一种基于实现月平均水文流量预测的系统技术方案

本发明专利技术公开了一种基于LSTM数据模块实现月平均水文流量预测的系统，包括如下步骤：步骤一，采集气象数据通过数据预处理模块构建水文流量数据模型；步骤二，通过LSTM数据模块中第一数据处理层对水文流量数据模型中预处理数据进行计算获得每日水文平均流量数据集；步骤三，通过LSTM数据模块中第二数据处理层对每日水文流量数据集进行计算获得月水文平均流量数据集；步骤四，通过如下公式对月水平平均数据集进行计算求出Nash检测系数，该方法该方法可以利用复杂的水文流量数据获得精准地每日平均流量预测，为提供准确的月平均水文流量数据奠定基础。

A System for Predicting Monthly Average Hydrological Flow

The invention discloses a system for realizing monthly average hydrological flow forecasting based on LSTM data module, which includes the following steps: first, collecting meteorological data and constructing hydrological flow data model through data preprocessing module; second, calculating the preprocessed data in hydrological flow data model through the first data processing layer of LSTM data module to obtain daily average hydrological flow. Data Set; Step 3, Monthly Hydrological Average Flow Data Set is obtained by calculating the Daily Hydrological Flow Data Set through the second data processing layer of LSTM Data Module; Step 4, Nash Detection Coefficient is obtained by calculating the Monthly Horizontal Average Data Set through the following formulas. This method can obtain precise daily average flow prediction using complex hydrological flow data. Provide accurate monthly average hydrological flow data to lay the foundation.

【技术实现步骤摘要】
一种基于实现月平均水文流量预测的系统
本申请属于将深度学习与强化学习和水文领域相结合，特别涉及一种基于LISM数据模块实现月平均水文流量预测的系统。
技术介绍
LSTM(LongShort-TermMemory)是长短期记忆网络，是RNN的一种特殊网络，在算法中加入了判断信息是否有用的门单元，是解决长序依赖问题的有效技术。RNN是神经网络里面的循环神经网络，是一类用于处理序列数据的神经网络，包括输入层、隐层和输出层，在层之间的神经元之间建立权连接。神经元模型是经过生物神经元抽象而来，神经元接受输入x1、x2、x3、x4等，通过带权重ω的连接进行传递，将总输入信号与神经元的阈值进行比较，最后通过激活函数处理确定是否激活。
技术实现思路
针对现有技术存在的问题，本专利技术提供一种一种基于LISM数据层实现月平均水文流量预测的方法，该方法可以利用复杂的水文流量数据获得精准地月平均每日流量预测，为提供准确的月平均水文流量数据奠定基础。本专利技术的技术方案:一种基于LSTM数据模块实现月平均水文流量预测的系统，包括如下步骤：步骤一，采集气象数据通过数据预处理模块构建水文流量数据模型；步骤二，通过LSTM数据模块中第一数据处理层对水文流量数据模型中预处理数据进行计算获得每日水文平均流量数据集；步骤三，通过LSTM数据模块中第二数据处理层对每日水文流量数据集进行计算获得月水文平均流量数据集；步骤四，通过如下公式对月水平平均数据集进行计算求出Nash检测系数所述LSTM数据模块中第一数据处理层包括如下步骤：2.1对第一数据处理层进行定义；2.2对步骤2.1的数据进行训练和预测；2.3通过MSE和Nash公式计算获得日流量参数；2.4判断日流量参数是否满足日调参数，如果满足输出日流量参数，否则返回步骤2.1。所述LSTM数据模块中第二数据处理层包括如下步骤：3.1对第二数据处理层进行定义；3.2对步骤3.1的数据进行训练和预测；3.3通过MSE和Nash公式计算获得月流量参数；3.4判断月流量参数是否满足月调参数，如果满足输出月流量参数，否则返回步骤3.1。与现有技术相比，本专利技术具有的优点：1、本专利技术使用LSTM重新建立模型，提高具有较大数据的水文流量预测的精确度和准确性。2、本专利技术使用循环神经网络RNN的LSTM方法对水文流量进行预测，比较适合数据量较大的情况。附图说明图1为本专利技术流程示意图。图2为本专利技术中数据预处理模块流程图。图3为本专利技术中LISM模块的第一层数据处理层流程图。图4为本专利技术中LISM模块的第二次数据处理层流程图。具体实施方式结合附图1对本专利技术的技术方案作进一步说明。如图1所示，本专利技术提供一种基于LSTM数据模块实现月平均水文流量预测的系统，包括如下步骤：步骤一101，采集气象数据通过数据预处理模块构建水文流量数据模型；水文流量预测中，当天的平均流量依赖于前些天的水文流量和气候条件，所以这是一个有时序条件的预测，而RNN是具有时序特点的神经网络，比较适合解决水文流量预测的问题。为了预测30天的平均每日流量，我们需要做两步，第一步把每日平均流量预测出来，第二步将30天的每日平均流量作为条件，去预测30天的平均每日流量。循环神经网络RNN的LSTM方法总体过程。如图2所示，数据处理模块采用如下步骤实施：1.1筛选可用气象数据和流量数据；1.2将气象数据和流量数据归一化；1.3将气象数据和流量数据转成有监督数据；1.4至少用7年数据做训练集，剩余7年数据做测试集。步骤二102，通过LSTM数据模块中第一数据处理层对水文流量数据模型中预处理数据进行计算获得每日水文平均流量数据集；即将相邻30天平均每日流量作为30天每日平均流量的标记整合成有监督数据如图3所示，所述LSTM数据模块中第一数据处理层包括如下步骤：2.1对第一数据处理层进行定义；2.2对步骤的数据进行训练和预测；2.3通过MSE和Nash公式计算获得日流量参数；2.4判断日流量参数是否满足日调参数，如果满足输出日流量参数，否则返回步骤2.1。其中，第一层LSTM目标是预测每日平均流量，需要的输入数据是气象数据和流量数据。气象数据包括：日期、平均气温、日最高气温、日最低气温、20-20时降水量、小型蒸发量、大型蒸发量、日照时长。输出数据是每日平均流量。预测方法是将前一天的气象数据和前一天的流量数据作为输入，预测第二天的平均流量。预测过程是先将获取到的数据进行整理，保留以上列举的气象数据，然后将气象数据和流量数据按照日期一一对应。其次，将所有气象数据和流量数据进行归一化处理，并转成有监督的数据集，即第一天的气象数据流量数据对应着第二天的流量数据。然后训练和预测水文流量，最后预测结果使用Nash系数和均方差来评估预测结果是否接近真实值。步骤三103，通过LSTM数据模块中第二数据处理层对每日水文流量数据集进行计算获得月水文平均流量数据集；即第二层求30天平均每日流量的LSTM层。如图4所示，第二层的数据中，训练集数据还是第一层设置的年数，第二层的测试集是第一天预测的每日流量数据。关于第二层为何测试集使用第一层的预测后的数据，是因为这样可以保证两层的训练数据和预测数据都是分开的，互不干扰，训练集都是已知的数据，两层LSTM后预测结果是三十天平均每日流量。所述LSTM数据模块中第二数据处理层包括如下步骤：3.1对第二数据处理层进行定义；3.2对步骤3.1的数据进行训练和预测；3.3通过MSE和Nash公式计算获得月流量参数；3.4判断月流量参数是否满足月调参数，如果满足输出月流量参数，否则返回步骤3.1。其中，数据筛选。这些数据首先需要整理在一个表格中，保留后的列为date(日期)、runoff(每日流量)、Mean_temp(平均气温)、Low_temp(最低气温)、High_temp(最高气温)、rain(20-20时降水量)、S_evaporation(小型蒸发量)、B_evaporation(大型蒸发量)、Sun_time(日照时长)。由于循环神经网络LSTM是时序的神经网络，所以我们需要将前一天的每日流量也作为预测第二天的条件进行输入。这样才能体现LSTM和其他类型的神经网络较为突出的时序的特点。他们是在时间上有联系的，第一天的每日流量对后一天的每日流量有很大影响。训练集和测试集的选取也是可以根据数据集大小来决定的，训练集一般设置较大一些，至少为7年的数据集。前7年作为训练集，余下的数据作为测试集；前8年作为训练集，余下的数据作为测试集；前10年作为训练集，余下的数据作为测试集。因为如果是6年以内做训练集，训练数据太少，最后的结果可能不是很理想，如果是超过10年作为训练集，剩下的数据量也比较小，容易发生过拟合的情况。接下来就是两层LSTM的训练和测试。第一层目标是，通过前一天的气象数据和流量数据，预测后一天的流量数据，所以条件是上述合并后的气象和流量数据，来预测每日流量。第二层的目标是，通过30天的流量数据，预测后移一天的三十天的每日平均流量数据，此时没有气象数据的输入了。步骤四104，通过如下公式对月水平平均数据集进行计算求出Nash检测系数。为了后面数据处理方便，加快网络学习的速度，可以对数据进行归一化，使样本的输入信号都在0-1之间分布。使本文档来自技高网...

【技术保护点】
1.一种基于LSTM数据模块实现月平均水文流量预测的系统，其特征在于，包括如下步骤：步骤一，采集气象数据通过数据预处理模块构建水文流量数据模型；步骤二，通过LSTM数据模块中第一数据处理层对水文流量数据模型中预处理数据进行计算获得每日水文平均流量数据集；步骤三，通过LSTM数据模块中第二数据处理层对每日水文流量数据集进行计算获得月水文平均流量数据集；步骤四，通过如下公式对月水平平均数据集进行计算求出Nash检测系数

【技术特征摘要】
1.一种基于LSTM数据模块实现月平均水文流量预测的系统，其特征在于，包括如下步骤：步骤一，采集气象数据通过数据预处理模块构建水文流量数据模型；步骤二，通过LSTM数据模块中第一数据处理层对水文流量数据模型中预处理数据进行计算获得每日水文平均流量数据集；步骤三，通过LSTM数据模块中第二数据处理层对每日水文流量数据集进行计算获得月水文平均流量数据集；步骤四，通过如下公式对月水平平均数据集进行计算求出Nash检测系数2.根据权利要求1所述的一种基于LSTM数据模块实现月平均水文流量预测的系统，其特征在于，所述LSTM数据模块中第一数据处理层包括如下...

【专利技术属性】
技术研发人员：李幼萌，霍琳琳，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12