[发明专利]一种水文序列增强及预测方法

说明书

本发明涉及一种水文序列增强及预测方法，其步骤为：收集研究区域入口流量、出口水位及地形数据，拟合入口流量‑出口水位关系，进行洪水频率分析，构建水动力模型并进行率定验证；采用时间序列生成对抗网络获得入口流量边界合成数据集，选取80%频率以上入口合成流量及对应出口水位作为边界条件驱动水动力模型并获得待预测站点的模拟流量水位数据；利用时间序列生成对抗网络获得与待预测站点的合成流量水位数据；整合模拟数据、合成数据以及监测数据获得待预测站点的增强数据集；基于增强数据集进行水位预测及精度评价。本发明的有益效果是：待预测站点的增强数据能够提升深度学习模型对于流量水位关系的学习能力，提升水位的预测精度。

技术领域

本发明属于水文预测领域，具体涉及一种水文序列增强及预测方法。

背景技术

水文预报旨在通过对水文监测数据进行分析与建模，进而实现对河流水文情势以及水文要素的定量预测。准确的水文预报对于水资源调度与利用、防洪安全、通航安全以及水生态环境保护等方面具有重要的意义。

目前进行水文预报主要包括机理模型和数据驱动模型两类，然而，在两类模型的实际应用过程中，需要大量的水文监测数据作为模型边界条件或者用于模型训练，因此，水文监测数据的质量会直接影响到水文预报的精度。尽管目前已经通过各种手段可以获得较长序列和较高频率的水文监测数据，但是由于在实际的自然过程中，洪水事件出现的频率相对较低，进而导致监测数据中的高值流量水位数据量较少，使得模型在利用监测数据训练时，难以学习到高值流量水位之间的对应关系，因此在进行未来的水文预报时，对于出现频率较高的水文事件，通常可以取得较为理想的预报效果，而对于出现频率较低的水文事件，比如较高的流量水位，模型的预测精度通常较低，而此类低频水文事件一旦出现，往往会造成相对严重的灾害。目前，通过监测手段不能在低频水文事件发生前获得相关的水文数据，因而无法为模型提供相应的训练数据，难以提升模型对低频水文事件的预报精度。

发明内容

本发明的目的在于提供一种水文序列增强及预测方法，旨在通过采用机理模型和深度学习模型扩充水文时间序列中的低频水文事件数据集，为预报方法预测提供充足的高值水文要素（比如流量水位）训练数据样本，提升对未来低频水文事件的预报精度。

本发明解决上述技术问题的技术方案如下：一种水文序列增强及预测方法，其包括如下步骤：

步骤S1.收集待预测站点所处区域上游入口流量数据、下游出口水位数据的流量水位实测数据以及水下地形数据，拟合上游入口流量数据和下游出口水位数据，确定入口流量—出口水位关系，同时进行上游入口洪水频率分析，确定80%频率对应的流量值，构建水动力模型并进行水动力模型的参数率定与验证；

步骤S2.采用时间序列生成对抗网络（TimeGAN）模型生成与上游入口流量数据分布相似的边界合成数据，选取边界合成数据中大于80%频率对应的流量值的系列数据，并根据入口流量—出口水位关系确定与大于80%频率对应的流量值的系列数据对应的下游水位值，基于该系列数据的流量值和对应的下游水位值作为边界合成数据条件下驱动水动力模型进行研究区域内的水动力模拟，获得待预测站点在该边界合成数据条件下水动力模型模拟的流量水位模拟数据；

步骤S3.利用时间序列生成对抗网络（TimeGAN）模型生成与待预测站点流量水位实测数据分布相似的流量水位合成数据，并进行待预测站点流量水位合成数据的精度评价；

步骤S4.整合步骤S2中流量水位模拟数据、步骤S3中流量水位合成数据和步骤S1中流量水位实测数据共同构成待预测站点的增强数据集；利用深度学习模型门控循环单元（GRU）训练流量水位之间的对应关系，然后进行水位的预测及精度评价。

作为优选的，步骤S1中确定入口流量—出口水位关系，具体为：

采用一元线性回归模型，其计算公式为：

（1）；