【技术实现步骤摘要】
一种基于深度时序点过程和LSTM的缺资料地区径流事件检测方法
[0001]本专利技术属于水文水资源领域，更为具体地讲，涉及一种基于深度时序霍克斯点过程和LSTM的缺资料地区径流事件检测方法。
技术介绍
[0002]随着全球气候变化和极端天气频繁出现，洪涝灾害的频率和强度也在日渐加剧，造成了巨大的人员和财产损失，防洪减灾的需求日益迫切。对此，人们对洪水事件预报开展了大量研究。但是由于洪水事件的极端性、不确定性和复杂性，对洪水事件的准确预测仍存在很大的挑战。传统的基于物理过程的水文模型，包括分布式水文模型、半分布式水文模型和集总式水文模型。该类方法需要基于大量的数据和参数率定，模型的复杂性限制了其在缺资料地区的推广和应用。
[0003]随着计算机技术和水文学的发展，基于数据驱动和统计理论的洪水预报模型逐渐受到专家和学者们的关注。其将输入输出视为“黑盒”，通过映射和表征建立径流影响因子和径流之间的联系，对于数据量的需求大大降低。目前，循环神经网络(recurrent neural network，RNN)是应用最广泛的具有...
【技术保护点】
【技术特征摘要】
1.一种基于深度时序点过程和LSTM的缺资料地区径流事件检测模型，其特征在于，包括以下步骤：(1)、收集研究流域的水文气象等数据，包括但不限于流域下垫面信息、气温、蒸散发、降雨等。(2)、数据预处理。整理收集到的各个站点的数据，并对缺失值进行插值，对径流进行事件类型标记。由于采集到的数据数量级相差比较大，需要对输入数据进行归一化，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)、建立基于深度霍克斯点过程和LSTM的缺资料地区径流事件检测模型。根据霍克斯点过程原理，构建LSTM用于拟合对不同径流事件的强度函数。(4)、模型训练。将事件数据流划分为训练集和测试集。使用训练集进行径流事件流强度函数的建模。(5)使用经过训练的模型，在测试集上进行测试，判断是否存在洪水事件，以及洪水事件发生可能性的大小，如果出现洪水事件的可能性超过一定阈值，对可能发生的洪水事件提前做出预警。2.如权利要求1所述的基于深度霍克斯点过程和LSTM的缺资料地区径流事件检测方法，其特征在于，步骤(3)中，所述的建立深度霍克斯点过程和LSTM的缺资料地区径流事件检测模型，和步骤(4)中，所述的模型训练和步骤(5)中所述的模型测试：2.1)、在具体实施过程中，分为霍克斯点过程强度函数构建和LSTM神经网络拟合两个部分。首先是霍克斯点过程强度函数的构建。如图2所示，传统的霍克斯点过程是假设历史事件对未来的事件都会有一个短暂的正向影响，过去发生的事件会使得短时间内未来发生该类事件的概率上升。基于这个假设，霍克斯点过程的强度函数被定义为一个基础强度和过去每一个事件对于当前事件激励的加和:其中α,β是需要学习的参数。因此，需要根据洪水事件的类别，对每个事件的强度函数进行初始化一个基础强度λ0。其次是LSTM神经网络拟合强度函数。由于LSTM神经单元的hidden state和c...
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。