一种基于NSGA-III优化LSTM神经网络的水位预测方法及系统技术方案

本发明专利技术公开了一种基于NSGA

【技术实现步骤摘要】
一种基于NSGA
‑
III优化LSTM神经网络的水位预测方法及系统


[0001]本专利技术涉及水位预测
，尤其涉及一种基于NSGA
‑
III优化LSTM神经网络的水位预测方法及系统。

技术介绍

[0002]降雨量过大容易导致城市内涝甚至洪灾，造成严重的经济财产损失。随着智慧城市的推进，当前可通过如河长制信息系统，利用传感器和物联网技术实时获取观测点的水位数据，因此，充分挖掘这些水位历史数据，精准且快速地预测水位的变化趋势，对于城市防洪抗涝具有重要的意义。
[0003]传统的水位预测方法，通过水文水动力原理建立物理机制分析模型，虽然能揭示水位变化过程的机理和规律，但需要较强的专业背景，且模型求解复杂，可迁移性较差。随着数据量的增大，以机器学习，深度学习为代表的数据驱动模型，通过挖掘数据潜在规律进行水位预测，通常需要对参数进行充分调优，才能获得良好的预测效果。当前使用较多的参数调优方法为网格搜索法和控制变量法，这些方法计算开销大，训练时间长，且无法保证得到在多个优化目标间权衡的参数组合。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于NSGA
‑
III优化LSTM神经网络的水位预测方法，其特征在于，包括：获取所要预测时间点前的水位数据；对所述水位数据进行预处理；将预处理后的水位数据输入进水位预测模型，输出得到水位预测结果；所述水位预测模型以LSTM神经网络为框架并采用NSGA
‑
III进行参数优化。2.根据权利要求1所述的基于NSGA
‑
III优化LSTM神经网络的水位预测方法，其特征在于，所述水位预测模型采用NSGA
‑
III进行优化包括：确定水位预测模型的参数，进行种群初始化；设定目标函数，进行参数组合寻优；获得最优参数组合并保存所述水位预测模型。3.根据权利要求2所述的基于NSGA
‑
III优化LSTM神经网络的水位预测方法，其特征在于，以均方误差最小为所述目标函数。4.根据权利要求2所述的基于NSGA
‑
III优化LSTM神经网络的水位预测方法，其特征在于，所述水位预测模型采用NSGA
‑
III进行参数优化，具体包括：S1种群初始化作为父代种群P(t)；S2将所述LSTM神经网络的浮点运算量、均方误差以及R2系数，作为适应度函数；S3对父代种群P(t)进行选择、交叉以及变异操作生成子代种群Q(t)并合并为R(t)；S4计算适应度值，对R(t)进行快速非支配排序得到非支配解集：F＝{F(1),F(2),...}，设置层级layer＝1，归档集S(t)；S5将非支配解集F按层级添加到归档集S(t)中，设定种群规模为数值N，判断S(t)中个体数与数值N的大小：若等于数值N，则下代种群P(t+1)＝S(t)；若大于N，则令P(t+1)＝S(t)
‑
F(layer)，然后将S(t)的解与参考线进行关联操作，对临界层F(layer)中个体进行环境选择添加到P(t+1)中，直到为P(t+1)的种群规模为数值N；S6若种群迭代次数满足设定轮次，则停止计算，此时得到LSTM网络全局最优参数组合种群；否则返回S3；S7对近似最优参...

【专利技术属性】
技术研发人员：陈建生，黄文澜，植挺生，吴玉书，钟文，罗淑冰，
申请(专利权)人：广东广宇科技发展有限公司，
类型：发明
国别省市：