[发明专利]基于卷积神经网络深度学习的流量等级预测方法

摘要

本发明提供了一种基于卷积神经网络深度学习的流量等级预测方法，包括以下步骤：选择与水库入库流量潜在相关的影响因子作为输入集合；进行样本集分类和原始输入数据集构建；对样本集中的原始输入数据集进行标准化处理；搭建多层卷积神经网络；以均方误差最小化作为损失函数，确定预测准确率；进行网络参数训练；进行网络性能测试；检验预测精度；进行模型参数的滚动学习训练；自动保存学习训练成果并自动更新实时库的知识记录；通过网络模型计算得出最终的流量等级预测结果。本发明通过组合低层特征形成更加高层的特征融合，从而实现对目标的高级抽象描述，并通过自动学习能发现输入数据的模式和时空分布规律，可有效应用于流域水情预报领域。

主权项

1.一种基于卷积神经网络深度学习的流量等级预测方法，其特征在于包括以下步骤：A.选择与水库入库流量潜在相关的影响因子作为输入集合；对水库未来t时段入库流量预测结果按设计特征流量和业务应用需求划分为多个流量等级，多个流量等级对应构成多个流量等级区间；B.进行样本集分类和原始输入数据集构建；对样本集中的原始输入数据集进行标准化处理；C.搭建多层卷积神经网络，具体层数通过后续网络性能测试结果确定；D.以均方误差最小化作为损失函数，根据步骤C的计算结果确定预测准确率；E.对步骤C的计算结果进行网络参数训练；F.根据步骤B和步骤E的计算结果代入步骤C中的多层卷积神经网络，进行网络性能测试；G.以步骤B、步骤和步骤D的计算结果作为模型参数检验预测精度；H.按照滚动周期，依次执行步骤B至步骤F，进行模型参数的滚动学习训练；I.增量库中自动保存步骤H的学习训练成果并自动更新实时库的知识记录；J.实时预测时，按步骤A确定的影响因子构建输入集合并标准化，从步骤I的增量库中提取最新模型参数，通过然后代入步骤C建立的多层卷积神经网络模型计算得出最终的流量等级预测结果。