[发明专利]一种基于时空关联混合深度学习模型的流域多点预测预警方法

权利要求书

1.一种基于时空关联混合深度学习模型的流域多点预测预警方法，其特征在于：根据包括历史与未来水库降雨量和泄洪量的水库方面的信息与流域多点水位数据，挖掘出包含能预测出流域多点水位未来一天或三天变化情况的数据结构特征，并将流域多点特征水位信息数据作为基于LSTM和GCN的流域多点水位时空关联混合模型的输入特征，训练完成后进行一天或多天的流域水位预测，其中输入数据字段包括每个测点时间归一化后的源头水库降雨量、泄洪量和流域多点水位，模型返回这些测点的流域水位预测值。

2.根据权利要求1所述的基于时空关联混合深度学习模型的流域多点预测预警方法，其特征在于：模型的输入数据为流域源头水库的降雨量、泄洪量数据，流域多监测点水位数据包含K个流域监测点水位值数据；并将数据集中的数据进行排序、删除无用特征、缺失值填补和归一化处理，划分为训练集和测试集，分别重塑为3D数据，再对训练集和测试集进行封装。

3.根据权利要求2所述的基于时空关联混合深度学习模型的流域多点预测预警方法，其特征在于：将数据处理成符合模型输入格式：包括源头水库和流域K个监测点的多个监测点的特征被分别处理为F*D形状的矩阵，其中F为特征维度，D为总天数；随后使用一个大小为N的输入滑动窗口，在时间流逝方向进行滑动，滑动步长为1，N即为过去天数，每滑动一个步长形成新的样本特征，作为模型的输入；使用一个大小为1或3的标签滑动窗口在时间流逝方向进行滑动，每滑动一个步长形成新的样本标签，标签值为一天或三天监测点特征的水位值。

4.根据权利要求3所述的基于时空关联混合深度学习模型的流域多点预测预警方法，其特征在于：在地图中，将K个监测点视为图结构中的节点，遍历每个监测点，将其和其欧氏距离最近的监测点相连接，如果该条边已经存在，则遍历下一个监测点，以此构建出邻接矩阵进而计算度矩阵与拉普拉斯矩阵，获得包含地理位置信息与地理空间依赖关系的拓扑结构图，最终输出尺寸为(K, K)的邻接矩阵。

5.根据权利要求4所述的基于时空关联混合深度学习模型的流域多点预测预警方法，其特征在于：所述基于LSTM和GCN的流域多点水位时空关联混合模型进行特征提取的过程包括：

LSTM特征编码：包括三个LSTM层的处理；将经过三个LSTM网络表示学习后得到的特征向量表示按时间维度进行拼接，同时不产生新的维度，最终输出包含每个监测点历史属性的时间关联特征向量；

GCN特征编码：复制地理信息图，将包含地理位置信息与地理空间依赖关系的尺寸为(K,K)的拓扑结构图作为输入，按批次数量值进行复制操作，最终输出尺寸为(B,K,K)的特征向量矩阵，B为batch size大小；并获取拼接后的尺寸为(B,3,F')的特征向量矩阵作为特征矩阵，F'为LSTM网络的输出维度，同时将尺寸为(B,K,K)的地理信息图作为邻接矩阵输入该层，获得包含时间特征信息与地理位置信息的拓扑结构图，一同作为图卷积层的特征矩阵输入，对拓扑结构图进行特征提取，最终输出尺寸为(B,3,F')的特征向量矩阵；经过图卷积之后，重塑获得的特征向量矩阵形状；将特征提取后输出尺寸为(B,3,F')的特征向量矩阵作为重塑的对象，维度设为拼接后的向量矩阵第一维的数值与后二维度的积进行特征向量重塑，将特征变量维度合并，最终输出尺寸为(B,3*F')的向量矩阵；

接下来，构建全连接回归预测层：将重塑后尺寸为(B,3*F')的特征向量矩阵作为全连接回归预测层的特征矩阵输入，输出通过全连接神经网络计算流域多点特征预测值，通过设定输出端神经元数量K*Z，最终输出尺寸为(B,K*Z)的预测向量矩阵。

6.根据权利要求4所述的基于时空关联混合深度学习模型的流域多点预测预警方法，其特征在于：所述基于LSTM和GCN的流域多点水位时空关联混合模型的训练过程具体为：

将提取时间特性、空间特性后的特征输入模型，指定输入对应的输出，即明确每个输出对应的一天或多天预测的水位，使用模型进行训练拟合，拟合过程以均方误差MSE作为基于LSTM和GCN的流域多点水位时空关联混合模型的优化目标。