基于时域卷积神经网络与残差网络的降雨径流预报建模方法、装置和电子设备制造方法及图纸

本发明专利技术公开了一种基于时域卷积神经网络与残差网络的降雨径流预报建模方法、装置和电子设备，包括：获取流域径流量数据与流域降雨栅格数据并进行预处理；构建TCN‑ResNet模型；初始化TCN‑ResNet模型超参数；用训练集对TCN‑ResNet模型进行训练；用相关评价指标对预测结果进行评估。本发明专利技术利用TCN提取流域径流数据的时序特征，并在此基础上引入ResNet提取流域范围内降雨分布的空间特征，最后通过特征融合的方式将时序特征与空间特征融合在一起，对降雨数据的时空特性进行了充分挖掘，可有效提高降雨径流预报的准确性和鲁棒性。

【技术实现步骤摘要】

本专利技术属于水利行业降雨径流预报，具体涉及一种基于时域卷积神经网络与残差网络的降雨径流预报建模方法、装置和电子设备。

技术介绍

1、随着水利信息化、gis技术和计算机相关算法技术的持续创新，知识驱动水文预测模型逐渐从集总式模型向分布式模型转变，对数据精细度和计算复杂度的要求日益增加，同时预报精度和可靠性也在不断提升。然而，在降雨径流预报领域，尽管现有模型在性能上有所突破，但仍存在一些显著问题。目前，数据驱动下的降雨径流预报模型大多仅关注流域出断口径流量的水文时间序列特点，而往往忽略了降雨的空间相关性，如上游降雨事件与下游径流量之间的关系。这种局限性不仅导致了在训练过程中容易出现过拟合现象，还因为水文资料的稀缺性而使得模型的泛化性较差。更为关键的是，现有模型在样本稀缺流域往往难以学习复杂的降雨径流非线性映射关系，限制了模型性能和鲁棒性的进一步提升。

2、因此，如何根据水文数据的时空特征有效设计神经网络结构，提高模型提取复杂时空特征的能力，成为了当前降雨径流预报领域亟待解决的问题。这不仅需要模型能够深入挖掘水文时间序列中的时序特征，还需能够充分考本文档来自技高网...

【技术保护点】

1.一种基于时域卷积神经网络与残差网络的降雨径流预报建模方法，其特征在于，包括：

2.根据权利要求1所述一种基于时域卷积神经网络与残差网络的降雨径流预报建模方法，其特征在于，所述步骤1中具体过程包括：

3.根据权利要求1所述一种基于时域卷积神经网络与残差网络的降雨径流预报建模方法，其特征在于，所述步骤2中具体过程包括：

4.一种基于时域卷积神经网络与残差网络的降雨径流预报建模装置，其特征在于，包括：

5.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权...

【技术特征摘要】

1.一种基于时域卷积神经网络与残差网络的降雨径流预报建模方法，其特征在于，包括：

2.根据权利要求1所述一种基于时域卷积神经网络与残差网络的降雨径流预报建模方法，其特征在于，所述步骤1中具体过程包括：

3.根据权利要求1所述一种基于时域卷积神经网络与残差网络的降雨径流预报建模方法，其特征在于，所述步骤2中具体过程包括：

4.一种基于时域卷积神经网络与残差网络的降雨径流预报建模装置，其特征在于，...

【专利技术属性】
技术研发人员：胡鹤轩，陈志豪，胡强，张晔，胡震云，张鹏程，孟青，崔晗，
申请(专利权)人：河海大学，
类型：发明
国别省市：