基于水位联动的水位预测方法及其系统技术方案

本申请涉及水位智能预测的领域，其具体地公开了一种基于水位联动的水位预测方法及其系统，其采用基于上下文的编码器模型对每个水位站在各个时间点的水位数据进行编码处理，同时使用卷积神经网络对所述各个水位站的拓扑矩阵进行特征提取，进一步再将所述各个水位站的水位特征映射到拓扑特征空间中，并且采用基于序列进化的约束因数来构造损失函数，从而使得通过更新第二卷积神经网络的参数来促进信息融合，以对于所述水位特征信息与所述拓扑特征信息的融合程度进行判定。这样，可以提高对于水位预测的准确性，以确保船舶的安全航行。以确保船舶的安全航行。以确保船舶的安全航行。

【技术实现步骤摘要】
基于水位联动的水位预测方法及其系统


[0001]本申请涉及水位智能预测的领域，且更为具体地，涉及一种基于水位联动的水位预测方法及其系统。

技术介绍

[0002]我国内河水资源十分丰富，内河水路运输发达。内河水路运输系统与其他运输领域相比，具有能耗低，污染小，投资少，产量高，占地少，运输量大，成本低等优点，同时是我国水利资源综合利用和交通运输体系重要组成部分。特别是与其他传统交通方式相比，内河水运具有很大的经济优势。与此同时，为了提高内河航行的导航效率和内河航行的航行安全，对内河航道智能服务的需求日益迫切。
[0003]受水库群联合调度、流域降水变化等因素影响，航道水位变化呈现非平稳、非线性等特征。此外，航道作为水运的首位要素，水位是最为重要的航道要素之一，水位的高低作为航道尺度维护的重要指标，它直接决定了航道的大小，是指导船舶合理装载，确保船舶安全航行的重要参考因素。水位短期预测已成为航道科技工作者亟需解决的关键问题之一。
[0004]因此，为了提高对于水位预测的准确性和合理性，需要一种基于水位联动的水位预测方法。
专利本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于水位联动的水位预测方法，其特征在于，包括：训练阶段，包括：获取各个水位站在各个时间点的水位数据；将各个所述水位站在各个时间点的水位数据通过包含嵌入层的基于上下文的编码器模型以获得对应于各个所述水位站的特征向量的序列，并将各个所述水位站的特征向量的序列中各个特征向量进行级联以获得各个所述水位站的水位特征向量；获取所述多个水位站的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的特征值表示对应两个水位站之间的距离，所述拓扑矩阵中对角线位置上的各个位置的特征值为0；将所述拓扑矩阵通过第一卷积神经网络以获得拓扑特征矩阵；将各个所述水位站的水位特征向量进行二维拼接以获得各个所述水位站的水位特征矩阵；融合所述拓扑特征矩阵和所述水位特征矩阵以获得映射特征矩阵；将所述映射特征矩阵通过第二卷积神经网络以获得融合特征矩阵；从各个所述水位站的水位特征向量中获取待预测的水位站的水位特征向量；将所述待预测的水位站的水位特征向量作为查询向量分别与所述映射特征矩阵和所述融合特征矩阵进行矩阵相乘以获得第一特征向量和第二特征向量；计算所述第一特征向量和所述第二特征向量之间的序列进化的约束因数，其中，所述序列进化的约束因数包含两项，第一项为所述第一特征向量与第二特征向量之间的交叉熵数值，第二项为所述第一特征向量和所述第二特征向量分别通过分类器获得的第一类别概率值与第二类别概率值之商的对数函数值；将所述第二特征向量通过分类器以获得分类损失函数值；以及以所述分类损失函数值和所述序列进化的约束因数之间的加权和作为损失函数值来训练所述第二卷积神经网络；以及推断阶段，包括：获取各个水位站在各个时间点的水位数据；将各个所述水位站在各个时间点的水位数据通过包含嵌入层的基于上下文的编码器模型以获得对应于各个所述水位站的特征向量的序列，并将各个所述水位站的特征向量的序列中各个特征向量进行级联以获得各个所述水位站的水位特征向量；获取所述多个水位站的拓扑矩阵，所述拓扑矩阵的除对角线位置以外的各个位置的特征值表示对应两个水位站之间的距离，所述拓扑矩阵的对角线位置上的各个位置的特征值为0；将所述拓扑矩阵通过第一卷积神经网络以获得拓扑特征矩阵；将各个所述水位站的水位特征向量进行二维拼接以获得水位特征矩阵；融合所述拓扑特征矩阵和所述水位特征矩阵以获得映射特征矩阵；将所述映射特征矩阵通过经训练阶段训练完成的所述第二卷积神经网络以获得融合特征矩阵；获取待预测的水位站的水位特征向量；将所述待预测的水位站的水位特征向量作为查询向量与所述融合特征矩阵进行矩阵相乘以获得分类特征向量；以及
将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示带预测的水位站的水位变化情况。2.根据权利要求1所述的基于水位联动的水位预测方法，其中，将各个所述水位站在各个时间点的水位数据通过包含嵌入层的基于上下文的编码器模型以获得对应于各个所述水位站的特征向量的序列，并将各个所述水位站的特征向量的序列中各个特征向量进行级联以获得各个所述水位站的水位特征向量，包括：使用所述编码器模型的嵌入层将各个所述水位站在各个时间点的水位数据分别映射为嵌入向量以获得对应于每个所述水位站的嵌入向量的序列；将各个所述水位站的嵌入向量的序列输入所述转换器模型的转换器以获得对应于各个所述水位站的特征向量的序列；以及将各个所述水位站的特征向量的序列中各个特征向量进行级联以获得各个所述水位站的水位特征向量。3.根据权利要求2所述的基于水位联动的水位预测方法，其中，将所述拓扑矩阵通过第一卷积神经网络以获得拓扑特征矩阵，包括：在所述第一卷积神经网络的各层的层正向传递过程中对来自上一层的输入数据进行卷积处理，沿通道维度的均值池化处理和激活处理以获得所述拓扑特征矩阵，其中，所述第一卷积神经网络的第一层的输入数据为所述拓扑矩阵。4.根据权利要求3所述的基于水位联动的水位预测方法，其中，将所述映射特征矩阵通过第二卷积神经网络以获得融合特征矩阵，包括：所述第二卷积神经网络中除最后一层以外的各层在层的正向传递中对输入数据进行卷积处理、池化处理和激活处理以由所述第二卷积神经网络的最后第二层输出特征图，其中，所述第二卷积神经网络的第一层的输入数据为所述映射特征矩阵；所述第二卷积神经网络的最后一层对所述特征图进行卷积处理、沿通道维度的全局均值池化处理和激活处理以获得所述融合特征矩阵。5.根据权利要求4所述的基于水位联动的水位预测方法，其中，计算所述第一特征向量和所述第二特征向量之间的序列进化的约束因数，包括：以如下公式来计算所述第一特征向量和所述第二特征向量之间的序列进化的约束因数；其中，所述公式为：6.根据权利要求5所述的基于水位联动的水位预测方法，其中，将所述第二特征向量通过分类器以获得分类损失函数值，包括：所述分类器以如下公式对所述第二特征向量进行处理以获得分类结果，其中，所述公式为：softmax{(W
n
,B
n
):
…
:(W1,B1)|X}，其中，W1到W
n
为权重矩阵，B1到B
n
为偏置向量，X为第二特征向量；以及计算所述分类结果和真实值之间的交叉熵值作为所述分类损失函数值。7.一种基于水位联动的水位预测系统，其特征在于，包括：...

【专利技术属性】
技术研发人员：杨志鹏，
申请(专利权)人：杭州清淮科技有限公司，
类型：发明
国别省市：