【技术实现步骤摘要】
本专利技术属于水位预测，尤其涉及一种耦合多通道聚类模块的水库水位预测方法。
技术介绍
1、准确的水库水位预测是进行水库运用和调度的重要前提，对于保障防汛抢险、抗旱补水、水资源高效利用与调度、水生态环境维持和保护等具有重要意义。
2、水库水位的变化受到多个方面因素的影响，各个影响因子（即通道）的共同作用决定了未来水库水位的波动过程。近些年来随着计算机科学的发展，用于进行水库水位的机器学习方法以及深度学习方法得到了快速的发展。
3、然而，目前大部分方法在进行模型训练时主要是基于通道无关的策略，即训练了一个在所有通道之间共享的单变量模型，只考虑了单个通道（即单个影响因子）与待预测变量之间的关系，忽略各个通道时间序列样本之间的互相关性；另一方面，除了通道无关的训练策略，另一种训练模式则是采用的通道依赖策略，即将所有通道作为一个整体进行建模用以捕获通道间的关系，但它们往往表现出过度平滑并且难以拟合各个通道，特别是当通道之间的相似性非常低时，其预测效果较差。
技术实现思路
1、...
【技术保护点】
1.一种耦合多通道聚类模块的水库水位预测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的一种耦合多通道聚类模块的水库水位预测方法，其特征在于，所述S1中的收集水库水位及其相关影响因子多个通道的时间序列数据时，主要包括水库水位、入库流量、降雨量和蒸发量类型的时间序列，其中水库水位为待预测变量，水库水位对应的当前入库流量、降雨量、蒸发量以及历史不同时刻的入库流量、降雨量和蒸发量为影响水库水位变化的特征变量，假设最终处理后的特征变量数为F，由于每个特征时间序列变量对应一个通道，所以通道数也为F，设水库水位及其影响特征时间序列为X∈Rt×F，其中...
【技术特征摘要】
1.一种耦合多通道聚类模块的水库水位预测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的一种耦合多通道聚类模块的水库水位预测方法，其特征在于，所述s1中的收集水库水位及其相关影响因子多个通道的时间序列数据时，主要包括水库水位、入库流量、降雨量和蒸发量类型的时间序列，其中水库水位为待预测变量，水库水位对应的当前入库流量、降雨量、蒸发量以及历史不同时刻的入库流量、降雨量和蒸发量为影响水库水位变化的特征变量，假设最终处理后的特征变量数为f，由于每个特征时间序列变量对应一个通道，所以通道数也为f，设水库水位及其影响特征时间序列为x∈rt×f，其中，r为实数集，其维度为t×f，表明其由f个通道的时间序列组成，每个通道的时间序列长度为t，则第i个通道的时间序列表示为xi=x[1:t, i]。
3.根据权利要求2所述的一种耦合多通道聚类模块的水库水位预测方法，其特征在于，所述s2中采用的预测模型为timefm模型，耦合至预测模型timefm中的多通道聚类模块首先需要原型一组聚类嵌入向量，通过多层感知机将每个通道的输入时间序列转换为通道嵌入向量，计算每个通道嵌入向量与其所属聚类嵌入向量之间的相似度，并通过归一化内积来确定每个通道与各个聚类的关联概率。
4.根据权利要求3所述的一种耦合多通道聚类模块的水库水位预测方法，其特征在于，所述s2中原型一组聚类嵌入向量时，假设聚类嵌入的簇数为n，则这组聚类嵌入矩阵c表示为c=[c1,...,ck,..., cn]∈rn×d，其中第k簇为ck∈rd，d是隐藏维度，将收集到的水库水位及其影响特征时间序列第i个通道的一维时间序列xi通过多层感知机mlp转换成d维的通道嵌入向量hi，所有f个通道嵌入向量构成通道嵌入矩阵h=[h1,...,hi,...,hf]∈rf×d则第i个通道嵌入向量与第k簇聚类向量的关联概率表示为式（1）：
5.根据权利要求4所述的一种耦合多通道聚类模块的水库水位预测方法，其特征在于，所述s2中耦合至预测模型timefm中的多通道聚类模块在确定每个通道与各个聚类的关联概率后，需要进行原型学习，具体的，首先采用聚类分配器在训练阶段为每个聚类创建一个d维的原型聚类嵌入矩阵，同时采用交叉注意力机制来增强簇内通道的关联性以及减...
【专利技术属性】
技术研发人员：李港，温天福，刘章君，张静文，刘鑫，鄢笑宇，
申请(专利权)人：江西省水利科学院江西省大坝安全管理中心，江西省水资源管理中心，
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。