基于卷积神经网络的水位预测方法技术

本申请提供了基于卷积神经网络的水位预测方法，在获取待预测的目标水文参数之后，再对目标水文参数进行标准化处理，并根据卷积神经网络的输出，对当前时段之后的指定时段内，目标水文参数对应的水位值进行预测。结合起涨水位、上游水位、下游水位、上游水库下泄流量以及区间降水量的一种或多种，并利用卷积神经网络强大的特征提取能力，突破了传统水位预测方法的局限性，大大提升了水位预测的精度，可靠性高，具有广泛的适用范围。

【技术实现步骤摘要】
基于卷积神经网络的水位预测方法
本申请涉及人工智能
，尤其涉及一种基于卷积神经网络的水位预测方法。
技术介绍
对比文件1(CN201911269292.8)公开了一种基于循环神经网络和卷积神经网络的智能水位预测方法，基于从空间连续的多个水位站采集的海量数据，构建基于循环神经网络和卷积神经网络的水位预测模型，进行水位预测。但是对比文件1所述的水位预测方法，只是基于两个现有的网络叠加，简单地实现水位预测功能，具体而言，对比文件1的方法在得到水位样本数据之后，直接输入模型当中，并未对神经网络中不同网络层结构识别的主辅地位进行区分，也即没有考虑到不同网络层的权重对预测结果的影响，精度差，存在欠拟合和过拟合的弊端。基于此，本申请提出了一种基于卷积神经网络的水位预测方法，结合起涨水位、上游水位、下游水位、上游水库下泄流量以及区间降水量的一种或多种，并利用卷积神经网络强大的特征提取能力，突破了传统水位预测方法的局限性，大大提升了水位预测的精度，可靠性高，具有广泛的适用范围。
技术实现思路
本方案提供一种基于卷积神经网络的水位预测方法，结合起涨水位、上游水位、下游水位、上游水库下泄流量以及区间降水量的一种或多种，利用卷积神经网络强大的特征提取能力，限定卷积层的预设权重大于全连接层，提高了水位预测的鲁棒性，得到了更精确的识别结果。本方案提供了一种基于卷积神经网络的水位预测方法，包括：获取待预测的目标水文参数，目标水文参数包括起涨水位、上游水位、下游水位、上游水库下泄流量以及区间降水量的一种或多种；对目标水文参数进行标准化处理后，输入训练完的卷积神经网络中，其中，卷积神经网络包括依次连接的三层卷积层和两层全连接层，卷积层的预设权重大于全连接层的预设权重；根据卷积神经网络的输出，对当前时段之后的指定时段内，目标水文参数对应的水位值进行预测；其中，卷积神经网络基于在线剔除式过程进行训练。本方案的起涨水位、上游水位、下游水位、上游水库下泄流量以及区间降水量是影响水位的关键因素，选择性地将其作为输入参数的量化指标，极大地提高了模型预测的准确性；同时，卷积层用于进行卷积计算，目的是提取输入的不同特征，而全连接层用于把前边提取的特征综合起来，即本方案将目标水文参数先输入至卷积层，再通过全连接层，可以极大地提高目标水文参数的特征提取能力；而每个网络层的权重在特征提取过程中发挥着至关重要的作用，即参数在输入卷积神经网络时，随着网络层连接的先后顺序，特征提取能力由强至弱，故通过设置卷积层的预设权重大于全连接层的预设权重，可以进一步提高目标水文参数的特征提取能力，进而更大程度地保留了目标水文参数的数据特征，因此大大提高了模型的预测效果。不仅如此，卷积神经网络的网络层数目与模型训练过程中的迭代更新过程密切相关，本方案的模型训练过程详见下文。需要说明的是，随着卷积神经网络中网络层数目的增多，极易出现梯度消失和梯度爆炸问题。而当出现上述问题时，网络层的权重便会更新很慢，甚至会出现几乎不变的情况，此时卷积神经网络便会接近初始化情况，达不到训练的效果。本申请将卷积层的网络层数目设置为三层，全连接层的网络层数目设置为两层，避免了梯度消失和梯度爆炸等问题，在水位预测过程中，具有三层卷积层和两层全连接层数目的卷积神经网络具有较佳的预测效果。另外，本方案的在线剔除式过程，即在卷积神经网络训练过程中，增加新样本(本方案指实时水文参数)的同时会剔除一个旧样本(本方案指历史水文参数)以训练卷积神经网络，该过程能及时学习系统的特性，降低相关性较差的旧样本对计算精度的影响，保证本方案的卷积神经网络具有较强的实时性。优选地，本方案基于卷积神经网络的水位预测方法中卷积神经网络基于在线剔除式过程进行训练包括：获取历史水文参数对应的历史水位值，以及实时水文参数和对应的实时水位值；根据实时水文参数和剔除后的历史水文参数，获取预设数量的参考水文参数；将参考水文参数进行标准化处理，输入待训练的卷积神经网络；根据卷积神经网络的预测值与对应的实际水位值，确定预测误差百分比，并在预测误差百分比小于或等于预设阈值时，获得训练好的卷积神经网络；其中，预设数量的参考水文参数为固定值。正如上文所述，本方案在卷积神经网络的训练过程中，不断增加实时水文参数，并剔除历史水文参数以训练卷积神经网络，提高了水位预测的精度。需要说明的是，本方案虽不断实时获取水文参数，但输入至卷积神经网络中的参考水文参数数量为固定值，即保持不变，这样降低了相关性较差的历史水文参数对水位预测精度的影响，提高了卷积神经网络水位预测的实时性。另外，本方案采用如上训练步骤，将预测误差百分比作为模型性能评估指标，可以得到输出误差最小的卷积神经网络，提高了水位预测的精度。优选地，本方案基于卷积神经网络的水位预测方法中预测误差百分比包括预测误差最大百分比和平均绝对值百分比误差，预测误差最大百分比和平均绝对值百分比误差分别根据公式(1)和公式(2)确定：其中，Emax为预测误差最大百分比，MAPE为平均绝对值百分比误差，n为测试集数目，yact(i)为第i时刻的实际水位值，ypred(i)为第i时刻的预测值。本方案采用预测误差最大百分比和平均绝对值百分比误差作为模型评估指标，可以得到输出误差最小的卷积神经网络，提高了水位预测的精度。优选地，本方案基于卷积神经网络的水位预测方法中，将参考水文参数进行标准化处理，输入待训练的卷积神经网络之前，还包括：对卷积层和全连接层的权重进行初始化处理，得到对应预设权重，其中，根据均值为0，标准差为1的正态分布随机数对卷积层的权重进行初始化处理。需要说明的是，卷积神经网络通过对权重的不断迭代更新，以达到较好的性能，而上述迭代更新过程与网络层的权重密切相关，不好的权重仍会导致模型训练过程中的梯度消失和梯度爆炸等问题。本方案对卷积层和全连接层的权重进行初始化处理，可以加快卷积神经网络的收敛速度。值得注意的是，本方案采用均值为0，标准差为1的正态分布随机数对卷积层的权重进行初始化处理，而不直接将预设权重设置为0，是为了避免神经网络在迭代过程中，网络层的权重具有相同的值。优选地，本方案基于卷积神经网络的水位预测方法，卷积神经网络还包括修正单元，所述将参考水文参数进行标准化处理，输入待训练的卷积神经网络之后，还包括：当预测误差百分比大于预设阈值时，根据修正单元对卷积神经网络进行修正，不断迭代，直至预测误差百分比小于或等于预设阈值；其中，修正单元包括模型误差修正子单元、模型参数修正子单元、模型输入修正子单元、模型状态修正子单元的一种或多种。优选地，当预测误差百分比大于预设阈值时，根据修正单元对卷积神经网络进行修正，不断迭代，直至预测误差百分比小于或等于预设阈值，包括：使用Adam优化算法对卷积层和全连接层的预设权重进行更新，不断迭代，直至预测误差百分比小于或等于预设阈值；其中，Ada本文档来自技高网...

【技术保护点】
1.基于卷积神经网络的水位预测方法，其特征在于，所述方法包括：/n获取待预测的目标水文参数，目标水文参数包括起涨水位、上游水位、下游水位、上游水库下泄流量以及区间降水量的一种或多种；/n对目标水文参数进行标准化处理后，输入训练完的卷积神经网络中，其中，卷积神经网络包括依次连接的三层卷积层和两层全连接层，卷积层的预设权重大于全连接层的预设权重；/n根据卷积神经网络的输出，对当前时段之后的指定时段内，目标水文参数对应的水位值进行预测；/n其中，卷积神经网络基于在线剔除式过程进行训练。/n

【技术特征摘要】
1.基于卷积神经网络的水位预测方法，其特征在于，所述方法包括：
获取待预测的目标水文参数，目标水文参数包括起涨水位、上游水位、下游水位、上游水库下泄流量以及区间降水量的一种或多种；
对目标水文参数进行标准化处理后，输入训练完的卷积神经网络中，其中，卷积神经网络包括依次连接的三层卷积层和两层全连接层，卷积层的预设权重大于全连接层的预设权重；
根据卷积神经网络的输出，对当前时段之后的指定时段内，目标水文参数对应的水位值进行预测；
其中，卷积神经网络基于在线剔除式过程进行训练。


2.根据权利要求1所述的基于卷积神经网络的水位预测方法，其特征在于，卷积神经网络基于在线剔除式过程进行训练包括：
获取历史水文参数和对应的历史水位值，以及实时水文参数和对应的实时水位值；
根据实时水文参数和剔除后的历史水文参数，获取预设数量的参考水文参数；
将参考水文参数进行标准化处理，输入待训练的卷积神经网络；
根据卷积神经网络的预测值与对应的实际水位值，确定预测误差百分比，并在预测误差百分比小于或等于预设阈值时，获得训练好的卷积神经网络；
其中，预设数量的参考水文参数为固定值。


3.根据权利要求2所述的基于卷积神经网络的水位预测方法，其特征在于，预测误差百分比包括预测误差最大百分比和平均绝对值百分比误差，预测误差最大百分比和平均绝对值百分比误差分别根据公式(1)和公式(2)确定：






其中，Emax为预测误差最大百分比，MAPE为平均绝对值百分比误差，n为测试集数目，yact(i)为第i时刻的实际水位值，ypred(i)为第i时刻的预...

【专利技术属性】
技术研发人员：姬战生，章国稳，张振林，黄薇，杨云，王英英，邱超，孟健，
申请(专利权)人：杭州市水文水资源监测中心，
类型：发明
国别省市：浙江;33