基础。水情变化由于受多种因素的影响，如水文规律、人类活动、气候因素、地理环境等，通常会呈现出周期性特点。水文过程表现出的年际间周期变化可定义为年际间的相似性，同样，不同的洪水场次由于受到降雨过程的影响都呈现出由上升到峰值最后消退的趋势，即存在相似性，这些相似的过程中必然包含了大量的信息，能够反映很多有用的规律。近年来我国一些流域频发暴雨、洪水事件，容易引发山体滑坡、泥石流等严重灾害，导致人员伤亡、经济受损，因此水文预测工作的重要性日益凸显。有效的水文预测在防洪减灾工程中能够发挥巨大的社会作用，随着经济的不断发展，预测工作的效益也日益显著。为了适应新时期水利信息化的发展，需要有效利用水文过程间相似性服务于水文预测工作，为防洪预警工作提供决策支持，最大限度地降低经济损失。

发明内容

发明目的：本发明的目的在于解决现有技术存在的不足，提供一种水文时间序列预测模型动态生成方法，通过数据挖掘的相关技术，对水文时间序列进行相似性分析和预测研究。

技术方案：本发明的一种水文时间序列预测模型动态生成方法，包括以下步骤：

步骤S1、采集一水系流域水文站一定时间段内的历史水位数据，组织成水文时间序列数据集。对水位样本数据进行预处理；

步骤S2、采用改进的符号距离UMD结合DBSCAN聚类的方法对滑动窗口分割并符号聚合近似表示(SAX)的序列进行聚类。再针对每条待匹配序列动态形成其相似序列集，即将各类代表序列与待匹配序列的符号表示进行距离衡量选取相似类别组成相似序列候选集，采用改进的DTW算法相似序列候选集进行筛选，构建相似序列集；

步骤S3、对TCN模型的卷积核数量num、批尺寸大小batch_size、学习率lr等进行参数寻优，同时利用相似序列集对TCN模型进行训练，最终得到基于相似性搜索的水文时间序列预测模型；

步骤S4、对所述水文时间序列预测模型动态生成方法得到的模型进行水文预测。

所述步骤S1用于获取数据集和相应的标签信息并对数据集中的数据进一步处理，所述步骤S1进一步为：对数据集中的水位数据样本进行预处理，其中包括对缺失数据进行填补、对错误数据进行修正、数据标准化。