【技术实现步骤摘要】
recurrent unit)径流预报精度和计算效率的影响。但是高峰和顾逸等人提出的方法需要大量的训练样本。
[0004]由于防汛物资存在数量大、种类繁多、较难找到内部物资潜在联系、样本数量小、受环境的影响较大等特点，上述方法较难直接应用到防汛物资需求的预测上。目前相关历史数据集合主要由水库水位、降水量等环境状况和调度物资记录组成，基于该历史数据集合的单个预测模型其复杂度较高，预测精度较低的问题。
技术实现思路
[0005]为了解决上述技术问题，针对以上问题点，本专利技术公开了一种基于组合深度学习的防汛物资需求预测方法，解决现有技术中由于防汛物资存在数量大、种类繁多、较难找到内部物资潜在联系、样本数量小、受环境的影响较大等特点，现有技术中的多种的预测算法较难直接应用到防汛物资需求的预测上，相关历史数据集合主要由水库水位、降水量等环境状况和调度物资记录组成，基于该历史数据集合的单个预测模型其复杂度较高，预测精度较低，无法精准预测等问题。
[0006]为了达到上述专利技术目的，本专利技术提供一种基于组合深度学习的防汛物资需求预测方法，所述方法包括：
[0007]选择当前工作模式，所述工作模式包括：训练模式和预测模式；
[0008]若当前工作模式为训练模式，则读取数据训练集，进行初始化设置，所述训练数据集包括：水库水位数据、天气预测数据、以及防汛物资数据；
[0009]对所述水库水位数据进行数据处理形成水位数据帧，并进行归一化处理；
[0010]训练水库水位预测模型，获得和保存水库水位预测模型；
【技术保护点】
【技术特征摘要】
1.一种基于组合深度学习的防汛物资需求预测方法，其特征在于，所述方法包括：选择当前工作模式，所述工作模式包括：训练模式和预测模式；若当前工作模式为训练模式，则读取数据训练集，进行初始化设置，所述训练数据集包括：水库水位数据、天气预测数据、以及防汛物资数据；对所述水库水位数据进行数据处理形成水位数据帧，并进行归一化处理；训练水库水位预测模型，获得和保存水库水位预测模型；对所述天气预测数据进行数据处理形成天气预测数据帧，并进行归一化处理；读取所述水位预测数据帧和天气预测数据帧，通过灰色关联分析依据预设关联度选择大于预设阈值的防汛物资种类；排列所述天气预测数据帧、水位预测数据帧、防汛物资种类，形成组合数据帧；若当前工作模式为预测模式，则将所述组合数据帧输入进网络模型BiGRU进行模型训练，获得和保存BiGRU网络模型；读取已训练好的水库水位预测模型、BiGRU网络模型和待预测的水库水位数据、防汛物资数据；对所述水库水位数据进行数据处理形成水位数据帧，并进行归一化处理；将所述水位数据帧输入已训练好的水库水位预测模型进行预测，得到水位预测数据帧；对所述天气预测数据进行数据处理形成天气预测数据帧，并进行归一化处理；读取所述水位预测数据帧和天气预测数据帧，通过灰色关联分析依据预设关联度选择大于预设阈值的防汛物资种类；排列所述天气预测数据帧、水位预测数据帧、防汛物资种类，形成组合数据帧；将组合数据帧输入已训练好的BiGRU网络模型进行预测，获得防汛物资所需预测数量；判断是否完成防汛物资需求预测，若是，则输出所有防汛物资需求预测；若否则继续执行上述方法，进行防汛物资需求预测。2.根据权利要求1所述的基于组合深度学习的防汛物资需求预测方法，其特征在于，所述读取数据训练集，进行初始化设置，包括：读取水库水位数据，通过网站爬虫获取降水量、水汽压、风力天气预测数据，构建水库水位数据、天气预测数据和防汛物资数据的训练集，初始化LSTM深度学习模型参数，每次训练的批量数，水库水位预测模型最大迭代训练次数、BiGRU网络模型最大迭代训练次数、当前迭代次数为I1＝I2＝1、水库水位预测模型的损失函数均方根误差阈值V1，BiGRU网络模型的损失函数均方根误差阈值V2、当前划定验证集的比例。3.根据权利要求2所述的基于组合深度学习的防汛物资需求预测方法，其特征在于，所述对所述水库水位数据进行数据处理形成水位数据帧，并进行归一化处理，包括：确定选取水库水位数据的时间窗长度t
n
，通过当前时刻的前t
n
时刻，当前时刻和后t
m
时刻组合，整体排成一行，从而将水库水位数据集形成一个包含时间序列的水位数据帧，然后进行归一化处理。4.根据权利要求3基于组合深度学习的防汛物资需求预测方法，其特征在于，训练水库水位预测模型，获得和保存水库水位预测模型；包括：输入归一化后的水位数据帧，训练采用长短期记忆网络LSTM构建水库水位预测模型，
获得和保存水库水位预测模型，所述水库水位预测模型训练过程包括如下步骤：4.1)初始化时刻t为1时的旧细胞状态C1、预测结果输出ht等参数，令当前时刻t＝2；4.2)输入t
‑
1时刻的水库水位数据x
t
‑1，经过如公式(1)所描述的遗忘门，得到时刻t下遗忘门的输出f
t
：f
t
＝sigmoid(W
f
x
t
‑1+U
f
C
t
‑1+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，sigmoid()表示sigmoid激活函数，W
f
表示遗忘门的训练输入权值，U
f
表示遗忘门的细胞状态权值、b
f
表示遗忘门的偏移量，C
t
‑1表示时刻t
‑
1下的旧细胞状态；在遗忘门中，将t
‑
1时刻的输入x
t
‑1和细胞状态C
t
‑1作为sigmoid()的输入，在[0,1]范围之内输出遗忘后的信息f
t
，从而确定需要被删除的信息；4.3)数据x
t
‑1经过公式(2)所描述的输入门，得到时刻t下输入门的输出i
t
：i
t
＝sigmoid(W
i
x
t
‑1+U
i
C
t
‑1+b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，W
i
表示输入门的训练输入权值，U
i
表示输入门的细胞状态权值，b
i
表示输入门的偏移量；4.4)数据x
t
‑1经过公式(3)所描述的输出门，得到时刻t下候选细胞状态经过公式(3)所描述的输出门，得到时刻t下候选细胞状态其中，W
c
表示候选训练输入权值，U
c
表示候选细胞状态权值，b
c
表示候选偏移量；4.5)通过公式(4)将上一个状态值C
t
‑1乘以f
t
，以此来决定忘记的部分，同时加上新增加的部分，获得时刻t的细胞状态C
t
；4.6)利用公式(5)计算t时刻输出门输出o
t
，并采用公式(6)计算t时刻水库水位预测结果h
t
：o
t
＝sigmoid(W
o
x
t
‑1+U
o
C
t
‑1+b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)h
t
＝o
t
·
tanh(C
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中，W<...
【专利技术属性】
技术研发人员：赵克华，陈友荣，卢俊杰，孙萍，刘半藤，吕晓雯，
申请(专利权)人：浙江树人学院浙江树人大学，
类型：发明
国别省市：
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。