基于深度学习的水库多时间点智能水位预测方法及系统技术方案

本公开提供了一种基于深度学习的水库多时间点智能水位预测方法及系统，涉及水位预测技术领域，包括采集过去某个时间段内待预测水库每小时水位信息以及水库每小时降雨量信息；获取每个时间单位最终降雨量信息以及水位信息；将每个时间单位降雨量信息利用VBRA神经网络进行特征提取，提取出的特征与该时间单位平均降雨量信息和水位信息形成该时间单位新的特征向量；将新的特征向量输入VBRA网络的输出再输入到VCRA神经网络，所述VCRA神经网络的输出作为BLSTM神经网络的堆输入向量，提取各个时间点的水位信息，将各个时间点水位信息输入至FC神经网络，预测未来一周内的水位。本公开能够精准预测水库水位信息。能够精准预测水库水位信息。能够精准预测水库水位信息。

【技术实现步骤摘要】
基于深度学习的水库多时间点智能水位预测方法及系统


[0001]本公开涉及水位预测
，具体涉及基于深度学习的水库多时间点智能水位预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]随着城市的快速发展和气候的变化，某些地域或者某些地区由于受到季节或者地理位置的影响，会产生洪水的自然灾害，给居民的生命财产造成严重的损失。水库是防洪广泛采用的工程措施之一，在抗洪、防洪等方面起着重要作用，通过对未来的水库水位新型预测，实现快速准确信息预警，对于防洪至关重要，已经成为当下防洪最关键的事情之一。
[0004]近年来，人工神经网络（ANN）已经被广泛用于语音识别、目标检测或者自然语言处理等各个领域，但是人工神经网络在水资源领域的应用并不多。
[0005]现有的利用ANN、多层感知机（MLP）和多层线性回归（MLR）分别对湖泊的水位波动进行预测，并将预测结果进行分析比较，分析表明，神经网络座位温带较小湖泊的预测攻击具有良好额度性能，与使用多元线性回归模型相比，ANN使水位预报具有更高的精度和更低的绝对偏差。以及还有使用时间序列神经网络模型
‑
长短期记忆网络（LSTM）和循环神经网络（RNN）对湖泊水位进行预测，并将其预测结果与ANN预测结果进行对比，结果表明，时间序列神经网络模型对湖泊水位的预测结果均优于ANN模型。
[0006]但是专利技术人发现，现有技术中所使用的数据都是以一个月的数据为一个时间单位，数据不能满足实时的及时性，也就无法满足预测的及时性，会对未来的水位情况预测精准度产生误差。

技术实现思路

[0007]本公开为了解决上述问题，提出了基于深度学习的水库多时间点智能水位预测方法及系统，利用变量残差注意力神经网络（Variable Residual Attention, VBRA）、向量残差注意力神经网络（Vector Residual Attention, VCRA）、双向长短时记忆网络（BidirectionalLSTM, BLSTM）以及全连接网络(Full Connect, FC)相结合的方法，针对水库水位的多时间点预测，利用水库的水位信息、降雨量信息以及平均降雨量信息，对未来水位进行精准预测。
[0008]根据一些实施例，本公开采用如下技术方案：基于深度学习的水库多时间点智能水位预测方法，包括：采集过去某个时间段内待预测水库每小时的水位信息以及水库监测站点降雨量信息；划分时间单位，获取每个时间单位最终的降雨量信息以及水位信息，对获取的数据进行标准化；
将每个时间单位的降雨量信息利用变量残差注意力神经网络进行特征提取，将提取出的特征信息与该时间单位的平均降雨量信息和水位信息组成新的特征向量；将新的特征向量输入变量残差注意力神经网络后获得的输出再输入到向量残差注意力神经网络，所述向量残差注意力神经网络的输出作为双向长短时记忆网络的堆输入向量，提取出各个时间点的水位信息，将各个时间点的水位信息输入至全连接网络，预测未来一周内的水位。
[0009]根据一些实施例，本公开采用如下技术方案：基于深度学习的水库多时间点智能水位预测系统，包括：数据采集模块，用于采集过去某个时间段内待预测水库每小时的水位信息以及水库监测站点降雨量信息；数据处理模块，划分时间单位，获取每个时间单位最终的降雨量信息以及水位信息，对获取的数据进行标准化；水位预测模块，将每个时间单位的降雨量信息利用变量残差注意力神经网络进行特征提取，提取出的特征与该时间单位的平均降雨量信息和水位信息形成该时间单位新的特征向量；将新的特征向量输入变量残差注意力神经网络后的输出再输入到向量残差注意力神经网络，所述向量残差注意力神经网络的输出作为双向长短时记忆网络的堆输入向量，提取各个时间点的水位信息，所述将各个时间点的水位信息输入至全连接网络，预测未来一周内的水位。
[0010]根据一些实施例，本公开采用如下技术方案：一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的基于深度学习的水库多时间点智能水位预测方法。
[0011]根据一些实施例，本公开采用如下技术方案：一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的基于深度学习的水库多时间点智能水位预测方法。
[0012]与现有技术相比，本公开的有益效果为：本公开提出了一种基于变量残差注意力神经网络（VariableResidual Attention, VBRA）、向量残差注意力神经网络（Vector ResidualAttention, VCRA）、双向长短时记忆网络（Bidirectional LSTM, BLSTM）和全连接网络(Full Connect, FC)相结合的水库多时间点智能水位预测方法，变量残差注意力网络用于提取空间上各个站点降雨量较为重要的特征信息，向量残差时间网络用于提取一个数据样本多个时刻的向量数据中较为重要的特征信息，双向长短时记忆网络在t时刻的输出特征依赖于样本整个时间范围内的输入数据，全连接网络融合了LSTM多个时刻的输出信息，这些方法均提高水库水位的预测结果，实现水库多时间点智能水位预测。
附图说明
[0013]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0014]图1为本公开实施例的时间窗口设置示意图；图2为本公开实施例的整体网络结构流程示意图；
图3为本公开实施例的VBRA神经网络数据处理示意图；图4为本公开实施例的VCRA神经网络结构示意图；图5为本公开实施例的BLSTM神经网络结构设计图；图6为本公开实施例的FC神经网络结构示意图；图7为本公开实施例的监测站点预测水位结果示意图。
具体实施方式
[0015]下面结合附图与实施例对本公开作进一步说明。
[0016]应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。
[0017]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0018]实施例1本公开的一种实施例中提供了一种基于深度学习的水库多时间点智能水位预测方法，包括：步骤1：采集过去的某个时间段内待预测水库每小时的水位信息以及该时间段内水库监测站点的每小时降雨量信息；步骤2：划分时间单位，获取每个时间单位最终的降雨量信息以及水位信息，对获取的数据进行标准化；步骤3：将每个时间单位本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的水库多时间点智能水位预测方法，其特征在于，包括：采集过去某个时间段内待预测水库每小时的水位信息以及水库监测站点降雨量信息；划分时间单位，获取每个时间单位最终的降雨量信息以及水位信息，对获取的数据进行标准化；将每个时间单位的降雨量信息利用变量残差注意力神经网络进行特征提取，将提取出的特征信息与该时间单位的平均降雨量信息和水位信息组成新的特征向量；将新的特征向量输入变量残差注意力神经网络后获得的输出再输入到向量残差注意力神经网络，所述向量残差注意力神经网络的输出作为双向长短时记忆网络的堆输入向量，提取出各个时间点的水位信息，将各个时间点的水位信息输入至全连接网络，预测未来一周内的水位。2.如权利要求1所述的基于深度学习的水库多时间点智能水位预测方法，其特征在于，所述采集过去某个时间段内待预测水库每小时的水位信息以及水库监测站点降雨量信息包括：采集过去某一时间段内水库每小时的水位信息以及对水库进行监测的每小时的降雨量信息，缺少的水位信息用上一个小时的水位信息进行补充，缺少的降雨量用上一个小时和下一个小时的降雨量的平均值进行补充。3.如权利要求1所述的基于深度学习的水库多时间点智能水位预测方法，其特征在于，所述划分时间单位，获取每个时间单位最终的降雨量信息以及水位信息包括：以3个小时为一个时间单位，将一个时间单位内的降雨总量以及每个时间单位内最后一个小时的水位作为该时间单位最终的降雨量信息与水位信息数据。4.如权利要求1所述的基于深度学习的水库多时间点智能水位预测方法，其特征在于，所述将每个时间单位的降雨量信息利用变量残差注意力神经网络进行特征提取方式为：利用自注意力机制对每一个时间单位的每个站点的降雨量信息进行特征提取，获取每个时间单位监测站点降雨量的重要数据信息，将提取的信息与原始数据相加，然后将提取出的特征与该时间单位的平均降雨量信息和水位信息共同形成该时间单位新的向量。5.如权利要求4所述的基于深度学习的水库多时间点智能水位预测方法，其特征在于，将形成时间单位的新的向量输入至变量残差注意力神经网络并将其输出作为输入，送入到向量残差注意力神经网络中，向量残差注意力...

【专利技术属性】
技术研发人员：谷永辉，张庆贤，梁春丽，
申请(专利权)人：山东捷讯通信技术有限公司，
类型：发明
国别省市：