一种基于注意力机制和LSTM的径流预测方法技术

本发明专利技术公开了一种利用深度学习算法，采用基于注意力机制和LSTM的径流预测方法。首先收集流域内与径流相关的影响特征，然后构建特征与径流量互相对应的时间序列数据集，通过训练就能得到基于注意力机制和LSTM的径流预测模型，根据得到的径流预测模型就可以对以后的径流量进行预测。同时，考虑到LSTM在记忆长期的序列模式时会忽略一些短期的重要特征，所以加入注意力机制，选择性的关注径流序列中的关键要素，提高了LSTM捕获有效特征的能力，因而具有较高的预测精度。此外，本发明专利技术使用以数据驱动的深度学习方法，减少了对于流域内部水文物理机制的依赖性，有效扩大了模型的适用范围。

A Runoff Prediction Method Based on Attention Mechanism and LSTM

【技术实现步骤摘要】
一种基于注意力机制和LSTM的径流预测方法
本专利技术属于水文水资源领域，更为具体地讲，涉及一种基于注意力机制和LSTM的深度神经网络来预测径流的变化。
技术介绍
水资源是地球生命的主要载体，是支持社会经济发展、生态文明进步的重要自然资源之一。水资源与其它资源不同在于，它是一种随着时间、空间的变化而变化的动态性资源。我国幅员辽阔，由于水资源在时空上分布极其不均衡，这会导致部分地区气候干早、少雨，而另一些区域则会出现洪涝等自然灾害。如南水北调工程就是为了解决北方一些地区缺水而建设的。因此水资源管理与保护、规划与利用至关重要。水资源管理具体到某一区域来说，准确预估未来几十年间的河流径流量变化趋势，是可持续性水资源配置与管理的重要组成部分。河流径流是指从雨水，融雪，地下水等来源进入河水系统的所有水。径流包括在陆地流入水系统的水，下沉到土壤中加入水系统的水，以及从河流流向大海或海洋等较大水体的水。所以准确的径流预测对于水利基础设施运行、防洪、大坝建设规划、水库运行、饮用水分配、航运规划等水资源规划管理活动具有极其重要的意义。传统的径流预测方法主要依赖于水文模型。其主要是从径流形成的物理机制来本文档来自技高网...

【技术保护点】
1.一种基于注意力机制和LSTM的径流预测方法，其特征在于，包括以下步骤：(1)、收集研究流域内各个气象站点与径流密切相关的特征，如流域内降水、气温、蒸散发等；(2)、数据预处理，统计各个站点收集到的数据，并对缺失值进行补全，由于输入的数据之间数量级有时候差别较大，采用离差标准化方法对输入数据进行归一化，其转换公式为：

【技术特征摘要】
1.一种基于注意力机制和LSTM的径流预测方法，其特征在于，包括以下步骤：(1)、收集研究流域内各个气象站点与径流密切相关的特征，如流域内降水、气温、蒸散发等；(2)、数据预处理，统计各个站点收集到的数据，并对缺失值进行补全，由于输入的数据之间数量级有时候差别较大，采用离差标准化方法对输入数据进行归一化，其转换公式为：其中，X*为归一化后的数据，其范围在[0,1]，X为原始数据，Xmax为原始数据的最大值，Xmin为原始数据的最小值；(3)、建立含注意力机制的LSTM模型；深度网络分为三个部分，首先是注意力机制组件，用来对输入的序列在时间上对短期重要特征更关注；其次是LSTM网络，通过LSTM网络对径流进行时间序列的建模，并在每个时刻进行输出；最后是全连接网络，对LSTM编码的多维状态向量转化为每个时刻的径流量；其他激活函数使用指数线性激活函数elu，最后一层的激活函数使线性激活函数linear；(4)、模型训练；将数据划分为训练集和测试集，使用训练集输入模型进行训练，损失函数使用平方根误差，优化器使用adam优化器，进行多次迭代使模型拟合并达到最优；(5)、使用训练好的模型在测试集上进行测试，根据真实数据对预测结果进行评估。2.根据权利要求1所述的径流预测方法，其特征在于，步骤(3)中，所述的建立含注意力机制的LSTM模型，和步骤(4)中，所述的神经网络模型训练：2.1)、模型主要由三部分组成，首先是建立LSTM网络，通过LSTM网络对径流进行时间序列建模，并在每个时刻进行输出；每个神经元的输入为当前时刻网络的输入xt、上一时刻的输出值ht-1以及上一时刻的单元状态ct-1，神经元的输出为当前时刻输出值ht和当前时刻的单元状态为ct；三种门控单元分别为遗忘门ft，决定了上一时刻的单元状态ct-1有多少保留到当前时刻ct，输入门it，决定了当前时刻网络的输入xt有多少保...

【专利技术属性】
技术研发人员：杨勤丽，吴宏财，邵俊明，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51