一種基于深度學習的特征提取水文預報的方法技術

本發明專利技術涉及水文預報技術領域，尤其為一種基于深度學習的特征提取水文預報的方法，包括以下步驟：S1，在服務器內構建水文特征提取卷積網絡模型，通過網絡收集洪水發生時的水文特征，并將收集到的水文特征組成訓練集A，將訓練集A送入水文特征提取卷積網絡模型中，水文特征提取卷積網絡模型對訓練集進行處理，得到處理集B；S2，對處理集B進行歸一化處理，得到歸一數據集C，將歸一數據集C送入判定函數內，得到判斷值，將判斷值與判斷閾值進行對比，本發明專利技術可以有效解決現有的水位預報方法仍然存在著仍然存在的精度偏低、預見期不足、難以滿足時代發展、社會進步所要求的越來越高的預報精度要求，而且極易造成數據資源浪費的問題。而且極易造成數據資源浪費的問題。

【技術實現步驟摘要】
一種基于深度學習的特征提取水文預報的方法


[0001]本專利技術涉及水文預報
，具體為一種基于深度學習的特征提取水文預報的方法。

技術介紹

[0002]水文預報既是水旱災害防御的重要技術支撐，又是水庫興利調度和資源高效利用的重要手段，水文預報的相關模型和方法眾多，大都能夠反映水文學的一些基本規律，但由于人類對流域水文氣象現象認識有限，自然界規律變化又錯綜復雜，傳統模型和方法難以全面反映客觀規律，例如統計類預報方法通常面臨物理意義考慮不充分的問題，而陸氣耦合類方法往往存在氣象信息與水文模型空間尺度不匹配的矛盾。
[0003]現有的水位預報方法仍然存在著仍然存在精度偏低、預見期不足的問題，不僅難以滿足時代發展、社會進步所要求的越來越高的預報精度要求，而且極易造成數據資源的浪費的問題。
[0004]因此，需要一種基于深度學習的特征提取水文預報的方法來解決上述
技術介紹
中提出的問題。

技術實現思路

[0005]本專利技術的目的在于提供一種基于深度學習的特征提取水文預報的方法，以解決上述
技術介紹
中提出的問題。
[0006]為實現上述目的，本專利技術提供如下技術方案：
[0007]一種基于深度學習的特征提取水文預報的方法，包括以下步驟：
[0008]S1，在服務器內構建水文特征提取卷積網絡模型，通過網絡收集洪水發生時的水文特征，并將收集到的水文特征組成訓練集A，將訓練集A送入水文特征提取卷積網絡模型中，水文特征提取卷積網絡模型對訓練集進行處理，得到處理集B；
[0009]S2，對處理集B進行歸一化處理，得到歸一數據集C，將歸一數據集C送入判定函數內，得到判斷值，將判斷值與判斷閾值進行對比，若判斷值大于判斷閾值，則將訓練集A重新送入水文特征提取卷積網絡模型中，并更改水文特征提取卷積網絡模型的處理參數，水文特征提取卷積網絡模型對訓練集A進行再一次處理，直到得到的判斷值小于判斷閾值，若判斷值小于判斷閾值，則保存此時水文特征提取卷積網絡模型的處理參數；
[0010]S3，將當前的水文特征數據輸入水文特征提取卷積網絡模型中，水文特征提取卷曲網絡模型對水文特征數據進行預測處理，得到水文預測結果。
[0011]作為本專利技術優選的方案，所述水文特征提取卷曲網絡模型由六個卷積層、六個池化層以及兩個處理預測層組成，六個池化層與六個卷積層一一對應，并處理對應卷積層輸出的特征數據，兩個處理預測層采用全連接，并接收池化層輸入長度數據。
[0012]作為本專利技術優選的方案，所述S2中歸一化處理的公式為：
其中V
′
為歸一化后的數據，為處理集B中的數據平均值，E為歸一函數，E＝∫V(1+K2)
r
，X為處理集B中的數據偏差值，Y為處理集B中的數據關聯度，k1為第一比例系數，r為處理集B中的數據權重因子，k2為第二比例系數。
[0013]作為本專利技術優選的方案，所述S2中判斷函數為其中S為判斷值，N為歸一數據集C中的數據數量。
[0014]作為本專利技術優選的方案，所述處理預測層在處理預測時使用的計算函數為：處理預測層用softmax函數表示最后分類層輸出，其中X為上一層的輸入數據，b為數據的偏置參數，w
i
為數據的權重，k為糾正參數。
[0015]作為本專利技術優選的方案，所述六個卷積層具體為兩個含有20個4
×
4大小的卷積核且具有20個不同的特征映射的卷積層，兩個含有20個8
×
8大小的卷積核且有20個不同的特征映射的卷積層以及兩個含有64個9
×
9大小的卷積核且具有20個不同的特征映射的卷積層。
[0016]作為本專利技術優選的方案，所述S2中判斷閾值的計算公式為其中I
k
為水文特征提取卷積網絡模型的糾正參數，I
i
為處理集B中的數據。
[0017]與現有技術相比，本專利技術的有益效果是：
[0018]1、本專利技術中，通過在服務器內構建水文特征提取卷積網絡模型，通過網絡收集洪水發生時的水文特征，并將收集到的水文特征組成訓練集A，將訓練集A送入水文特征提取卷積網絡模型中，水文特征提取卷積網絡模型對訓練集進行處理，得到處理集B，對處理集B進行歸一化處理，得到歸一數據集C，將歸一數據集C送入判定函數內，得到判斷值，將判斷值與判斷閾值進行對比，若判斷值大于判斷閾值，則將訓練集A重新送入水文特征提取卷積網絡模型中，并更改水文特征提取卷積網絡模型的處理參數，水文特征提取卷積網絡模型對訓練集A進行再一次處理，直到得到的判斷值小于判斷閾值，若判斷值小于判斷閾值，則保存此時水文特征提取卷積網絡模型的處理參數，將當前的水文特征數據輸入水文特征提取卷積網絡模型中，水文特征提取卷曲網絡模型對水文特征數據進行預測處理，得到水文預測結果，采用深度學習算法實現特征因子訓練和參數方案優選，能夠更全面、更深入地利用歷史信息，實現水文預報過程中輸入和輸出的直接匹配，從而獲得更好的預報效果，即能夠顯著提高水文預報精度、有效延長水文預報預見期，更好地服務于全國各個流域水旱災害防御工作。
具體實施方式
[0019]下面將結合本專利技術實施例，對本專利技術實施例中的技術方案進行清楚、完整地描述，
顯然，所描述的實施例僅僅是本專利技術一部分實施例，而不是全部的實施例，基于本專利技術中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本專利技術保護的范圍。
[0020]除非另有定義，本文所使用的所有的技術和科學術語與屬于本專利技術的
的技術人員通常理解的含義相同，本文中在本專利技術的說明書中所使用的術語只是為了描述具體的實施例的目的，不是旨在于限制本專利技術，本文所使用的術語“及/或”包括一個或多個相關的所列項目的任意的和所有的組合。
[0021]實施例，本專利技術提供一種技術方案：
[0022]一種基于深度學習的特征提取水文預報的方法，包括以下步驟：
[0023]S1，在服務器內構建水文特征提取卷積網絡模型，通過網絡收集洪水發生時的水文特征，并將收集到的水文特征組成訓練集A，將訓練集A送入水文特征提取卷積網絡模型中，水文特征提取卷積網絡模型對訓練集進行處理，得到處理集B；
[0024]S2，對處理集B進行歸一化處理，得到歸一數據集C，將歸一數據集C送入判定函數內，得到判斷值，將判斷值與判斷閾值進行對比，若判斷值大于判斷閾值，則將訓練集A重新送入水文特征提取卷積網絡模型中，并更改水文特征提取卷積網絡模型的處理參數，水文特征提取卷積網絡模型對訓練集A進行再一次處理，直到得到的判斷值小于判斷閾值，若判斷值小于判斷閾值，則保存此時水文特征提取卷積網絡模型的處理參數；
[0025]S3，將當前的水文特征數據輸入水文特征提取卷積網絡模型中，水文特征提取卷曲網絡模型對水文特征數據進行預測處理，得到水文預測結果。
[0026]進一步的，所述水文特征提取卷曲網絡模型由六個卷積層、六個池化層以及兩個處理預測層組成，六本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于深度學習的特征提取水文預報的方法，其特征在于，包括以下步驟：S1，在服務器內構建水文特征提取卷積網絡模型，通過網絡收集洪水發生時的水文特征，并將收集到的水文特征組成訓練集A，將訓練集A送入水文特征提取卷積網絡模型中，水文特征提取卷積網絡模型對訓練集進行處理，得到處理集B；S2，對處理集B進行歸一化處理，得到歸一數據集C，將歸一數據集C送入判定函數內，得到判斷值，將判斷值與判斷閾值進行對比，若判斷值大于判斷閾值，則將訓練集A重新送入水文特征提取卷積網絡模型中，并更改水文特征提取卷積網絡模型的處理參數，水文特征提取卷積網絡模型對訓練集A進行再一次處理，直到得到的判斷值小于判斷閾值，若判斷值小于判斷閾值，則保存此時水文特征提取卷積網絡模型的處理參數；S3，將當前的水文特征數據輸入水文特征提取卷積網絡模型中，水文特征提取卷曲網絡模型對水文特征數據進行預測處理，得到水文預測結果。2.根據權利要求1所述的一種基于深度學習的特征提取水文預報的方法，其特征在于：所述水文特征提取卷曲網絡模型由六個卷積層、六個池化層以及兩個處理預測層組成，六個池化層與六個卷積層一一對應，并處理對應卷積層輸出的特征數據，兩個處理預測層采用全連接，并接收池化層輸入長度數據。3.根據權利要求1所述的一種基于深度學習的特征提取水文預報的方法，其特征在于：所述S2中歸一化處理的公式為：,其中V
′
為歸一化后的數據，為處理集B中的數據平均值...

【專利技術屬性】
技術研發人員：王潔，梁峰銘，王麗榮，孫彤，葛慧，解文娟，
申請(專利權)人：河北省氣象災害防御和環境氣象中心河北省預警信息發布中心，
類型：發明
國別省市：