【技术实现步骤摘要】
一种基于互信息的LSTM神经网络循环水文预报方法
本专利技术属于数据处理
，尤其涉及一种基于互信息的LSTM神经网络循环水文预报方法。
技术介绍
目前，最接近的现有技术：洪水作为自然灾害的一种，是水文学研究中不可或缺的一部分。洪水是由暴雨、急骤融冰化雪、风暴潮等自然因素引起的江河湖海水量迅速增加或水位迅猛上涨的水流现象。当发生洪水灾害时，会导致许多危险，其后果包括人类生命危险，运输和通信网络的干扰，建筑物和基础设施的破坏以及农作物的损失。因此，防洪减灾显得尤为重要。正确可靠的洪水预报是防洪减灾环节中提高对洪水灾害响应时间的最重要的手段之一。传统的方法主要包括概念方法和物理方法，因其具有明确的水文意义而被广泛接受和应用。虽然有些方法丰富了洪水预报的理论，但水文过程是一种非线性过程，不同流域的情况千差万别，很难模拟各流域洪水过程中复杂的物理关系。因此基于数据驱动的方法被引入水文预报，该方法通过对历史水文数据进行分析，应用各种人工智能算法进行模型构建与训练，使得这些模型具有一定程度的自我调节能力，从而提高洪水预报的准...
【技术保护点】
1.一种基于互信息的LSTM神经网络循环水文预报方法，其特征在于，所述基于互信息的LSTM神经网络循环水文预报方法包括以下步骤：/n第一步，通过互信息分析对原始数据进行筛选和分类，将降雨、水库水位、流量水文特征作为长短期记忆循环预测模型的输入特征；/n第二步，通过模拟降雨过程训练和确定LSTMC模型的结构，反映洪水的长期变化；/n第三步，利用实际洪水资料对模型的输出进行验证。/n
【技术特征摘要】
1.一种基于互信息的LSTM神经网络循环水文预报方法，其特征在于，所述基于互信息的LSTM神经网络循环水文预报方法包括以下步骤：
第一步，通过互信息分析对原始数据进行筛选和分类，将降雨、水库水位、流量水文特征作为长短期记忆循环预测模型的输入特征；
第二步，通过模拟降雨过程训练和确定LSTMC模型的结构，反映洪水的长期变化；
第三步，利用实际洪水资料对模型的输出进行验证。
2.如权利要求1所述的基于互信息的LSTM神经网络循环水文预报方法，其特征在于，所述第一步通过互信息分析对原始数据进行筛选和分类，将降雨、水库水位、流量水文特征作为长短期记忆循环预测模型的输入特征具体包括：降雨量数据采用反距离加权方法进行插值补全，流量和水库水位采用二次插值方法补全；使用已处理好的等时段的降雨量和流量数据，采用互信息方法进行求取各个雨量站的降雨量与水文站流量之间的互信息，互信息计算公式如下：
MI(X,Y)＝H(X)+H(Y)-H(X,Y)；
式中，X分别是一个离散随机变量，其样本大小为N，其值分别为x1,x2,…xN，概率为p(x1),p(x2),…p(xN)，H(X),H(Y)分别为X,Y的熵或信息量；X,Y在本发明中指降雨量或流量，MI(X,Y)为X,Y的互信息，H(X,Y)为X,Y的联合熵，pXY(x,y)为x,y的联合概率。
3.如权利要求2所述的基于互信息的LSTM神经网络循环水文预报方法，其特征在于，根据互信息的大小获取各个雨量站的权重，表达式如下：
式中，ri为第i个雨量站和流量之间的互信息，m为雨量站的总数，αi为第i个雨量站的权重，对个雨量站的降雨量进行加权求和。
4.如权利要求3所述的基于互信息的LSTM神经网络循环水文预报方法，其特征在于，处理过的水文数据，选定某一时刻，分析各年当前流量与之前不同时段降雨量的互信息，时段长度单位为1小时；根据降雨量与流量所获得的一组互信息ρ＝[ρ1,ρ2,…ρh]，确定互信息最大时对应的k时刻，通过模拟k时间差范围内的降雨量变化作为模型的一部分输入特征，公式如下：
Δxi＝xi-xi-p,(0≤p≤k)；
式中，xi为第i小时的降雨量，xi-p为第i小时前p小时的降雨量，获得一组输入特征变量x(t),x(t-1),…x(t-k)。
5.如权利要求4所述的基于互信息的LSTM神经网络循环水文预报方法，其特征在于，将获取到的输入特征数据与预测数据集进行归一化处理，采用Min-max标准化，其公式如下：
式中，为归一化处理后的第i个元素，Xi为待处理序列中的第i个元素，Xmax,Xmin分别为序列中的最大值与最小值，1≤i≤N，N为数据集的总数。
...
【专利技术属性】
技术研发人员：陈晨，梁肖旭，吕宁，周扬，肖凤林，李暨，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。