[发明专利]一种时空过程深度学习模型实时流数据增量学习方法

权利要求书

1.一种时空过程深度学习模型实时流数据增量学习方法，其特征在于，包括以下步骤：

S1、准备一段历史时期的径流数据和降雨数据，获得数据流；构建时空过程深度学习模型，将所述数据流输入时空过程深度学习模型进行定期训练，得到模型参数，其中，已经处理好并在时空过程深度学习模型中训练完的数据称为历史数据，此时刻需要被训练的增量数据称为实时数据；

S2、将历史数据和实时数据合并后进行周期性切片得到多个子数据集，计算子数据集与全部数据的分布参数差值和时序相似性度量差值得到回放分数并排序；

S3、选取回放分数高的子数据集作为回放数据进行增量训练，增量训练过程中计算参数重要性，为时空过程深度学习模型训练损失施加正则化约束并调整所述模型的超参数；

S4、得到使用时空过程深度学习模型实时流数据增量学习方法的训练结果。

2.根据权利要求1所述的一种时空过程深度学习模型实时流数据增量学习方法，其特征在于，步骤S1具体为：

S11、选用合适的时空过程深度学习模型，基于不同attention-RNN模型构建时空过程深度学习模型，其中模型网络结构基于编码器解码器组成，依次包括由RNN组成的encoder层、encoder注意力层、decoder注意力层、由RNN组成的Decoder层，以及两层全联接层，其中RNN单元分别有原始RNN、LSTM和GRU三种单元形式，分别组成attention-RNN、attention-LSTM和attention-GRU三种时空过程深度学习模型；

S12、获取训练后的模型及参数，数据以数据流的形式不断输入时空过程深度学习模型进行训练，不同的时刻作为时间序列的元素T＝{T_i}，i＝1,2,…，两个时刻的差值等于对实时流数据的增量训练需求间隔周期，对于时刻T_i，历史数据记为实时数据记为将时空过程深度学习模型记为其中表示模型的第j个参数在时刻T_i的值，T_i时刻的历史数据和实时数据的集合成为T_i+1时刻的历史数据，T_i时刻训练完毕后的深度模型参数成为此刻模型的输入参数；分别使用attention-RNN、attention-LSTM和attention-GRU对时刻T_i的历史数据进行训练得到不同attention-RNN模型作为时刻T_i模型并初始化相关参数；

S13、每次有新的增量数据时，重复步骤S1.1和S1.2并更新模型及参数。