【技术实现步骤摘要】
一种基于MCR_BiLSTM的智能洪水预报方法
[0001]本专利技术涉及水文预测技术，具体涉及一种基于MCR_BiLSTM MCR_BiLSTM(An enseMble model based on CNN，ResNet and BiLSTM，MCR_BiLSTM)的智能洪水预报方法。
技术介绍
[0002]准确的洪水预报可有效支撑流域洪水预警、调度与防洪减灾，同时对区域规划、灌溉取水、泥沙输移以及其他水文应用等具有重要意义。随着信息技术的快速发展，水利业务部门已经形成了空、天、地一体的水雨情观测资料，如何将在自动控制、图像识别等领域的广泛应用的机器学习算法应用于水文预报领域，构建具有物理含义的数据驱动预报模型、提升洪水预报的智能化业务能力和预报精度，成为当前解决水文学难题、推动水文学进步的驱动力。
[0003]洪水过程是具有高度不确定性和复杂性的非线性关系，物理模型虽然在水文预报过程中可以取得较好的预测结果，但是模型的建立需要考虑流域的物理机制和变量，如土壤含水量等，使得在建立物理模型的过程中，模型的参数率定较为...
【技术保护点】
【技术特征摘要】
1.一种基于MCR_BiLSTM的智能洪水预报方法，其特征在于，包括以下步骤：S1预报因子优选：对预报断面内目标水位站和相关雨量站的水文数据资料进行缺失值插补、数据归一化、数据集划分等预处理步骤后，构建相关系数矩阵优选预报因子；S2权重配置：采用注意力机制为优选的预报因子分配不同权重，建立输入输出序列的长距离依赖关系，提高输入输出之间的相关性；S3预报模型构建：构建BiLSTM网络模块，从正向和反向两个方面提取预报输入因子(水文数据)间的时序特征，并采用正则化结构避免模型过拟合提高模型参数对数据的泛化能力；构建增强CNN网络模块，以CNN提取水文数据的局部空间特征，同时使用ResNet加深CNN网络的深度，挖掘更多潜藏空间特征信息；S4模型集成融合：将BiLSTM网络模块和增强CNN网络模块的预测分别经过全连接层后进行线性融合，集成为端
‑
端水文集成预测模型(MCR_BiLSTM)，实现高精度的智能洪水预测；S5对MCR_BiLSTM模型融合结果进行反归一化处理，输出模型最终预测结果。2.根据权利要求1所述的一种基于MCR_BiLSTM的智能洪水预报方法，其特征在于，所述步骤S1的详细步骤为：S11采用Min
‑
Max公式将输入变量归一化处理，以加快收敛速度和训练过程，计算方法为：其中，X
max
、X
min
分别是原始序列的最大、最小值；X
i
是原始序列中的元素；X
′
i
是归一化后的结果，值在[0，1]范围内；S12挖掘、提取预报断面的地形地貌特征和空间位置关系等空间特征，构建水文空间关系拓扑图，确定对预报断面水文过程有影响关系的雨量站、水文站观测要素作为模型的预报因子；S13挖掘、提取预报断面的时序特征，采用皮尔逊相关系数计算上述步骤S12中确定的m个关联雨量站、水文站与预报断面间的相关系数，确定关联站X
k
＝{x1，x2，x3，.....x
n
}(k＝1...m)对预报站Y＝{y1，y2，y3，.....y
n
}预报要素(水位、流量)产生影响时序长度，相关系数计算公式如下：其中，n是序列长度，表示序列均值，为协方差，为标准差；S14对所述步骤S12水文空间关系拓扑图中关联站X
k
与预报站Y的空间距离进行排序，并根据上述公式(2)计算得到关联站X
k
对预报站Y影响时序长度T
corr
，提取t
‑
T
corr
～t时刻的序列值作为关联站X
k
的预报输入因子；影响时序长度T
corr
的确定方法如下：1)依次选择与预报站Y空间距离最小关联站的最大相关系数，以该系数对应的时刻作
为空间距离最小关联站的影响时序长度T
corr
；2)若两个关联站的影响时序长度T
corr
相同但空间距离相差较大，则从距离更大的关联站中选择次大相关系数，以该系数对应的时间为影响时序长度T
corr
；若两关联站空间距离相近，则可采用相同T
corr
作为两个关联站的影响时序长度。3.根据权利要求1所述的基于深度学习的集成水文预报方法，其特征在于，所述步骤S2中包括以下步骤：以预见期1h(t+1时刻)为例，将所述步骤S1优选的预报因子序列X
k
＝{x
t
‑
Tcorr
，x
t
‑
Tcorr+1
，.....，x
t
‑1，x
t
}(k＝1...m)输入到注意力机制，更好地挖掘输入数据之间的内部联系，从而筛选出隐藏在序列中的特征信息。注意力机制计算公式如下：s
i
＝t...
【专利技术属性】
技术研发人员：余宇峰，魏睿，李珂，万定生，朱跃龙，
申请(专利权)人：河海大学，
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。