一种多模态数据融合与不确定估计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多模态数据融合与不确定估计的水位预测方法及系统，利用与水库水位预测相关的多种时空数据，生成多个并行CNN分支进行特征融合并降维，经过处理作为Bi

【技术实现步骤摘要】
一种多模态数据融合与不确定估计的水位预测方法及系统


[0001]本专利技术属于数据科学和人工智能
，尤其涉及一种多模态数据融合与不确定估计的水位预测方法及系统。

技术介绍

[0002]对水库水位进行预测对当代水资源调度、洪水调节、生态保护等具有重要的作用，准确的水库水位预测是水文工程当中对水库管理的关键环节，可以帮助水利局制定合理的调度方案、预防水灾、降低经济损失以及保护水库生态系统等。然而，由于水库水位受气象、水文、地质等多种因素的影响，水位变化的过程时空复杂，具有不确定性和随机性，因此对水位的预测提出了很高的要求。
[0003]传统的水位预测方法主要基于统计模型,但是传统的预测方法没能较好地捕获水库水位数据的时序关系以及水库水位相关的影响因素与水库水位的时空关系，并且缺失多模态数据的综合分析，因此会导致预测精度低、预警提前时间短等问题。随着神经网络模型的不断发展，通过神经网络建模和多模态数据融合等方式对水库水位进行预测可以提高水位预测的准确性和泛化能力，克服传统方法的不足之处，具有广泛的应用前景。
[0004]然而，在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多模态数据融合与不确定估计的水位预测方法，其特征在于，该方法包括以下步骤：（1）获取水库基本属性、气象数据、历史水位、历史降雨量多个维度的数据，并对每个维度数据进行预处理；（2）将预处理后的数据采用卷积神经网络CNN进行特征提取和多模态数据融合，具体为：将步骤（1）所述的多维度数据作为不同的影响因素，使用多个并行的卷积分支对不同影响因素进行处理，并将所有卷积分支的特征向量列表进行合并融合；（3）将经过CNN进行多模态数据融合后的特征向量通过PCA降维后输入Bi
‑
LSTM模型中进行训练，以学习数据的时序特征；其中Bi
‑
LSTM模型的输入向量为经过多模态数据融合和降维后的特征向量，输出向量为水库水位的未来预测值；（4）将训练好的Bi
‑
LSTM模型引入蒙特卡罗Dropout技术进行水库水位预测，在每一层或者末层引入Dropout层，对模型进行多次随机丢弃不同神经元操作，采样多个预测结果，并对水库水位预测结果进行不确定性评估和置信度打分，以此更加准确地识别和评估水库水位预测的不确定性，为水资源管理和灾害预警提供预测和决策。2.根据权利要求1所述的一种多模态数据融合与不确定估计的水位预测方法，其特征在于，步骤（1）包括：（1.1）获取所述水库的基本属性，包括水库入水量、出水量、阀门开度、气象数据、历史水位、降雨量多个维度的数据；（1.2）对所述多个维度的输入数据进行预处理，以去除异常值和噪声，并提取有效特征；（1.3）对数据进行预处理时首先需要对数据的采集误差进行处理，减少水库水位预测相关的数据采集和处理时，由于传感器精度或者数据传输引起的误差，通过基于阈值的去噪方法对数据进行去噪处理；（1.4）判断各个维度的数据是否存在数据缺失，若存在数据缺失则进行步骤（1.5），否则进行步骤（1.6）；（1.5）采用线性插值法对各个维度的缺失值数据分别进行处理；（1.6）对各个维度的数据分别采用Min
‑
max方法进行归一化处理。3.根据权利要求1所述的一种多模态数据融合与不确定估计的水位预测方法，其特征在于，步骤（2）包括：（2.1）在建立卷积神经网络CNN模型中，首先需要对所获取的预处理后的多维度的数据进行分类并将其进行格式化，转换为多个二维输入特征图片，具体地，将每个类别的影响因素数据创建一个卷积分支，使用多个并行的卷积分支来对不同的影响因素进行处理，并将其训练为基于数据的特征提取器，从而允许神经网络自动学习不同来源数据直接的关联性；（2.2）对每个卷积分支，使用卷积层和池化层提取数据在空间中的特征；对于每个卷积分支，输入特征图片在经过一系列卷积层和池化...

【专利技术属性】
技术研发人员：伍璇，陈奇，张子健，陈明健，陈扬伟，裘英杰，
申请(专利权)人：浙江大学，
类型：发明
国别省市：