买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连理工大学

摘要：一种基于新型通用输入输出结构与长短时记忆网络的洪水预报方法。首先，根据研究流域历史场次洪水数据分析汇流特性，计算研究流域平均汇流时间；其次根据流域平均汇流时间确定LSTM洪水预报模型的输出时段数，给定LSTM洪水预报模型的隐藏层层数和隐藏层神经元节点数。接着，设计新型通用LSTM洪水预报模型的输入输出结构，输入训练集、验证集样本训练模型，得到不同结构与参数的洪水预报模型。最后，比较分析不同输入长度下的LSTM洪水预报模型在训练集、验证集的表现，确定最终较优的LSTM洪水预报模型，并评估分析LSTM洪水预报模型在测试集的预报效果。本发明通用性较强，建立的LSTM洪水预报模型能够取得较好的预报效果，为流域洪水灾害防御工作提供新技术支撑。

主权项：1.一种基于新型通用输入输出结构与长短时记忆网络的洪水预报方法，其特征在于，所述洪水预报方法的水文学含义显著，模型输入输出结构能够应用于不同空间尺度的流域洪水预报，包括以下步骤：第一步，收集与整理流域历史场次洪水数据；收集与整理研究流域场次洪水资料，将所有场次洪水划分为训练集、验证集、测试集场次；其中，训练集场次洪水用于优化LSTM洪水预报模型的内部权重矩阵和偏置向量参数；验证集场次洪水用于辅助确定超参数、损失函数等模型外部设置；测试集场次洪水则用于检验训练后模型的外推能力；第二步，计算流域平均汇流时间；某一研究流域的平均汇流时间是确定的，其时间长短等于流域洪水预报预见期，综合反映了流域对降雨水流汇集过程的调蓄作用大小；根据流域收集与整理的历史场次洪水过程数据，统计场次洪水中主降雨与相应洪峰流量间的时间差，即洪峰滞时；计算所有场次洪水的洪峰滞时平均值，即为流域平均汇流时间；第三步，给定长短时记忆LSTM网络洪水预报模型的隐藏层层数和隐藏层神经元节点数量；第四步，设计新型通用LSTM洪水预报模型的输入输出结构；LSTM细胞单元状态与流域土壤蓄水状态较为相似，三个控制门与细胞单元状态间的作用可视为流域土壤蓄水状态的消耗、增加和释放，其中三个控制门包括遗忘门、输入门和输出门；根据传统的流域水文模拟理论与方法，选取降雨作为LSTM洪水预报模型的唯一输入因子，LSTM洪水预报模型输入为流域内各雨量站的长序列降雨信息，输入长度为n+l个时段；其中，n表示前期降雨的输入长度，且前期降雨可视为反映流域前期土壤蓄水状态、短临降雨信息对模型输出流量值的影响，选取多个n并根据后续模型性能确定较优模型；LSTM洪水预报模型输出为与研究流域汇流时间相等的流量值序列，即输出长度为l个时段，l等于流域汇流时间且l≤n；第五步，生成训练、验证和测试样本集；根据第四步设计的新型通用LSTM洪水预报模型的输入输出结构n、l的取值确定样本长度，每个样本的输入降雨序列长度等于n+l个时段，输出目标流量序列长度等于l个时段；根据第一步划分的训练集、验证集和测试集场次，每次洪水均按照逐时段滑动截取的方式生成相应的训练、验证和测试样本集，且每一次洪水生成多个样本，每个样本由输入降雨序列P＝[Pt-n+1,Pt-n+2,…,Pt,…,Pt+l]和输出目标流量序列Q＝[Qt+1,Qt+2,…,Qt,…,Qt+l]组成输入输出数据对；其中，n为LSTM洪水预报模型的输入前期降雨序列的时段数，l为模型输出流量的时段数，第t个时段的输入降雨Pt包含流域内各雨量站的实测降雨值；第六步，模型构建与训练；LSTM洪水预报模型采用随时间反向传播算法BPTT进行有监督学习方式的训练，模型构建和训练均基于开源的Keras与TensorFlow实现；运行在TensorFlow平台的Keras框架集成了较为成熟的机器学习算法包，直接调用对应的算法完成LSTM洪水预报模型构建和训练；6.1LSTM洪水预报模型构建：依据第三步给定的隐藏层层数、隐藏层神经元节点数量以及第四步设计的模型输入输出结构，调用Keras的层包定义LSTM的输入层、隐藏层和输出层，构建LSTM洪水预报模型；6.2LSTM洪水预报模型训练：输入第五步生成的训练、验证样本集，设置模型训练过程涉及的超参数、激活函数、损失函数、优化算法，在TensorFlow平台运行基于Keras框架构建的LSTM洪水预报模型，得到训练后的LSTM洪水预报模型；第七步，确定较优模型，提取分析流域场次洪水模拟结果；比较分析不同输入长度下LSTM洪水预报模型的性能，确定最终较优的LSTM洪水预报模型，进一步提取研究流域场次洪水模拟、预报流量过程结果，分析LSTM洪水预报模型的预报性能。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于新型通用输入输出结构与长短时记忆网络的洪水预报方法