一种基于LSTM的中小河流短期洪水预报方法技术

本发明专利技术公开了一种基于LSTM的中小河流短期洪水预报方法，通过使用历史水文数据，构建一种智能洪水预报模型，挖掘中小流域降雨‑径流的隐藏信息，在已知或未知的未来降雨基础上，预报未来短期的河流出口流量。首先，对水文历史数据进行预处理，包括数据缺失补全、归一化等；其次，构建LSTM模型，通过选定的训练集训练模型及调整参数提高模型精度；最后，通过模型在测试集的表现来评估模型性能。本发明专利技术的有益效果为：基于LSTM的洪水预报模型的预报精度优于传统的支持向量机模型，尤其在洪峰阶段本模型的峰现时间和峰值预报精度上有较大的提高。

【技术实现步骤摘要】
一种基于LSTM的中小河流短期洪水预报方法
本专利技术涉及数据驱动水流预报
，具体涉及一种基于LSTM的中小河流短期洪水预报方法。
技术介绍
传统洪水预报模型一般有明确的物理关系，但存在一定的问题：物理模型比较复杂，很难收集到建立模型所需的所有按时间空间分布的细节数据。而水文过程是一种非线性过程，很难通过物理模型准确模拟，尤其是中小流域具有复杂的水文特性、边界条件和活跃的人类活动等非线性影响因素，不同流域情况千差万别，所用的洪水预报模型一般又很难将各种复杂的情况都充分考虑。因此数据挖掘技术被引入洪水预报，数据挖掘技术从历史水文数据入手，多采取黑箱模型，引用各种智能算法对历史数据从多角度进行分析，并通过强大的仿真能力对水文现象成因进行模拟，一定程度上可以进行模型的自我调节，从而提高水文预报的准确度。经典的黑箱水文时间序列预报模型有自回归(AR：Auto-regressive)、移动平均(MA:Moving-Average)、自回归移动平均(ARMA：Auto-RegressiveandMovingAverage)、差分自回归移动平均(ARIMA:Auto-RegressiveIntegratedMovingAverage)、线性回归(LR:LinearRegression)和多元线性回归(MLR:MultipleLinearRegression)等模型，但上述模型不能很好的处理水文过程中出现的非平稳性和非线性等问题。因此，许多研究者使用数据驱动技术来做洪水预报，并且，传统的数据驱动洪水预报模型在具有非线性的水文过程应用上有较大的进展。经典的数据驱动模型主要有支持向量机(SVM)、人工神经网络(ANN)、模糊逻辑(FL)、进化计算(EC)和深度学习等模型，文献[Kisi,2007.Streamflowforecastingusingdifferentartificialneuralnetworkalgorithms.J.Hydrol.Eng.12,532–539.]使用4种改进的神经网络算法建立洪水预报模型，结果表明性能都优于基础的神经网络模型。文献[He,Z.,Wen,X.,Liu,H.,Du,J.,2014.Acomparativestudyofartificialneuralnetwork,adaptiveneurofuzzyinferencesystemandsupportvectormachineforforecastingriverflowinthesemiaridmountainregion.J.Hydrol.509,379–386.]采用了支持向量机、人工神经网络、自适应模糊逻辑等算法建立预报模型，结果表明应用在干旱地区支持向量机模型性能优于其他模型性能。基于数据驱动的洪水预报模型常采用人工神经网络(ANN)模型，但ANN具有局部最优、模型学习速度过慢、过拟合等问题以及模型训练中学习率，学习时间和终止标准等人为干预方式的缺陷和局限性。另一方面，ANN所有的输入和输出都是相互独立的，而水文过程变化受前期各因素变量影响较大，因此需要预报模型持有一个可以捕获之前计算信息的“记忆”能力。递归神经网络(RNN)的输出受之前的计算结果和当前的计算结果影响，鉴于此，RNN常用来模拟复杂水文时间序列。但是，由于较难学习远距离的信息，RNN的训练过程中可能碰到梯度消失/爆炸，因此提出LSTM(LongShort-TermMemory长短期记忆)方法来解决上述问题。并且，LSTM是当今自然语言处理领域的主导技术，在处理自然语言时，模型不仅要考虑当前词汇，而且还要考虑句子或甚至段落中的其他相邻词汇。具有这种上下文信息的数据称为连续数据，而时间序列数据是连续数据最流行的形式。受LSTM在机器翻译方面的成功影响，LSTM在水文时间序列预测方面的能力的探索也越来越多。
技术实现思路
针对现有技术上存在的不足，本专利技术的目的在于提出一种基于LSTM的中小河流短期洪水预报方法，具有较高的预报精度，尤其在洪峰阶段，峰现时间和洪水峰值的预报精度有较大提高。为了实现上述目的，本专利技术是通过如下的技术方案来实现：一种基于LSTM的中小河流短期洪水预报方法，其特征在于，包括以下步骤：步骤一，首先收集研究流域各站点的水文数据，然后把收集到的水文数据存入水文历史数据库；步骤二，对所述水文历史数据进行预处理，所述预处理包括数据的缺失补全、数据异常更正及数据归一化，然后把预处理后的数据根据留出法为训练集与测试集；步骤三，构建LSTM模型，使用训练集中数据训练LSTM模型，然后调节LSTM模型参数使LSTM模型收敛；步骤四，使用测试集数据评估LSTM模型性能；步骤五，将预处理后的当前水文数据作为LSTM模型输入，未来第k时刻流域出口断面流量为LSTM模型输出，即LSTM模型预报的未来第k小时流量；步骤六，定时更新预报模型，按照月度水文数据加入历史数据库，重复步骤一至五。上述的一种基于LSTM的中小河流短期洪水预报方法，在所述步骤一中，收集研究流域各站点的水文数据包括历史降雨数据、河流出口断面的历史流量数据及流域历史蒸发数据，采集的数据时间粒度为1小时，然后把数据存入历史数据库，所述历史数据库为Oracle数据库。上述的一种基于LSTM的中小河流短期洪水预报方法，在所述步骤二中，对水文历史数据进行预处理，其中数据的缺失补全采用时间维度上线性插值处理方式；数据异常指不合常理的数据，单个的异常数据采用同一站点前后时间的平均值替代，连续的异常数据采用同一时间相邻站点的平均值替代。上述的一种基于LSTM的中小河流短期洪水预报方法，在所述步骤二中，对所述水文历史数据进行预处理采用了数据归一化处理方法，所述归一化处理方法为Min-max标准化，公式为：其中，x*为归一化处理后的数据，x为待处理的原始数据，xmin为原始数据中的最小值，xmax为原始数据中的最大值，归一化处理后的数据值在0到1之间。上述的一种基于LSTM的中小河流短期洪水预报方法，在所述步骤二中，归一化处理后的数据划分为训练集和测试集，训练集和测试集为两个互斥的两个集合，划分方法为留出法，训练集和测试集划分比例为7:3。上述的一种基于LSTM的中小河流短期洪水预报方法，在所述步骤三中，构建LSTM模型，所述LSTM模型包括输入层、隐藏层和输出层，隐藏层有128个LSTM单元；所述隐藏层中的每个LSTM单元有三个控制单元状态的门，分别为输入门、遗忘门和输出门，所述输入门决定让多少新的信息加入到单元状态，所述遗忘门决定是否丢弃当前单元状态，所述输出门决定当前单元值是否输出。上述的一种基于LSTM的中小河流短期洪水预报方法，所述的LSTM单元公式如下：输入门：it＝σ(uixt+wiht-1+bi)遗忘门：ft＝σ(ufxt+wfht-1+bf)输出门：ot＝σ(uoxt+woht-1+bo)单元状态：ht＝ot*tanh(ct)其中，it、ft、ot、ct分别表示在t时刻输入门、遗忘门、输出门和LSTM单元的状态向量，表示t时刻用来更新LSTM单元状态的备选信息；同样的，ht-1、ht分别表示在t-1、t时刻输出门的状态向量；xt表示当前时刻单元输入；σ表示Sigmoid激活函数；ui本文档来自技高网...

【技术保护点】
1.一种基于LSTM的中小河流短期洪水预报方法，其特征在于，包括以下步骤：步骤一，首先收集研究流域各站点的水文数据，然后把收集到的水文数据存入水文历史数据库；步骤二，对所述水文历史数据进行预处理，所述预处理包括数据的缺失补全、数据异常更正及数据归一化，然后把预处理后的数据根据留出法划分为训练集与测试集；步骤三，构建LSTM模型，使用训练集中数据训练LSTM模型，然后调节LSTM模型参数使LSTM模型收敛；步骤四，使用测试集数据评估LSTM模型性能；步骤五，将预处理后的当前水文数据作为LSTM模型输入，未来第k时刻流域出口断面流量为LSTM模型输出，即LSTM模型预报的未来第k小时流量；步骤六，定时更新预报模型，按照月度水文数据加入历史数据库，重复步骤一至五。

【技术特征摘要】
1.一种基于LSTM的中小河流短期洪水预报方法，其特征在于，包括以下步骤：步骤一，首先收集研究流域各站点的水文数据，然后把收集到的水文数据存入水文历史数据库；步骤二，对所述水文历史数据进行预处理，所述预处理包括数据的缺失补全、数据异常更正及数据归一化，然后把预处理后的数据根据留出法划分为训练集与测试集；步骤三，构建LSTM模型，使用训练集中数据训练LSTM模型，然后调节LSTM模型参数使LSTM模型收敛；步骤四，使用测试集数据评估LSTM模型性能；步骤五，将预处理后的当前水文数据作为LSTM模型输入，未来第k时刻流域出口断面流量为LSTM模型输出，即LSTM模型预报的未来第k小时流量；步骤六，定时更新预报模型，按照月度水文数据加入历史数据库，重复步骤一至五。2.根据权利要求1所述的一种基于LSTM的中小河流短期洪水预报方法，其特征在于：在所述步骤一中，收集研究流域各站点的水文数据包括历史降雨数据、河流出口断面的历史流量数据及流域历史蒸发数据，采集的数据时间粒度为1小时，然后把数据存入历史数据库，所述历史数据库为Oracle数据库。3.根据权利要求1所述的一种基于LSTM的中小河流短期洪水预报方法，其特征在于：在所述步骤二中，对水文历史数据进行预处理，其中数据的缺失补全采用时间维度上线性插值处理方式；数据异常指不合常理的数据，单个的异常数据采用同一站点前后时间的平均值替代，连续的异常数据采用同一时间相邻站点的平均值替代。4.根据权利要求1或3所述的一种基于LSTM的中小河流短期洪水预报方法，其特征在于：在所述步骤二中，对所述水文历史数据进行预处理采用了数据归一化处理方法，所述归一化处理方法为Min-max标准化，公式为：其中，x*为归一化处理后的数据，x为待处理的原始数据，xmin为原始数据中的最小值，xmax为原始数据中的最大值，归一化处理后的数据值在0到1之间。5.根据权利要求1所述的一种基于LSTM的中小河流短期洪水预报方法，其特征在于：在所述步骤二中，归一化处理后的数据划分为训练集和测试集，训练集和测试集为两个互斥的两个集合，划分方法为留出法，训练集和测试集划分比例为7:3。6.根据权利要求1所述的一种基于LSTM的中小河流短期洪水预报方法，其特征在于：在所述步骤三中，构建LSTM模型，所述LSTM模型包括输入层、隐藏层和输出层，隐藏层有128...

【专利技术属性】
技术研发人员：冯钧，严乐，杭婷婷，邹希，周琦，洪毅，汪浩航，朱跃龙，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32