一种基于小样本学习和LSTM的缺资料地区径流预测方法技术

本发明专利技术公开了一种基于小样本学习和LSTM的缺资料地区径流预测方法。首先获取流域内与径流强相关的影响因子的时序数据，然后进行特征提取，构建特征和预测径流相对应的时序数据集；建立基于小样本学习原型网络和LSTM融合的径流预测模型，进行模型训练和验证；之后，输入影响因子即可对径流进行预测。考虑到缺资料地区数据缺乏的现状以及传统机器学习对大量标签数据的依赖，本发明专利技术使用数据驱动的深度学习策略，结合小样本学习算法，融合原型网络和LSTM以降低模型对于数据的依赖性，保证在输入较少训练样本的情况下，模型也能取得较高的预测精度，为缺资料地区径流预测提供了一种新方法。法。法。

【技术实现步骤摘要】
一种基于小样本学习和LSTM的缺资料地区径流预测方法


[0001]本专利技术属于水文水资源领域，更为具体地讲，涉及一种基于小样本学习和 LSTM的缺资料地区径流预测方法。

技术介绍

[0002]径流预测是水文研究中最重要的科学问题之一。由于全球变暖加剧和极端天气日益频发，暴雨和洪涝灾害在全球范围内造成了巨大的经济损失和生态破坏。在变化环境下，对于径流预测，提高其预报精度和延长预见期是亟待解决的问题，具有重大的社会和生态价值。
[0003]目前国内外径流预测研究大部分是针对有资料流域，根据已有实测资料建立经验关系或者模型进行预测。但是在全球存在大量流域，其中水文站点分布密度低，且分布不均，无法获取到建立足够精度水文模型所需的数据。或者，由于特殊自然地理环境和人为因素限制，某些基础的水文数据甚至无法获取，故无法掌握水文资源状况和进行科学的水资源利用管理。此外，目前全球的水文站点存在数量仍在缩减的问题，这使得在缺资料地区的水文研究更加具有挑战性。
[0004]传统的水文模型是一种描述水文物理过程的数学模型。下垫面条件、降雨等影响因子的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本学习和LSTM的缺资料地区径流预测方法，其特征在于，包括以下步骤：(1)、收集研究流域内各个气象站点与径流强相关的因子，如流域内降水、气温、蒸散发等。(2)、数据预处理。整理收集到的各个站点的数据，并对缺失数据进行补全，对错误数据进行纠正。由于数据驱动模型采取梯度回传进行优化，需要将数据进行统一数量级。这里采用离差标准化方法对输入数据进行归一化，其转换公式为：其中，X
normal
为归一化后的数据，其范围在[0,1]，X为原始数据，X
max
为原始数据的最大值，X
min
为原始数据的最小值。(3)、建立基于小样本学习原型网络和LSTM的融合模型。融合模型分为三个部分：首先是特征提取模块——LSTM，其对径流时间序列进行建模和特征提取，获取回归损失和特征表征；其次是小样本学习原型网络模块，通过计算输入数据对应类别的特征聚类中心，将提取的特征向量进行分类，计算对应的分类损失；最后是回归预测模块，将上述的两部分损失进行加和连接、梯度回传和优化。(4)、模型训练。将数据划分为训练集、验证集和测试集。使用训练集输入模型进行学习，损失函数采用均方根误差和欧式距离计算，优化器使用Adam优化器，多轮次迭代后达到收敛状态。使用验证集进行超参数的验证，多轮调优后，超参数达到最优。(5)、使用经过训练、验证的模型，在测试集上进行测试，根据观测结果和预测结果的误差进行模型性能评估。2.根据权利要求1所述的径流预测方法，其特征在于，步骤(3)中，所述的建立基于小样本学习原型网络和LSTM的缺资料地区径流预测，和步骤(4) 中，所述的融合神经网络模型训练：2.1)、融合模型分为三个部分，首先是LSTM特征提取模块，将预处理后的数据按照时间步分批输入LSTM网络，进行隐表征提取；对于每一个LSTM神经单元，输入当前时刻的数据x
t
、上一个时刻LSTM神经单元的输出h
t
‑1以及上一个LSTM神经单元隐含的记忆状态c
t
‑1，对应输出为当前时刻的输出值h
t
以及当前时刻LSTM神经单元的记忆状态c
t
，它们共同构成了LSTM神经单元里的三个门控状态：遗忘门、输入门和输出门。遗忘门对上一时刻的记忆状态c
t
‑1进行筛选保留，输入门决定了当前时刻的数据输入x
t
有多少能够被记忆单元记忆，输出门控制记忆单元c
t
有多少能够输出到当前时刻的输出h
t
中。每个门的状态按照如下公式进行更新：遗忘门：f
t
＝σ(W
f
·
[h
t<...

【专利技术属性】
技术研发人员：杨勤丽，杨明鸿，邵俊明，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：