[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

说明书

本发明提出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，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。

技术领域

本发明属于智慧水库、流域多点水位预测预警技术领域，尤其涉及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。

背景技术

现有的流域水位控制方法主要是基于传感器采集流域多个下游多个点实时水位，依据现有水位，结合实时降雨量与泄洪量水位变化，凭借人工经验或数学公式推导以控制泄洪量来控制和调整下游流域水位。该方式具有一定的延迟性，且对于数据的利用比较片面，忽略了采集的流域多点各项指标，导致耗费巨大资源与采集到的多下游多流域点的数据搁置，同时还需投入资源维护流域环境。在流域多点水位调整过程中，仅能进行实时规整，不能依据流域多点未来水位的变化趋势进行流域多点水位调整，无法针对性地预测出要超过警戒的水位值及其地理位置，从而实现对汛期及其他自然灾害的预防。

现有的流域水位预测模型，围绕着流域水域中多个监测点的水位预测工作进行，传统方法针对流域水位控制只能通过固定的实践经验与数学公式结合实时降雨量与泄洪量水位值来调整源头水库的水量来规整流域水位，只能做到实时规整，无法充分利用源头水库未来降雨和泄洪的数据来根据流域多监测点未来水位的变化趋势进行流域多点水位调整，因此，该技术方案有三个缺点：

1.数学公式的计算方式较为固定。传统的流域多点水位规整方法根据实时采集的源头水库与流域水位数据直接套公式获得对源头水库泄洪量的反馈，会有延时性的缺陷，无法对流域水位未来一天或几天的水位进行预测。

2.很大程度上对实践经验具有依赖性，流域水位在自然灾害发生时升高具有一定的突发性与不可预测性，缺乏客观有效的未来水位预测。

3.对于采集的源头水库与流域水位数据利用率较低，造成数据资源浪费，传统方法无法利用未来降雨量和未来泄洪量的数据，前者可以通过天气预报获得较为精准的估计，后者则是人为可控制的。

发明内容

针对现有技术存在的不足和空白，本发明提出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，目标为解决现有技术存在的问题，实现流域内多个监测点水位时间关联特征与地理位置特征的合并，该方法实现了流域多点未来一天或三天水位预测的准确性。

本发明具体采用以下技术方案：

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。

进一步地，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。