一种基于时空注意力图卷积网络的多任务径流预测方法技术

本发明专利技术涉及一种基于时空注意力图卷积网络的多任务径流预测方法，旨在解决中长期径流预报中存在的时空分布问题，设计首先使用空间注意力图卷积模块对多元时间序列进行空间表征，通过空间注意机制来提取站间流量序列的空间相关性，将由注意机制调整的输入输入到图卷积模块中；然后使用时间注意力

【技术实现步骤摘要】
一种基于时空注意力图卷积网络的多任务径流预测方法


[0001]本专利技术涉及一种基于时空注意力图卷积网络的多任务径流预测方法，属于深度学习及径流预测

。

技术介绍

[0002]径流预测在水资源管理
、
水电站调度
、
防洪减灾
、
农业生产等方面具有重要的应用价值
。
径流预测是水文和水资源管理中的关键任务，它对理解气候变化和城市化对水资源的影响起着至关重要的作用
。
准确的径流预测可以帮助估计给定盆地中可供人类使用的水量，并促进关于以可持续方式的水资源分配
、
洪水管理以及水资源基础设施的设计和运营的决策
。
[0003]随着计算机技术和水文学理论的发展，径流预测逐渐从经验公式和统计模型转向了基于数学模型的方法
。
目前，基于数学模型的径流预测方法主要有物理模型和数据驱动模型两类
。
物理模型是通过建立水文动力学方程来描述流域内径流的产生和汇入河流的过程，包括常见的水文模型如
SWMM、HEC
‑
HMS
等；数据驱动模型则是基于历史观测数据来拟合模型，包括神经网络
、
支持向量机
、
随机森林等机器学习模型
。
这些方法在预测精度和适用性方面有所不同，需要根据具体问题选择合适的方法
。

技术实现思路

[0004]本专利技术所要解决的技术问题是提供一种基于时空注意力图卷积网络的多任务径流预测方法，结合多层神经网络和注意机制，增强泛化性能，提高径流预测的准确性
。
[0005]本专利技术为了解决上述技术问题采用以下技术方案：本专利技术设计了一种基于时空注意力图卷积网络的多任务径流预测方法，按如下步骤
A
至步骤
E
，获得关于目标流域上各检测位置的径流预测模型，并按步骤
i
至步骤
ii
，应用径流预测模型，实现目标流域上各检测位置对应未来目标时间的径流预测；
[0006]步骤
A.
统计目标流域上各检测位置分别对应预设历史共同时段内各历史时间点包含径流量
、
降雨量在内的至少两个预设分析属性的值，并进行数据预处理
、
以及同类型分析属性下的归一化更新，然后进入步骤
B
；
[0007]步骤
B.
基于目标流域上各检测位置分别对应预设历史共同时段内各历史时间点的各预设分析属性的值，按预设数量连续各历史时间点构成分析历史时间点序列，以及向未来时间方向
、
与分析历史时间点序列间隔预设时长跨度的历史时间点构成目标历史时间点，以各检测位置分别对应分析历史时间点序列的各预设分析属性的值，结合各检测位置分别对应目标历史时间点的径流量，构成单个样本，进而获得各个样本，然后进入步骤
C
；
[0008]步骤
C.
基于目标流域上各检测位置之间的距离
、
以及两两检测位置之间关于各预设分析属性的相关系数，构建各检测位置所对应的邻接矩阵
A
，并结合各检测位置分别对应各历史时间点由各预设分析属性的值组成的特征向量，构成水文空间图，然后进入步骤
D
；
[0009]步骤
D.
构建包括分别一一对应预各设分析属性的各输入端
、
以及对应径流量的输
出端的时空图神经网络模型，然后进入步骤
E
；
[0010]步骤
E.
根据各个样本，结合水文空间图，以样本中各检测位置分别对应分析历史时间点序列的各预设分析属性的值为输入，样本中各检测位置分别对应目标历史时间点的径流量为输出，针对时空图神经网络模型进行训练，获得关于目标流域上各检测位置的径流预测模型；
[0011]步骤
i.
针对向历史时间方向与未来目标时间间隔预设时长跨度的分析历史时间点序列，统计目标流域上各检测位置分别对应分析历史时间点序列内各历史时间点包含径流量
、
降雨量在内的各个预设分析属性的值，并进行数据预处理
、
以及同类型分析属性下的归一化更新；
[0012]步骤
ii.
针对各检测位置分别对应分析历史时间点序列的各个预设分析属性的值，应用径流预测模型，预测获得各检测位置分别对应未来目标时间的径流
。
[0013]作为本专利技术的一种优选技术方案：所述步骤
A、
步骤
i
中的数据预处理为分别针对各分析属性的值，依次执行数据异常值处理
、
以及数据缺失处理
。
[0014]作为本专利技术的一种优选技术方案：所述步骤
C
包括如下步骤：
[0015]步骤
C1.
以目标流域上各检测位置为节点，两两检测位置之间地理距离的归一化结果为节点间边的权值，构建水文距离图；
[0016]步骤
C2.
基于各检测位置分别对应各历史时间点由各预设分析属性的值组成的特征向量，以目标流域上各检测位置为节点，两两检测位置之间关于特征向量的相关系数为节点间边的权值，构成水文相关系数图；
[0017]步骤
C3.
通过水文距离图上各边的权值分别与水文相关系数图对应位置边的权值的融合，实现水文距离图与水文相关系数图之间的融合，构成邻接矩阵
A
；
[0018]步骤
C4.
基于邻接矩阵
A
，结合各检测位置分别对应各历史时间点由各预设分析属性的值组成的特征向量，构成水文空间图
。
[0019]作为本专利技术的一种优选技术方案：所述步骤
C2
中，基于各检测位置分别对应各历史时间点由各预设分析属性的值组成的特征向量，以目标流域上各检测位置为节点，两两检测位置之间关于特征向量的皮尔逊相关系数为节点间边的权值，构成水文相关系数图
。
[0020]作为本专利技术的一种优选技术方案：所述步骤
D
按如下步骤
D1
至步骤
D2
，构建时空图神经网络模型；
[0021]步骤
D1.
构建分别对应预各设分析属性的各特征提取支路，由各特征提取支路的输入端构成时空图神经网络模型的各输入端，分别接收各检测位置对应分析历史时间点序列的对应预设分析属性的值，并由各特征提取支路分别处理输出各检测位置对应分析历史时间点序列关于对应预设分析属性的特征序列；
[0022]步骤
D2.
各特征提取支路的输出端分别对接全连接层，由全连接层用于接收来自各特征提取支路的特征序列，处理获得对应查询矩阵
Q
；同时，各特征提取支路的输出端本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于时空注意力图卷积网络的多任务径流预测方法，其特征在于：按如下步骤
A
至步骤
E
，获得关于目标流域上各检测位置的径流预测模型，并按步骤
i
至步骤
ii
，应用径流预测模型，实现目标流域上各检测位置对应未来目标时间的径流预测；步骤
A.
统计目标流域上各检测位置分别对应预设历史共同时段内各历史时间点包含径流量
、
降雨量在内的至少两个预设分析属性的值，并进行数据预处理
、
以及同类型分析属性下的归一化更新，然后进入步骤
B
；步骤
B.
基于目标流域上各检测位置分别对应预设历史共同时段内各历史时间点的各预设分析属性的值，按预设数量连续各历史时间点构成分析历史时间点序列，以及向未来时间方向
、
与分析历史时间点序列间隔预设时长跨度的历史时间点构成目标历史时间点，以各检测位置分别对应分析历史时间点序列的各预设分析属性的值，结合各检测位置分别对应目标历史时间点的径流量，构成单个样本，进而获得各个样本，然后进入步骤
C
；步骤
C.
基于目标流域上各检测位置之间的距离
、
以及两两检测位置之间关于各预设分析属性的相关系数，构建各检测位置所对应的邻接矩阵
A
，并结合各检测位置分别对应各历史时间点由各预设分析属性的值组成的特征向量，构成水文空间图，然后进入步骤
D
；步骤
D.
构建包括分别一一对应预各设分析属性的各输入端
、
以及对应径流量的输出端的时空图神经网络模型，然后进入步骤
E
；步骤
E.
根据各个样本，结合水文空间图，以样本中各检测位置分别对应分析历史时间点序列的各预设分析属性的值为输入，样本中各检测位置分别对应目标历史时间点的径流量为输出，针对时空图神经网络模型进行训练，获得关于目标流域上各检测位置的径流预测模型；步骤
i.
针对向历史时间方向与未来目标时间间隔预设时长跨度的分析历史时间点序列，统计目标流域上各检测位置分别对应分析历史时间点序列内各历史时间点包含径流量
、
降雨量在内的各个预设分析属性的值，并进行数据预处理
、
以及同类型分析属性下的归一化更新；步骤
ii.
针对各检测位置分别对应分析历史时间点序列的各个预设分析属性的值，应用径流预测模型，预测获得各检测位置分别对应未来目标时间的径流
。2.
根据权利要求1所述一种基于时空注意力图卷积网络的多任务径流预测方法，其特征在于：所述步骤
A、
步骤
i
中的数据预处理为分别针对各分析属性的值，依次执行数据异常值处理
、
以及数据缺失处理
。3.
根据权利要求1所述一种基于时空注意力图卷积网络的多任务径流预测方法，其特征在于：所述步骤
C
包括如下步骤：步骤
C1.
以目标流域上各检测位置为节点，两两检测位置之间地理距离的归一化结果为节点间边的权值，构建水文距离图；步骤
C2.
基于各检测位置分别对应各历史时间点由各预设分析属性的值组成的特征向量，以目标流域上各检测位置为节点，两两检测位置之间关于特征向量的相关系数为节点间边的权值，构成水文相关系数图；步骤
C3.
通过水文距离图上各边的权值分别与水文相关系数图对应位置边的权值的融合，实现水文距离图与水文相关系数图之间的融合，构成邻接矩阵
A
；步骤
C4.
基于邻接矩阵
A
，结合各检测位置分别对应各历史时间点由各预设分析属性的
值组成的特征向量，构成水文空间图
。4.
根据权利要求3所述一种基于时空注意力图卷积网络的多任务径流预测方法，其特征在于：所述步骤
C2
中，基于各检测位置分别对应各历史时间点由各预设分析属性的值组成的特征向量，以目标流域上各检测位置为节点，两两检测位置之间关于特征向量的皮尔逊相关系数为节点间边的权值，构成水文相关系数图
。5.
根据权利要求1所述一种基于时空注意力图卷积网络的多任务径流预测方法，其特征在于：所述步骤
D
按如下步骤
D1
至步骤
D2
，构建时空图神经网络模型；步骤
D1.
构建分别对应预各设分析属性的各特征提取支路，由各特征提取支路的输入端构成时空图神经网络模型的各输入端，分别接收各检测位置对应分析历史时间点序列的对应预设分析属性的值，并由各特征提取支路分别处理输出各检测位置对应分析历史时间点序列关于对应预设分析属性的特征序列；步骤
D2.
各特征提取支路的输出端分别对接全连接层，由全连接层用于接收来自各特征提取支路的特征序列，处理获得对应查询矩阵
Q
...

【专利技术属性】
技术研发人员：谢在鹏，卢津，
申请(专利权)人：河海大学，
类型：发明
国别省市：