【技术实现步骤摘要】
本专利技术涉及径流预测领域，尤其涉及一种融合水文时空知识的径流预测方法及设备。
技术介绍
1、河流量的预测，特别是长期预测，对水资源的优化管理具有重要意义。许多水资源的利用，如水力发电、防治洪涝灾害、水库的优化运行、水资源的合理分配和环境保护等，都要借助河流量预测的结果来进行决策。由于河流量与自然、人类活动等多种因素相关，河流流量的变化存在很大的不确定性。精确预测河流量是非常有挑战，也是非常有价值的工作。
2、最初的研究是基于物理过程的模型来预测河流量的，它们使用基于边界条件约束的方程来模拟河流的水文过程，进而实现未来河流量的预测。这些模型不仅需要水文观测数据，而且需要使用流域的大量地理数据如地形、土壤质地、水文和土地利用覆盖等数据，来构建模型。在实践中，这些模型存在诸多方面的限制。首先，由于不同区域存在空间异质性，使用基于物理过程的预测模型时需要大量地理数据来校正模型的参数。而大量而准确地收集这些地理数据通常是非常困难的。此外，基于物理过程的模型中的参数数量多、取值范围广，而且参数间的相互作用复杂，难以准确建模参数间的关系，不仅难以被广泛引用，而且预测偏差较大。
3、得益于机器学习在模拟复杂关系的优异性能，基于机器学习的河流量预测方法不断涌现。例如，kratzert使用lstm模拟了241个流域的日流量，并且发现其结果优于区域级的一级水文模型。yan使用过去的河流量数据、天气数据以及天气预测情况来训练lstm模型，结果表明在洪水预测中lstm模型优于svr。zhang使用gru、lstm、mlp和wnn
4、在实际中,不同河流间可能会存在地理上的空间关系，这种地理上的空间关系为河流量预测提供了丰富的空间信息。为此，研究者们着手融合时间特征的网络到cnn中。如ghimire提出了基于cnn和lstm的混合模型来预测brisbane和teewah creek的未来短期流量。ghose应用cnn-lstm模型来预测barak river的径流量。huang在cnn的基础上设计一种健壮的损失函数来捕获多个河流序列间的时空特征。但cnn处理的数据需组织为图片或网格结构的形式，与河流间的空间布局有较大差异，难以描述河流间的空间关系。
5、近年来，研究者提出以图卷积网络为代表的图神经网络来解决cnn的限制。图卷积网络是一种能够在图结构数据上完成卷积操作的深度学习网络。如今的图卷积网络模型大都起源于谱域图卷积网络。谱域图卷积网络与传统卷积神经网络类似，具有多个卷积层和输入输出特征图。而在实际应用中，这种基于谱域的图卷积网络的计算过于复杂。为了降低计算的复杂性，chebyshev多项式估计被应用于代替谱域的卷积核，从而得到了chebnet。为了进一步简化计算过程，gcn在chebnet基础上只保留了chebyshev多项式的第一项。这种保留不仅使得gcn在性能上有了进一步的提升，而且还让图卷积泛化为根据节点邻接关系对顶点信息进行聚合，连通了谱域和顶点域。此外，gcn还有一些在结构上进行了改进的变体。如graphsage在gcn的基础上加入了邻居节点信息进行采样和聚合。gat是一种定义在顶点域上的图卷积网络，该网络能使用注意机制对每个节点的重要程度进行区分和动态调整。gcnii则是通过添加初始残差和单位映射有效解决了gcn、gat存在的过度平滑问题。现如今，图神经网络被广泛应用于社交分析、交通预测、节点分类等数据能够被表示为图结构的领域。
6、但是，这些数据驱动的方法忽略了河流量观测数据的水文时空知识。例如河水的流动是具有方向性和滞后性的，其表现为上游河流的流量需要一定时间才能影响到下游河流的流量。现有河流量预测模型由于缺乏水文时空知识的支撑，进行河流量预测的准确度受限。
技术实现思路
1、有鉴于此,本专利技术的目的在于提供一种融合水文时空知识的径流预测方法及设备，用于解决现有河流量预测模型由于缺乏水文时空知识的支撑，进行河流量预测的准确度受限的技术问题。
2、本专利技术提供了一种融合水文时空知识的径流预测方法，包括：
3、s1：获取水文站点数据，通过水文站点数据构建水文有向图；
4、s2：在水文有向图中融合时间信息，获得时空有向图；
5、s3：对时空有向图进行水流滞后时间校正，获得水文时空有向图；
6、s4：构建延时有向时空图卷积网络，将水文站点数据和水文时空有向图输入延时有向时空图卷积网络进行时空特征学习，获得径流预测结果。
7、优选的，步骤s1具体为：
8、s11：获取的水文站点数据包括：各水文站点经纬度、河流流向和拓扑关系；
9、s12：构建初始有向图，通过水文站点经纬度在初始有向图上通过节点表示各水文站点的位置；
10、s13：通过河流流向和拓扑关系构建有向邻接矩阵，通过有向邻接矩阵在初始有向图中使用有向边连接各节点，获得水文有向图；水文有向图g的表达式为g＝(v,a)；
11、其中，v表示节点集合；a∈rn*n表示有向邻接矩阵，n表示节点的数量，a的行表示下游水文站点，列表示上游水文站点。
12、优选的，步骤s2具体为：
13、s21：对水文有向图g＝(v,a)中的有向邻接矩阵a进行时间信息拓展，获得时空邻接矩阵
14、其中，v表示节点集合，tc为时间步数，n表示节点的数量；
15、s22：时空邻接矩阵a*中第tk行第ts列的子矩阵表示为其中，ts表示起始时刻，tk表示目标时刻；
16、s23：将ts＞tk的所有子矩阵中的所有元素均设置为0，表达式为：
17、
18、s24：将ts≤tk的所有子矩阵中的节点添加自循环，表达式为：
19、
20、获得时空有向图g1。
21、优选的，步骤s3具体为：
22、s31：提取时空有向图g1的节点集合v中的一组水文站点对，水文站点对包括：上游水文站点u和下游水文站点d；
23、s32：获取u到d沿河道的距离lu→d和河流的平均流速v，计算获得u到d的水流滞后时间tu→d，计算公式为：
24、
25、其中，tc为时间步数，表示对向上取整数；
26、s33：若时空邻接矩阵a*存在u和d，且u和d之间存在有向边连接，则将a*的子矩阵对应的值设为1，否则设为0；其中tr表示时本文档来自技高网...
【技术保护点】
1.一种融合水文时空知识的径流预测方法，其特征在于，包括：
2.根据权利要求1所述的融合水文时空知识的径流预测方法，其特征在于，步骤S1具体为：
3.根据权利要求1所述的融合水文时空知识的径流预测方法，其特征在于，步骤S2具体为：
4.根据权利要求1所述的融合水文时空知识的径流预测方法，其特征在于，步骤S3具体为：
5.根据权利要求1所述的融合水文时空知识的径流预测方法，其特征在于：
6.根据权利要求5所述的融合水文时空知识的径流预测方法，其特征在于，步骤S4具体为：
7.一种存储介质，其特征在于：所述存储介质存储指令及数据用于实现权利要求1～6任一项所述的融合水文时空知识的径流预测方法。
8.一种融合水文时空知识的径流预测设备，其特征在于：包括：处理器及存储介质；所述处理器加载并执行存储介质中的指令及数据用于实现权利要求1～6任一项所述的融合水文时空知识的径流预测方法。
【技术特征摘要】
1.一种融合水文时空知识的径流预测方法，其特征在于，包括：
2.根据权利要求1所述的融合水文时空知识的径流预测方法，其特征在于，步骤s1具体为：
3.根据权利要求1所述的融合水文时空知识的径流预测方法，其特征在于，步骤s2具体为：
4.根据权利要求1所述的融合水文时空知识的径流预测方法，其特征在于，步骤s3具体为：
5.根据权利要求1所述的融合水文时空知识的径流预测方法，其特征在于：...
【专利技术属性】
技术研发人员：姚宏，段依琳，李圣文，周燚，李新川，梁庆中，
申请(专利权)人：中国地质大学武汉，
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。