基于AE-RCNN的洪水分级智能预报方法技术

本发明专利技术公开了一种基于AE

【技术实现步骤摘要】
基于AE
‑
RCNN的洪水分级智能预报方法


[0001]本专利技术涉及一种洪水预报方法，具体涉及一种基于洪水分级智能预报方法。

技术介绍

[0002]当前应用广泛的洪水预报模型主要包括概念性水文模型和数据驱动模型。概念式水文模型应用广泛，在很多流域取得了较好的模拟效果，但其内部不同意义的水文参数相互作用复杂，导致其有很强的不确定性，往往需要大量流域自然地理数据，或借助敏感性分析和优化算法辅助确定参数。数据驱动模型的效果则主要受训练数据和模型结构影响，当输入数据与目标数据相关性不显著时可能会出现模型难以收敛的情况，而模型复杂度较高时则可能出现梯度消失的问题。
[0003]当研究区域的产汇流特性较为复杂时，洪水预报模型使用一套参数往往难以实现对洪水过程的准确模拟，此时可对降雨、流量数据进行分级处理，数据特征相近的洪水共用一套模型参数以提高洪水预报的准确性。但面对复杂的降雨流量序列，原始数据包含大量冗余信息，直接进行聚类计算量过大，通常是选取特定的数据特征进行聚类。其中数据特征的选择往往依赖于研究人员的自身经验，选定数据特征对原始数据的描述效果亦难以评定，可能丢失大量有效信息。
[0004]因此，使用自编码器实现原始降雨、流量数据的自动降维，再将降维后的数据通过K均值聚类算法进行洪水分级，最后利用残差卷积神经网络进行洪水预报能够有效提高洪水预报精度，具有重要意义。

技术实现思路

[0005]基于上述现有技术存在的问题，本专利技术提出了一种基于AE
‑
RCNN的洪水分级智能预报方法，利用K均值聚类方法进行洪水分级，应用于RCNN卷积神经网络以实现智能预报方法。
[0006]本专利技术利用以下技术方案实现：
[0007]一种基于AE
‑
RCNN的洪水分级智能预报方法，其特征在于，具体包括以下步骤：
[0008]步骤1、将降雨、流量数据分别归一化处理，归一化后的的降雨、流量数据输入AE模型中进行数据降维处理；
[0009]步骤2、获得经过步骤1数据降维之后的降雨、流量数据的隐藏向量，进行K均值聚类，具体的，每个聚类中心对应洪水级别，将不同场次洪水的降雨、流量数据隐藏向量分配到与其最近的聚类中心所在的级别，更新每个级别的聚类中心，直到达到收敛条件为止，进行洪水分级；
[0010]步骤3、将归一化后的降雨、流量数据分配到步骤2得到的级别，基于RCNN卷积神经网络构建洪水分级预报模型，以各级别的洪水数据根据洪水分级预报模型进行训练，得到训练后的K类模型参数；
[0011]在模型应用时，将数据分别输入K类聚类中心所对应的RCNN洪水预报模型中得到K
类预报结果，再将预报结果和各自的聚类中心按洪峰时刻对齐，计算二者交集的欧氏距离，以距离最近的预报结果作为最优预报结果。
[0012]相较于现有技术，本专利技术能够有效提取数据特征、提高洪水预报精度。
附图说明
[0013]图1为本专利技术的基于AE
‑
RCNN的洪水分级智能预报方法流程图；
[0014]图2为本专利技术的基于AE
‑
RCNN的洪水分级智能预报方法算法框图；流程图；
[0015]图3为部分场次模拟洪水过程对比与测试集模拟结果散点图；(a)CNN模型，(b)RCNN模型，(c)降雨聚类RCNN模型，(d)AE
‑
RCNN模型。
具体实施方式
[0016]以下结合附图和具体实施例对本专利技术技术方案进行详细描述。
[0017]本专利技术提供提出一种基于自编码器(AE)和残差卷积神经网络(RCNN)的洪水分级智能预报方法，使用自编码器和K均值聚类算法实现对原始水文数据的特征提取和洪水分级，通过RCNN模型提升卷积神经网络的有效训练深度。
[0018]如图1所示，本专利技术的基于AE
‑
RCNN的洪水分级智能预报方法具体包括以下步骤：
[0019]步骤1、进行数据降维处理，具体包括：选取洪峰前后一段时间内的降雨、流量数据作为原始数据，将原始的降雨流量数据分别归一化至[0,1]区间内，得到归一化的降雨流量o，如下式所示：
[0020][0021]其中，o是归一化后的降雨流量数据，y是原始降雨流量数据。
[0022]将归一化后的的降雨流量o数据输入到AE(自编码器)模型中进行数据降维；相关的原理为：通过将原始数据输入一个编码器网络编码成一个固定维度的隐藏变量，然后通过一个解码器网络对这个隐藏变量进行解码，从而得到输出数据。当以重构数据的误差作为损失函数进行网络训练时，编码器网络在将原始数据映射到低维隐藏向量后，可以通过解码器网络得到与原始数据相似的输出，这表示隐藏向量中保留了原始数据的基本特征，因此将降维后的隐藏向量应用于聚类算法能够大幅降低计算复杂度，也避免了传统聚类算法人为选择数据特征带来的不确定性。
[0023]步骤2、进行洪水分级，本步骤中对经过步骤1自编码及数据降维之后的不同场次降雨、流量数据的隐藏向量进行K均值聚类：首先随机初始化K个聚类中心，每个聚类中心对应一个洪水级别，然后将不同场次洪水的降雨、流量数据隐藏向量分配到距离最近的聚类中心所对应级别，接着更新每个级别的聚类中心，直到达到收敛条件为止。具体流程如下：
[0024]步骤2.1、随机初始化K个聚类中心，每个聚类中心对应一个洪水级别；
[0025]步骤2.2、计算不同场次洪水的降雨、流量数据的隐藏向量与每个聚类中心的距离dist，根据距离dist将不同场次洪水的降雨、流量数据的隐藏向量分配到最近的聚类中心所在的洪水级别；其中，不同场次洪水的降雨、流量数据的隐藏向量与每个聚类中心的距离dist，如下式所示：
[0026][0027]其中，o
i
是第i场次洪水，c
j
是第j个聚类中心，j∈[1,K]，D是洪水降雨、流量数据的总维度；
[0028]步骤2.3、重新计算聚类中心，即将洪水级别中所有洪水的降雨、流量数据取平均值作为第j个洪水级别的新的聚类中心c
j_new
，如下式所示：
[0029][0030]式中，S
j
是第j个洪水级别的总的洪水场次，N
j
是第j个洪水级别中的洪水场次数量；
[0031]步骤2.4、重复执行步骤2.2和2.3，直到满足收敛条件，如聚类中心不再发生明显的变化或达到最大迭代次数等，得到预处理后的聚类中心；
[0032]将据预处理后的聚类中心输入AE模型中的解码器得到洪水降雨、流量数据的聚类中心，作为后续实际应用时进行原始洪水数据分级的依据；
[0033]步骤3、进行洪水预报，基于卷积神经网络(RCNN)构建洪水分级预报模型，通过分级后的洪水数据对洪水分级预报模型进行训练，保存训练后的K类模型参数；
[0034]本步骤的卷积神经网络(RCNN)采用的卷积方式为一维卷积，卷积输出的具体计算公式如下：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AE
‑
RCNN的洪水分级智能预报方法，其特征在于，具体包括以下步骤：步骤1、将降雨、流量数据分别归一化处理，归一化后的降雨、流量数据输入AE模型中进行数据降维处理；步骤2、获得经过步骤1数据降维之后的降雨、流量数据的隐藏向量，进行K均值聚类，具体的，每个聚类中心对应洪水级别，将不同场次洪水的降雨、流量数据隐藏向量分配到与其最近的聚类中心所在的级别，更新每个级别的聚类中心，直到达到收敛条件为止，进行洪水分级；步骤3、将归一化后的降雨、流量数据分配到步骤2得到的级别，基于RCNN卷积神经网络构建洪水分级预报模型，以各级别的洪水数据根据洪水分级预报模型进行训练，得到训练后的K类模型参数；在模型应用时，将数据分别输入K类聚类中心所对应的RCNN洪水预报模型中得到K类预报结果，再将预报结果和各自的聚类中心按洪峰时刻对齐，计算二者交集的欧氏距离，以距离最近的预报结果作为最优预报结果。2.如权利要求1所述的一种基于AE
‑
RCNN的洪水分级智能预报方法，其特征在于，所述步骤2具体包括以下步骤：步骤2.1、随机初始化K个聚类中心，每个聚类中心对应一个洪水级别；步骤2.2、计算不同场次洪水的降雨、流量数据的隐藏向量与每个聚类中心的距离dist，根据距离dist将不同场次洪水的降雨、流量数据的隐藏向量分配到最近的聚类中心所在的洪水级别；其中，不同场次洪水的降雨、流量数据的隐藏向量与每个聚类中...

【专利技术属性】
技术研发人员：苑希民，田福昌，李达，王洋，王如锴，侯玮，
申请(专利权)人：天津大学，
类型：发明
国别省市：