一种入库流量的预测方法、装置及电子设备制造方法及图纸

本公开公开了一种入库流量的预测方法、装置及电子设备，涉及人工智能领域，尤其涉及深度学习以及大数据技术领域。具体实现方法为：获取实际的入库流量数据，基于所述入库流量数据和时间模式注意力机制的长短期记忆网络TPA

【技术实现步骤摘要】
一种入库流量的预测方法、装置及电子设备


[0001]本公开涉及数据处理
，尤其涉及深度学习以及大数据


技术介绍

[0002]对于水电站来说，发电是主要经济效益来源，而水就是生产的原料。对进入水电站水库的入库流量进行精准预测，能够帮助水电站对防洪、发电计划调度工作进行合理安排，达到避免洪涝灾害和提升发电经济效益的目的。
[0003]然而，由于入库流量受诸多因素影响，且影响因素作用关系复杂、不易直接精准观测。因此，在根据相关技术对入库流量进行预测时，通常需要依据大量专业领域知识进行计算，且无法捕捉到降水的距离特性和降水累计特性等。这样一来，势必导致现有入库流量的预测方法存在效率低、准确性差的技术问题。因此，如何能够提高入库流量的预测过程中的效率和准确性，已成为了重要的研究方向之一。

技术实现思路

[0004]本公开提供了一种入库流量的预测方法、装置及电子设备。
[0005]根据本公开的一方面，提供了一种入库流量的预测方法，包括：
[0006]获取实际的入库流量数据，基于所述入库流量数据和时间模式注意力机制的长短期记忆网络TPA
‑
LSTM，获取影响入库流量预测的第一数值；
[0007]采集预测流域内的历史降水数据，并基于所述历史降水数据，获取所述预测流域的降水特征；
[0008]基于所述预测流域的降水特征获取影响入库流量预测的第二数值；
[0009]基于所述第一数值和所述第二数值，获取所述预测流域的预测入库流量。
[0010]根据本公开的另一方面，提供了一种入库流量的预测装置，包括：
[0011]第一数值获取模块，用于获取实际的入库流量数据，基于所述入库流量数据和时间模式注意力机制的长短期记忆网络TPA
‑
LSTM，获取影响入库流量预测的第一数值；
[0012]降水特征获取模块，用于采集预测流域内的历史降水数据，并基于所述历史降水数据，获取所述预测流域的降水特征；
[0013]第二数值获取模块，用于基于所述预测流域的降水特征获取影响入库流量预测的第二数值；
[0014]预测入库流量获取模块，用于基于所述第一数值和所述第二数值，获取所述预测流域的预测入库流量。
[0015]根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开第一方面所述的入库流量的预测方法。
[0016]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储
介质，所述计算机指令用于使所述计算机执行本公开第一方面所述的入库流量的预测方法。
[0017]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现本公开第一方面所述的入库流量的预测方法的步骤。
[0018]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0019]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0020]图1是一种入库流量影响因素的示意图；
[0021]图2是根据本公开第一实施例的示意图；
[0022]图3是根据本公开第二实施例的示意图；
[0023]图4是一种时间模式注意力机制的长短期记忆网络TPA
‑
LSTM的示意图；
[0024]图5是根据本公开第三实施例的示意图；
[0025]图6是根据本公开第四实施例的示意图；
[0026]图7是用来实现本公开实施例的入库流量的预测方法的入库流量的预测装置的框图；
[0027]图8是用来实现本公开实施例的入库流量的预测方法的入库流量的预测装置的框图；
[0028]图9是用来实现本公开实施例的入库流量的预测方法的电子设备的框图。
具体实施方式
[0029]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0030]以下对本公开的方案涉及的
进行简要说明：
[0031]数据处理(Data Processing)，是对数据的采集、存储、检索、加工、变换和传输。数据处理的基本目的是从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的人们来说是有价值、有意义的数据。数据处理是系统工程和自动控制的基本环节。数据处理贯穿于社会生产和社会生活的各个领域。数据处理技术的发展及其应用的广度和深度，极大地影响了人类社会发展的进程。
[0032]AI(Artificial Intelligence，人工智能)，是研究使计算机来模拟人生的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术，也有软件层面的技术。人工智能硬件技术一般包括计算机视觉技术、语音识别技术、自然语言处理技术以及及其学习/深度学习、大数据处理技术、知识图谱技术等几大方面。
[0033]DL(Deep Learning，深度学习)，是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标
是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
[0034]大数据(Big Data)，指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
[0035]需要说明的是，如图1所示，入库流量往往会受到降水、蒸发、土壤(直接影响地表径流、地下径流)、上游来水等诸多因素的综合影响。前述因素作用关系复杂，不少因素很难直接精准观测。
[0036]现有技术中，通常采用传统的水文模型，例如新安江模型等，实现入库流量的预测，但是基于现有技术无法通过数据分析方法实现入库流量的精准预测。
[0037]由此，本公开提出的入库流量的预测方法，综合考虑了自回归(Autoregressive，简称AR)影响和降水影响，使得能够基于大量的历史数据和可获取的监测数据，实现水电站等应用场景下的入库流量的精准预测，将带来显著的安全和经济价值。
[0038]下面参考附图描述本公开实施例的入库流量的预测方法、装置及电子设备。
[0039]图2是根据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种入库流量的预测方法，包括：获取实际的入库流量数据，基于所述入库流量数据和时间模式注意力机制的长短期记忆网络TPA
‑
LSTM，获取影响入库流量预测的第一数值；采集预测流域内的历史降水数据，并基于所述历史降水数据，获取所述预测流域的降水特征；基于所述预测流域的降水特征获取影响入库流量预测的第二数值；基于所述第一数值和所述第二数值，获取所述预测流域的预测入库流量。2.根据权利要求1所述的入库流量的预测方法，其中，所述基于所述预测流域的降水特征获取第二数值，包括：将所述降水特征输入多个一维卷积核中进行卷积处理，得到所述第二数值。3.根据权利要求1所述的入库流量的预测方法，其中，所述基于所述入库流量数据和TPA
‑
LSTM，获取影响入库流量预测的第一数值，包括：按照获取到的每组入库流量数据的采集时刻，生成时间序列；将所述时间序列输入所述TPA
‑
LSTM进行自注意力学习，得到所述第一数值。4.根据权利要求1
‑
3任一项所述的入库流量的预测方法，其中，所述采集预测流域内的历史降水数据，包括：获取属于所述预测流域内多个观测对象，最近N次降水的降水数据，作为所述历史降水数据，其中N为大于或者等于1的正整数。5.根据权利要求4所述的入库流量的预测方法，其中，所述基于所述历史降水数据，获取所述预测流域的降水特征，包括：针对任一个观测对象，基于每次降水的所述降水数据，获取所述每次降水的降水时刻和所述每次降水中出现的峰值；根据所述每次降水的降水时刻和所述峰值，获取所述每次降水的降水特征；基于所述N次降水的降水特征，生成所述观测对象的降水特征；基于每个所述观测对象的降水特征，生成所述预测流域的降水特征。6.根据权利要求5所述的入库流量的预测方法，其中，所述每次降水的降水特征，包括：所述峰值、所述降水时刻与当前时刻的时间距离、每次降水的降水总量、所述峰值的和值与所述时间距离的乘积以及所述降水总量与所述时间距离的乘积。7.根据权利要求6所述的入库流量的预测方法，其中，所述基于所述N次降水的降水特征，生成所述观测对象的降水特征，包括：基于所述每次降水的降水特征，获取所述N次降水的累计降水总量；将所述累计降水总量与所述N次降水的降水特征进行拼接，生成所述观测对象的降水特征。8.根据权利要求6所述的入库流量的预测方法，其中，所述每次降水的降水总量采用如下方式获取：获取所述峰值所属的降水尖峰，并获取所述所属的降水尖峰对应的降水量，对每个所述降水尖峰对应的降水量求和，得到所述每次降水的降水总量。9.一种入库流量的预测装置，包括：第一数值获取模块，用于获取实际的入库流量数据，基于所述入库流量数据和时间模
式注意力机制的长短期记忆网络TPA
‑
LSTM，获取影响入库流量预测的第一数值；降水特征获取模块，用于采集预测流域内的历史降水数据，并基于所述历史降水数据，获取所述预测流域的降水特征；第二数值获取模块，用于基于所述预测流域的降水特征获取...

【专利技术属性】
技术研发人员：许铭，解鑫，刘建林，刘颖，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：