基于TCN-LSTM-Attention模型的河流水位预测方法及系统技术方案

本发明专利技术公开了一种基于TCN‑LSTM‑Attention模型的河流水位预测方法及系统，该方法包括下述步骤：获取水位相关的多个传感器监测数据，按采集时间排序得到多特征变量时序数据，对多特征变量时序数据进行数据预处理并填补缺失数据；将预处理后的数据划分为训练集和测试集，使用滑动窗口提取输入特征和输出特征，对数据进行标准化处理，得到特征数据集；构建TCN‑LSTM‑Attention模型并进行模型训练；基于训练后的TCN‑LSTM‑Attention模型进行河流水位实时预测，输出河流水位预测结果。本发明专利技术能精准有效地利用河流历史水位、雨量数据预测河流水位，实现高准确率的多步水位预测。

【技术实现步骤摘要】

本专利技术涉及水位预测，具体涉及一种基于tcn-lstm-attention模型的河流水位预测方法及系统。

技术介绍

1、河流水位主要受降雨量、流域面积等影响，接近入海口的部分受到潮汐影响，呈现出季节性、周期性、随机性等线性与非线性结合的特征。在部分具有季节性、周期性的潮汐水位的地方，排水调度方案是先制定目标，现场工作人员按照历史经验，结合前一天的数据进行调度。这种方法依赖工作人员自身主观判断，受工作人员水平影响，调度方案执行的效果良莠不齐，在联防联控的排水系统中，更受到不同工作人员经验以及主观判断影响，无法取得良好的调度效果。

2、河流的水位监测和预测可以为整个排水系统的调度提供统一的数据依据，不再强行依赖工作人员的经验和主观判断，使得调度系统能够更好地发挥出效果，相比于其他时序预测任务，河流的水位预测，尤其是多步预测，具有非常大的挑战性。传统的水位预测方法主要采用自回归方法，在一定程度上取得不错效果。但是，这些方法受到模型复杂性和数据量的限制，无法捕捉水位数据中的非线性关系和时空依赖，预测精度、步长无法满足复杂的工程环境。

3、本文档来自技高网...

【技术保护点】

1.一种基于TCN-LSTM-Attention模型的河流水位预测方法，其特征在于，包括下述步骤：

2.根据权利要求1所述的基于TCN-LSTM-Attention模型的河流水位预测方法，其特征在于，所述获取水位相关的多个传感器监测数据，按采集时间排序得到多特征变量时序数据，具体包括：

3.根据权利要求1所述的基于TCN-LSTM-Attention模型的河流水位预测方法，其特征在于，所述使用滑动窗口提取输入特征和输出特征，具体包括：

4.根据权利要求1所述的基于TCN-LSTM-Attention模型的河流水位预测方法，其特征在于，对数据进行标准化处...

【技术特征摘要】

1.一种基于tcn-lstm-attention模型的河流水位预测方法，其特征在于，包括下述步骤：

2.根据权利要求1所述的基于tcn-lstm-attention模型的河流水位预测方法，其特征在于，所述获取水位相关的多个传感器监测数据，按采集时间排序得到多特征变量时序数据，具体包括：

3.根据权利要求1所述的基于tcn-lstm-attention模型的河流水位预测方法，其特征在于，所述使用滑动窗口提取输入特征和输出特征，具体包括：

4.根据权利要求1所述的基于tcn-lstm-attention模型的河流水位预测方法，其特征在于，对数据进行标准化处理，具体采用标准差标准化，表示为：

5.根据权利要求1所述的基于tcn-lstm-attention模型的河流水位预测方法，其特征在于，所述input层将河流水位、雨量数据输入到cnn层，所述cnn层对河流水位、雨量数据进行时间序列规律提取，所述maxpooling1d层进行最大值池化，所述tcn层进行时间因果规律特征提取，所述第一lstm层、第一dropout层、第二lstm层、第二dropout层提取时间序列变化规律，所述attention层根据河流水位时间序列内部依赖关系提取关键特征，对注意力输出进行降维并求和，所述dense堆叠层根据河流水位时间变化规律的关键特征预测水位。

6.一种基于tcn-lstm-attention模型的河流水位预测系统，其特征在于，包括：多特征变量时序数据构建模块、数据预处理模块...

【专利技术属性】
技术研发人员：伍毅，姜涛，陈兵，罗文海，梁肇麟，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：