一种基于LSTM深度学习的河流水温预测方法技术

本发明专利技术公开一种基于LSTM深度学习的河流水温预测方法，属于水文模型技术领域，通过收集某河流历史逐日气温、流量和水温资料；将时间序列划分为训练集和测试集，对数据进行正则化处理；基于训练集数据，利用气温和流量作为输入因子，水温为输出因子，构建基于长短期记忆神经网络LSTM的水温预测模型；将测试集气温和流量输入训练好的模型，并通过反正则化处理得到测试集水温预测结果；对比测试集水温预测值和观测值，以平均绝对误差MAE、均方根误差RMSE、纳什效率系数NSE和决定系数R

【技术实现步骤摘要】
一种基于LSTM深度学习的河流水温预测方法
本专利技术属于水文模型
，具体涉及一种基于LSTM深度学习的河流水温预测方法。
技术介绍
水温是河流生态系统中的重要的水质因子和河流生境变量，影响着水生生物和生物地球化学过程。可靠的水温预测对环境影响评估和水生生态系统保护意义重大。水温模型主要分为物理模型和统计模型两类。物理模型侧重于描述河流热交换过程的物理机制，具有较高的精度和可解释性，但需要收集大量的基础数据。统计模型利用统计分析、数据挖掘等构建水温与气温、流量等变量之间的关系来预测水温，应用简便。由于水温受到气候变化和人类活动等多因素影响，现行传统机器学习水温预测方法所能达到的精度有限。近年来，深度学习因其预报精度高在气象、水文预测等众多领域发展迅速，但鲜有深度学习用于河流水温预测。
技术实现思路
专利技术目的：本专利技术的目的在于提供一种基于LSTM深度学习的河流水温预测方法，利用气温和流量作为输入因子，构建LSTM深度学习水温模型，从而获得高精度、可靠的水温预测结果。技术方案：为实现上述专利技术目的，本专利技术采用如下技术方案：一种基于LSTM深度学习的河流水温预测方法，包括如下步骤：1)收集某河流水文和气象数据，包括逐日气温AT、逐日流量Q和逐日水温WT时间序列yo；2)选取时间序列yo分别作为训练集和测试集，并完成正则化处理，正则化后的时间序列为yo′；3)基于正则化后的时间序列为yo′的训练集部分，将逐日气温AT和逐日流量Q作为输入因子，逐日水温WT为输出因子，构建长短期记忆神经网络LSTM水温预测模型；4)基于正则化后的时间序列为yo′的测试集部分，将逐日气温AT和逐日流量Q输入训练好的网络中，通过反正则化处理得到测试集逐日水温WT预测结果yp；5)对比步骤4)得到的预测结果yp和步骤1)中收集的测试集逐日水温WT时间序列yo，以平均绝对误差MAE、均方根误差RMSE、纳什效率系数NSE和决定系数R2作为检验标准，验证模型合理性。进一步地，步骤2)中，所述的选取时间序列yo是选取前70％长度的时间序列yo作为训练集，剩余30％长度的时间序列yo作为测试集。进一步地，步骤2)中，所述的完成正则化处理的计算公式为：其中，xraw表示原始变量；xnorm是正则化后的变量；表示x的平均值，σx表示x的标准偏差。进一步地，步骤3)中，所述的长短期记忆神经网络LSTM水温预测模型通过遗忘门ft、输入门it和输出门ot控制LSTM层记忆单元数据信息的流动，包括如下步骤：3.1)基于正则化后的时间序列为yo′的训练集部分，输入当前时刻t的逐日气温AT和逐日流量Q构成的矩阵xt和t-1时刻的记忆单元隐含状态向量ht-1至ft，ht-1封装和汇总了t-2时刻出现的所有信息，ft控制着数据信息的遗忘或保留：ft＝σ(Wf[xt,ht-1]+bf)(II)；其中，Wf为遗忘门权重矩阵，bf为遗忘门偏置，σ(·)表示Sigmoid激活函数；3.2)输入门it由sigmoid层和tanh层两部分组成，sigmoid层更新当前输入信息，tanh层生成新的记忆单元中间状态向量用于更新记忆单元状态：it＝σ(Wi[xt,ht-1]+bi)(III)；其中，Wi表示输入门权重矩阵，表示单元状态权重矩阵，bi和分别为输入门和单元状态偏置，tanh(·)表示双曲正切函数；3.3)更新t时刻记忆单元状态ct：其中，ct-1表示t-1时刻记忆单元状态，⊙表示两个向量元素间的乘积；3.4)输出门ot控制着长期记忆对t时刻输出的影响：ot＝σ(Wo[xt,ht-1]+bo)(VI)；其中，Wo为输出门权重矩阵，bo为输出门偏置；35)输出门ot和t时刻记忆单元状态ct共同决定t时刻记忆单元输出yt：ht＝tanh(ct)⊙ot(VII)；yt＝Wyht+by(VIII)；其中，ht为t时刻的记忆单元隐含状态向量，Wy为单元输出权重矩阵和by为单元输出偏置。进一步地，步骤3)中，所述的长短期记忆神经网络LSTM水温预测模型由输入层、LSTM层、全连接层和输出层组成，LSTM层和全连接层采用dropout方法舍弃两层间的部分连接以避免过拟合，dropout值采用经验值0.5。进一步地，所述的步骤5)包括如下步骤：采用平均绝对误差MAE、均方根误差RMSE、纳什效率系数NSE和决定系数R2误差指标验证模型精度，公式为：其中，n表示测试集水温时间序列长度。MAE和RMSE值越小，NSE和R2值越接近于1，表示模型精度越高。有益效果：本专利技术与现有技术相比，利用LSTM深度学习模型对河流水温进行预测，提高了水温预测精度，对河流生态系统管理和保护具有重要意义；本专利技术的预测方法稳定可靠，训练好的模型可直接用于未来水温预测应用中，应用简便。附图说明图1为本专利技术的流程图；图2为本专利技术中长短期记忆神经网络LSTM模型结构图；图3为本专利技术实施例中不同模型误差对比图。具体实施方式为了使本专利技术的目的、技术方案、目的和效果更加清楚，以下结合具体实施例和说明书附图对本专利技术作进一步详细介绍。一种基于LSTM深度学习的河流水温预测方法，包括如下步骤：1)收集某河流水文和气象数据，包括逐日气温AT、逐日流量Q和逐日水温WT时间序列yo；2)选取时间序列yo分别作为训练集和测试集，并完成正则化处理，正则化后时间序列为yo′；3)基于正则化后的时间序列为yo′的训练集部分，将逐日气温AT和逐日流量Q作为输入因子，逐日水温WT为输出因子，构建长短期记忆神经网络LSTM水温预测模型；4)基于正则化后的时间序列为yo′的测试集部分，将逐日气温AT和逐日流量Q输入训练好的网络中，通过反正则化处理得到测试集逐日水温WT预测结果yp；5)对比步骤4)得到的预测结果yp和步骤1)中收集的测试集逐日水温WT时间序列yo，以平均绝对误差MAE、均方根误差RMSE、纳什效率系数NSE和决定系数R2作为检验标准，验证模型合理性。步骤2)中，选取时间序列yo是选取前70％长度的时间序列yo作为训练集，剩余30％长度的时间序列yo作为测试集。步骤2)中，完成正则化处理的计算公式为：其中，xraw表示原始变量；xnorm是正则化后的变量；表示x的平均值，σx表示x的标准偏差。步骤3)中，长短期记忆神经网络LSTM水温预测模型通过遗忘门ft、输入门it和输出门ot控制LSTM层记忆单元数据信息的流动，包括如下步骤：3.1)基于正则化后的时间序列为yo′的训练集部分，输入当前时刻t的逐日气温AT和逐日流量Q构成的矩阵xt和t-1时刻的记忆单元隐含状态向量h本文档来自技高网...

【技术保护点】
1.一种基于LSTM深度学习的河流水温预测方法，其特征在于，包括如下步骤：/n1)收集某河流水文和气象数据，包括逐日气温AT、逐日流量Q和逐日水温WT时间序列y

【技术特征摘要】
1.一种基于LSTM深度学习的河流水温预测方法，其特征在于，包括如下步骤：
1)收集某河流水文和气象数据，包括逐日气温AT、逐日流量Q和逐日水温WT时间序列yo；
2)选取时间序列yo分别作为训练集和测试集，并完成正则化处理，正则化后的时间序列为yo′；
3)基于正则化后的时间序列为yo′的训练集部分，将逐日气温AT和逐日流量Q作为输入因子，逐日水温WT为输出因子，构建长短期记忆神经网络LSTM水温预测模型；
4)基于正则化后的时间序列为yo′的测试集部分，将逐日气温AT和逐日流量Q输入训练好的网络中，通过反正则化处理得到测试集逐日水温WT预测结果yp；
5)对比步骤4)得到的预测结果yp和步骤1)中收集的测试集逐日水温WT时间序列yo，以平均绝对误差MAE、均方根误差RMSE、纳什效率系数NSE和决定系数R2作为检验标准，验证模型合理性。


2.根据权利要求1所述的一种基于LSTM深度学习的河流水温预测方法，其特征在于，步骤2)中，所述的选取时间序列yo是选取前70％长度的时间序列yo作为训练集，剩余30％长度的时间序列yo作为测试集。


3.根据权利要求1所述的一种基于LSTM深度学习的河流水温预测方法，其特征在于，步骤2)中，所述的完成正则化处理的计算公式为：



其中，xraw表示原始变量；xnorm是正则化后的变量；表示x的平均值，σx表示x的标准偏差。


4.根据权利要求3所述的一种基于LSTM深度学习的河流水温预测方法，其特征在于，步骤3)中，所述的长短期记忆神经网络LSTM水温预测模型通过遗忘门ft、输入门it和输出门ot控制LSTM层记忆单元数据信息的流动，包括如下步骤：
3.1)基于正则化后的时间序列为yo′的训练集部分，输入当前时刻t的逐日气温AT和逐日流量Q构成的矩阵xt和t-1时刻的记忆单元隐含状态向量ht-1至ft，ht-1封装和汇总了t-2时刻出现的所有信息，ft控制着数据信息的遗忘或保留：
ft＝σ...

【专利技术属性】
技术研发人员：王远坤，邱如健，王栋，陶雨薇，吴吉春，
申请(专利权)人：南京大学，
类型：发明
国别省市：江苏;32