【技术实现步骤摘要】
一种基于时空关联混合深度学习模型的流域多点预测预警方法
[0001]本专利技术属于智慧水库、流域多点水位预测预警
，尤其涉及一种基于时空关联混合深度学习模型的流域多点预测预警方法。
技术介绍
[0002]现有的流域水位控制方法主要是基于传感器采集流域多个下游多个点实时水位，依据现有水位，结合实时降雨量与泄洪量水位变化，凭借人工经验或数学公式推导以控制泄洪量来控制和调整下游流域水位。该方式具有一定的延迟性，且对于数据的利用比较片面，忽略了采集的流域多点各项指标，导致耗费巨大资源与采集到的多下游多流域点的数据搁置，同时还需投入资源维护流域环境。在流域多点水位调整过程中，仅能进行实时规整，不能依据流域多点未来水位的变化趋势进行流域多点水位调整，无法针对性地预测出要超过警戒的水位值及其地理位置，从而实现对汛期及其他自然灾害的预防。
[0003]现有的流域水位预测模型，围绕着流域水域中多个监测点的水位预测工作进行，传统方法针对流域水位控制只能通过固定的实践经验与数学公式结合实时降雨量与泄洪量水位值来调整源头水库的水量来规...
【技术保护点】
【技术特征摘要】
1.一种基于时空关联混合深度学习模型的流域多点预测预警方法，其特征在于：根据包括历史与未来水库降雨量和泄洪量的水库方面的信息与流域多点水位数据，挖掘出包含能预测出流域多点水位未来一天或三天变化情况的数据结构特征，并将流域多点特征水位信息数据作为基于LSTM和GCN的流域多点水位时空关联混合模型的输入特征，训练完成后进行一天或多天的流域水位预测，其中输入数据字段包括每个测点时间归一化后的源头水库降雨量、泄洪量和流域多点水位，模型返回这些测点的流域水位预测值。2.根据权利要求1所述的基于时空关联混合深度学习模型的流域多点预测预警方法，其特征在于：模型的输入数据为流域源头水库的降雨量、泄洪量数据，流域多监测点水位数据包含K个流域监测点水位值数据；并将数据集中的数据进行排序、删除无用特征、缺失值填补和归一化处理，划分为训练集和测试集，分别重塑为3D数据，再对训练集和测试集进行封装。3.根据权利要求2所述的基于时空关联混合深度学习模型的流域多点预测预警方法，其特征在于：将数据处理成符合模型输入格式：包括源头水库和流域K个监测点的多个监测点的特征被分别处理为F*D形状的矩阵，其中F为特征维度，D为总天数；随后使用一个大小为N的输入滑动窗口，在时间流逝方向进行滑动，滑动步长为1，N即为过去天数，每滑动一个步长形成新的样本特征，作为模型的输入；使用一个大小为1或3的标签滑动窗口在时间流逝方向进行滑动，每滑动一个步长形成新的样本标签，标签值为一天或三天监测点特征的水位值。4.根据权利要求3所述的基于时空关联混合深度学习模型的流域多点预测预警方法，其特征在于：在地图中，将K个监测点视为图结构中的节点，遍历每个监测点，将其和其欧氏距离最近的监测点相连接，如果该条边已经存在，则遍历下一个监测点，以此构建出邻接矩阵进而计算度矩阵与拉普拉斯矩阵，获得包含地理位置信息与地理空间依赖关系的拓扑结构图，最终输出尺寸为(K, K)的邻接矩阵。5.根据权利要求4所述的基于时空关联混合深度学习模型的...
【专利技术属性】
技术研发人员：马森标，李佐勇，黄祖海，陈友武，卢维楷，王小川，郭宝椿，
申请(专利权)人：福建中锐网络股份有限公司，
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。