一种河流流量预测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种河流流量预测方法、装置、设备及存储介质，其中，该方法包括：获取目标水文站的上游水文站的指定历史相关信息和支流水文站的指定历史相关信息；获取距离该目标水文站预定范围内的指定历史降雨信息；获取目标水文站的指定历史流量信息；根据上游水文站的指定历史相关信息、支流水文站的指定历史相关信息、指定历史降雨信息以及该目标水文站的指定历史流量信息计算时间滞后信息；获取上游水文站的相关信息和支流水文站的相关信息；获取该预定范围内的降雨信息；根据上游水文站的相关信息、支流水文站的相关信息、降雨信息以及时间滞后信息预测目标水文站的未来流量信息，解决了现有技术中河流流量预测方法准确度低的问题，提高了其准确度。

【技术实现步骤摘要】
一种河流流量预测方法、装置、设备及存储介质
本专利技术涉及河流流量预测
，具体涉及一种河流流量预测方法、装置、设备及存储介质。
技术介绍
水文情报的预报预测一直是各国在自然环境管理中关注的重点。我国也在近些年来不断的增设具有自动化监测设备的水情站，包括水文站、水位站、雨量站，来完善对河流湖库水文情况的收集。而在水情数据的应用方面，除了利用第一监测数据做分析评定之外，很重要的一块就是利用实时监测数据来预判未来的水情变化情况和趋势，从而为用水调度、洪旱管理、水工实施等决策提供科学支撑。而在水情预报预测中，核心的目标之一就是流量预测。目前流量预测主要有两种方式，一是通过机理模型，通过边界条件设定和参数率定实现对目标流域水动力的仿真模拟，进而通过预测的模拟边界条件的输入来达到预报目的。应用较多的如河道水力分析(HEC－RAS)模型；另一种是通过统计模型，通过对数据之间相关性和/或自身变化趋势和规律的拟合，来对未来进行预测。比如PearsonIII型曲线。水环境领域各指标因子大多存在着机理上的直接或间接关系，比如降雨会通过地表径流的形式影响河流流量。但由于自然环境的复杂性，这种关系目前很难用生物化机理来完全概化，反而利用机器学习的方法，可以对数值之间的规律和关系进行黑箱归纳，进而应用于预测预报等需求。而随着近些年自动站的广泛建设，数据流传输的稳定，数据质量的提高、监测指标的完善、数据量级的增大都为基于统计模型的深度学习算法在流量预测上提供了良好的土壤。一些需要大数据的网络模型，比如卷积网络，长短期记忆网络(LongShort－TermMemory，简称为LSTM)等都在流量预测上取得了较为成功的应用。随着机器学习模型在各行业的广泛应用，其在水环境的流量预测上也有了一些成果。例如根据多断面水位，基于BP神经网络模型来预测河流流量；或者根据流量相关的特征因素，基于卷积网络来预测河流流量等。前者考虑到了河流上下游之间的监测水位和流量存在着相似的变化规律(关联性)，用同一时间测量的、所求水文站上游相邻水文站的水位数据构成一组自变量，通过BP神经网络匹配和拟合对应时间的流量，形成网络模型。进而通过水位－流量的关系曲线来实现对河流流量的预测。后者先筛选和流量数据强相关的因素构成特征，再生成时序数据样本训练模型，进而用于流量预测。上述两种方式分别从空间层面的上下游关系和多变量相关性的角度进行了河流流量预测的探索，但存在下述问题：1.其忽略了各因素在时间上的延迟问题。比如，在2020年6月20日左右受近日强降雨影响，长江上游水位持续上涨，三峡大坝至6月21日水位已超出防洪警戒线。而此时，对于长江下游的水文站来说，由于流量传输距离和河道上一系列闸坝限流等因素，上游流量的影响会延迟一段时间才能传递过来。对于流量预测而言，其一这种混合了空间上传递延迟和人为因素的情景是很难用机理模型精确模拟出来的；其二也很难通过上述两种网络模型确定上下游监测数据之间的相关性来进行预测。2.只考虑了上下游监测断面，但下游监测断面的流量会受到上游和支流的多方影响。比如贵州境内的赤水河，其支流为该河下游总监测流量贡献了一半的流量，导致该河上下游监测数据上只有弱相关性，无法用于预测模拟。因此，如何设计高效、准确的河流流量预测方法成为了本领域技术人员亟待解决的技术问题和始终研究的重点。
技术实现思路
有鉴于此，本专利技术实施例提供了一种河流流量预测方法、装置、设备及存储介质，以解决现有技术中河流流量预测方法准确度低的问题。为此，本专利技术实施例提供了如下技术方案：本专利技术第一方面，提供了一种河流流量预测方法，包括如下步骤：获取目标水文站的上游水文站的指定历史相关信息和支流水文站的指定历史相关信息；所述上游水文站的指定历史相关信息包括所述上游水文站的指定历史流量信息和/或所述上游水文站的指定历史水位信息；所述支流水文站的指定历史相关信息包括所述支流水文站的指定历史流量信息和/或所述支流水文站的指定历史水位信息；获取距离所述目标水文站预定范围内的指定历史降雨信息；获取所述目标水文站的指定历史流量信息；根据所述上游水文站的指定历史相关信息、所述支流水文站的指定历史相关信息、所述指定历史降雨信息以及所述目标水文站的指定历史流量信息计算时间滞后信息；获取所述上游水文站的相关信息和所述支流水文站的相关信息；所述上游水文站的相关信息包括所述上游水文站的流量信息和/或所述上游水文站的水位信息；所述支流水文站的相关信息包括所述支流水文站的流量信息和/或所述支流水文站的水位信息；获取所述预定范围内的降雨信息；根据所述上游水文站的相关信息、所述支流水文站的相关信息、所述降雨信息以及所述时间滞后信息预测所述目标水文站的未来流量信息。可选地，根据所述上游水文站的指定历史相关信息、所述支流水文站的指定历史相关信息、所述指定历史降雨信息以及所述目标水文站的指定历史流量信息计算时间滞后信息包括：将所述目标水文站的指定历史流量信息对应的时间节点t的lag值记为0；将时间节点t-n的lag值记为2n；其中，n表示1至|logm|之间的整数；m为允许最大延迟量；从时间节点t-n对应的多个上游水文站的历史相关信息中选择与所述目标水文站的指定历史流量信息相关度最高的所述上游水文站的指定历史相关信息；获取所述上游水文站的指定历史相关信息对应的lag值；根据所述上游水文站的指定历史相关信息对应的lag值计算第一时间滞后信息；从时间节点t-n对应的多个支流水文站的历史相关信息中选择与所述目标水文站的指定历史流量信息相关度最高的所述支流水文站的指定历史相关信息；获取所述支流水文站的指定历史相关信息对应的lag值；根据所述支流水文站的指定历史相关信息对应的lag值计算第二时间滞后信息；从时间节点t-n对应的多个历史降雨信息中选择与所述目标水文站的指定历史流量信息相关度最高的所述指定历史降雨信息；获取所述指定历史降雨信息对应的lag值；根据所述指定历史降雨信息对应的lag值计算第三时间滞后信息；根据所述第一时间滞后信息、第二时间滞后信息以及第三时间滞后信息得到所述时间滞后信息。可选地，所述方法还包括：获取上游水文站的历史相关信息、支流水文站的历史相关信息以及所述预定范围内的历史降雨信息；将所述上游水文站的历史相关信息、支流水文站的历史相关信息以及所述预定范围内的历史降雨信息输入至第一神经网络模型，补全未来预定天数的所述目标水文站的流量信息和降雨信息；其中，所述第一神经网络模型包括以下之一：长短期记忆神经网络模型、循环神经网络模型、多层前馈网络模型、卷积网络模型、小波包网络模型。可选地，获取所述上游水文站的相关信息和所述支流水文站的相关信息之后，所述方法还包括：判断所述上游水文站的相关信息和所述支流水文站的相关信息是否属于预设合理范围；在上游水文站的相关信息和支流水文本文档来自技高网...

【技术保护点】
1.一种河流流量预测方法，其特征在于，包括如下步骤：/n获取目标水文站的上游水文站的指定历史相关信息和支流水文站的指定历史相关信息；所述上游水文站的指定历史相关信息包括所述上游水文站的指定历史流量信息和/或所述上游水文站的指定历史水位信息；所述支流水文站的指定历史相关信息包括所述支流水文站的指定历史流量信息和/或所述支流水文站的指定历史水位信息；/n获取距离所述目标水文站预定范围内的指定历史降雨信息；/n获取所述目标水文站的指定历史流量信息；/n根据所述上游水文站的指定历史相关信息、所述支流水文站的指定历史相关信息、所述指定历史降雨信息以及所述目标水文站的指定历史流量信息计算时间滞后信息；/n获取所述上游水文站的相关信息和所述支流水文站的相关信息；所述上游水文站的相关信息包括所述上游水文站的流量信息和/或所述上游水文站的水位信息；所述支流水文站的相关信息包括所述支流水文站的流量信息和/或所述支流水文站的水位信息；/n获取所述预定范围内的降雨信息；/n根据所述上游水文站的相关信息、所述支流水文站的相关信息、所述降雨信息以及所述时间滞后信息预测所述目标水文站的未来流量信息。/n

【技术特征摘要】
20201130 CN 20201137411061.一种河流流量预测方法，其特征在于，包括如下步骤：
获取目标水文站的上游水文站的指定历史相关信息和支流水文站的指定历史相关信息；所述上游水文站的指定历史相关信息包括所述上游水文站的指定历史流量信息和/或所述上游水文站的指定历史水位信息；所述支流水文站的指定历史相关信息包括所述支流水文站的指定历史流量信息和/或所述支流水文站的指定历史水位信息；
获取距离所述目标水文站预定范围内的指定历史降雨信息；
获取所述目标水文站的指定历史流量信息；
根据所述上游水文站的指定历史相关信息、所述支流水文站的指定历史相关信息、所述指定历史降雨信息以及所述目标水文站的指定历史流量信息计算时间滞后信息；
获取所述上游水文站的相关信息和所述支流水文站的相关信息；所述上游水文站的相关信息包括所述上游水文站的流量信息和/或所述上游水文站的水位信息；所述支流水文站的相关信息包括所述支流水文站的流量信息和/或所述支流水文站的水位信息；
获取所述预定范围内的降雨信息；
根据所述上游水文站的相关信息、所述支流水文站的相关信息、所述降雨信息以及所述时间滞后信息预测所述目标水文站的未来流量信息。


2.根据权利要求1所述的河流流量预测方法，其特征在于，根据所述上游水文站的指定历史相关信息、所述支流水文站的指定历史相关信息、所述指定历史降雨信息以及所述目标水文站的指定历史流量信息计算时间滞后信息包括：
将所述目标水文站的指定历史流量信息对应的时间节点t的lag值记为0；
将时间节点t－n的lag值记为2n；其中，n表示1至|logm|之间的整数；m为允许最大延迟量；
从时间节点t－n对应的多个上游水文站的历史相关信息中选择与所述目标水文站的指定历史流量信息相关度最高的所述上游水文站的指定历史相关信息；
获取所述上游水文站的指定历史相关信息对应的lag值；
根据所述上游水文站的指定历史相关信息对应的lag值计算第一时间滞后信息；
从时间节点t－n对应的多个支流水文站的历史相关信息中选择与所述相关度最高的所述支流水文站的指定历史相关信息；
获取所述支流水文站的指定历史相关信息对应的lag值；
根据所述支流水文站的指定历史相关信息对应的lag值计算第二时间滞后信息；
从时间节点t－n对应的多个历史降雨信息中选择与所述目标水文站的指定历史流量信息相关度最高的所述指定历史降雨信息；
获取所述指定历史降雨信息对应的lag值；
根据所述指定历史降雨信息对应的lag值计算第三时间滞后信息；
根据所述第一时间滞后信息、第二时间滞后信息以及第三时间滞后信息得到所述时间滞后信息。


3.根据权利要求1所述的河流流量预测方法，其特征在于，所述方法还包括：
获取上游水文站的历史相关信息、支流水文站的历史相关信息以及所述预定范围内的历史降雨信息；
将所述上游水文站的历史相关信息、支流水文站的历史相关信息以及所述预定范围内的历史降雨信息输入至第一神经网络模型，补全未来预定天数的所述目标水文站的流量信息和降雨信息；
其中，所述第一神经网络模型包括以下之一：长短期记忆神经网络模型、循环神经网络模型、多层前馈网络模型、卷积网络模型、小波包网络模型。


4.根据权利要求1所述的河流流量预测方法，其特征在于，获取所述上游水文站的相关信息和所述支流水文站的相关信息之后，所述方法还包括：
判断所述上游水文站的相关信息和所述支流水...

【专利技术属性】
技术研发人员：苗春葆，张静桥，程舒鹏，陈焕盛，秦东明，
申请(专利权)人：中科三清科技有限公司，
类型：发明
国别省市：北京;11