一种基于深度时序图网络的站点群径流预测方法技术

本发明专利技术提供了一种基于深度时序图网络的站点群径流预测方法，通过构建新的基于图神经网络和卷积神经网络的站点群径流预测模型，用于区域多站点的径流预测，时序信息提取模块用于在时间尺度上提取输入数据的特征信息；空间聚合模块对不同站点之间的特征信息进行聚合，刻画其它站点对本站点的影响；时序建模部分负责对每个站点聚合得到的信息进行时序建模，最后对隐藏状态信息做全连接网络得到每个站点的预测径流。本发明专利技术能够高效地提取不同站点之间存在的地理空间关系和相互影响因素，同时融合了传统时序网络，综合考虑了时空关联性和一致性，充分挖掘了数据中隐藏的时空关系，提高了站点群整体径流预测的精确度。

【技术实现步骤摘要】

本专利技术涉及机器学习，具体涉及一种径流预测方法。

技术介绍

1、径流预测是水文学和水资源管理领域的一个重要研究方向，对于水资源规划、水灾害管理、环境保护和农业灌溉等方面都有着重要意义。径流预测的准确性直接影响到水资源的有效管理和分配，以及防洪和减灾策略的制定。

2、近年来，随着深度学习方法的发展和可用的大规模气象和径流数据集的出现，基于深度学习的径流预测方法取得了长足的发展。借助深度学习技术的强大数据处理能力，通过构建复杂的神经网络模型来学习和提取数据中的复杂模式，与传统方法相比，其性能有了很大的提高。现阶段的深度学习径流预测方法采用两种主流方案开展，分为基于长短时记忆网络(lstm)的时间序列建模算法和基于transformer的编码器-解码器结构，通过自回归方式、非自回归方式以及端到端模式简化了传统径流预测方法中建模和参数率定方法，有效提高了预测效率以及预测精度。例如，kratzert f与klotz d等人在文献“rainfall–runoff modelling using long short-term memory(lstm)ne本文档来自技高网...

【技术保护点】

1.一种基于深度时序图网络的站点群径流预测方法，其特征在于包括下述步骤：

2.根据权利要求1所述的基于深度时序图网络的站点群径流预测方法，其特征在于：

3.根据权利要求1所述的基于深度时序图网络的站点群径流预测方法，其特征在于：步骤1的数据序列化采用滑动窗口的方式，使用滑动窗口进行序列化的公式如下：

4.根据权利要求1所述的基于深度时序图网络的站点群径流预测方法，其特征在于：

5.根据权利要求1所述的基于深度时序图网络的站点群径流预测方法，其特征在于：

6.根据权利要求1所述的基于深度时序图网络的站点群径流预测方法，其特征在于：...

【技术特征摘要】

1.一种基于深度时序图网络的站点群径流预测方法，其特征在于包括下述步骤：

2.根据权利要求1所述的基于深度时序图网络的站点群径流预测方法，其特征在于：

3.根据权利要求1所述的基于深度时序图网络的站点群径流预测方法，其特征在于：步骤1的数据序列化采用滑动窗口的方式，使用滑动窗口进行序列化的公式如下：

4.根据权利要求1所述的基于深度时序图网络的站点群径流预测方法，其特征在于：

5.根据权利要求1所述的基于深度时序图网络的站点群径流预测方法，其特征在于：

6.根据权利要求1所...

【专利技术属性】
技术研发人员：尹翰林，张秀伟，张艳宁，王兆鑫，郑启睿，朱明转，赵黎阳，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：