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：西北工业大学

摘要：本发明涉及一种利用不同属性跨数据集的径流预测方法，属于径流预测技术领域。首先，消除了各个国家或地区的降雨‑径流数据集的结构差异，建立具有全球性质的规范化数据集；其次，构建了一种能够利用不同属性跨数据集的Transformer，充分利用了Transformer具有的灵活归纳偏置，并且能够使用跨数据集的不同属性，非自回归式解码能够一次性得到多步预测结果。因此，所训练的径流预测模型具备全球性径流预测的先验知识，具备通用性、易于迁移学习，适用于跨数据集、少数据甚至无数据情况下的径流预测。

主权项：1.一种利用不同属性跨数据集的径流预测方法，其特征在于步骤如下：步骤1：收集各个国家或地区的降雨-径流数据集；收集各个国家或地区研究流域内的气象数据以及水文站点的径流数据，构成各个国家或地区的原始数据集，将原始数据集存入持久化设备；步骤2：消除各个数据集的结构差异，建立具有全球性质的规范化数据集；将持久化设备中的原始数据集读入内存，针对单位换算问题，统一单位并进行换算；针对数据缺失问题，使用插值算法填充；针对属性多数据源问题，确定一个数据源；按照预定义的规则存入持久化设备，生成持久化的规范数据集；所有持久化的规范数据集共同构成具有全球性质的规范化数据集；步骤3：加载规范数据集的数据，并进行预处理；加载规范数据集的动态属性和静态属性，将数据集划分为训练集、验证集、测试集三个互斥的集合；计算训练集上的均值和标准差，并进行标准化：，其中，表示原始数据，表示样本均值，表示样本标准差，表示标准化之后的数据；对处理完成后的数据集进行数据序列化，对原始数据集预处理的数据序列化是使用滑动窗口的方式，滑动窗口进行序列化的公式如下： 其中，表示序列化之后的第个序列，表示原始数据集的第个特征，表示原始数据集大小，表示滑动窗口的大小；步骤4：建立利用不同属性跨数据集的径流预测方法的模型；所述的模型为基于Transformer的序列到序列模型，架构包括：输入线性变换层、属性无数据源处理、位置编码层、编码器、解码器、输出线性变换层和输出选择操作；具体步骤如下：步骤4-1：输入线性变换层对输入数据的维度进行变换，统一数据维度；步骤4-2：属性无数据源处理，解决属性无数据源问题；步骤4-3：位置编码层向输入数据注入位置信息；步骤4-4：编码器由多个编码器层前后串接而成，每个编码器层包含两个子层：多头自注意力和全连接层，每个子层之后都需要接入残差连接和层归一化；编码器的输入序列为： 其中表示已知的序列长度，表示预测的序列长度；步骤4-5：解码器由多个解码器层前后串接而成，每个解码器层包含三个子层：多头自注意力、多头交叉注意力和全连接层，每个子层之后都接入残差连接和层归一化；解码器的输入序列为： 其中表示已知的序列长度，表示预测的序列长度，表示使用0进行填充，一共有个位置需要填充0；步骤4-6：多头自注意力和多头交叉注意力；计算： 其中，、、是可学习参数矩阵，softmax表示进行Softmax操作，当输入和相同并且与输入不同时，称为交叉注意力；当三个输入，，都相同时，称为自注意力；表示经过参数为的线性变换得到的结果，表示经过参数为的线性变换后得到的结果，表示经过参数为的线性变换后得到的结果；多头注意力计算公式如下： 其中，，，，是可学习参数矩阵，表示头数，的取值范围从到；表示头；当输入和相同并且与不同时，称为多头交叉注意力；当三个输入，，都相同时，称为多头自注意力；步骤4-7：残差连接计算公式如下： 其中，表示子层的输入，表示子层的输出，表示最终输出；步骤4-8：层归一化，对最后的输出维度进行标准化；步骤4-9：输出变换层对解码器的输出维度进行变换，使输出符合最终的输出维度；将解码器的输出序列放入全连接层，得到输出变换层的输出序列；步骤4-10：输出选择操作是对输出变换层的输出序列进行选择的过程，将该序列进行切割，被舍弃掉，只保留的部分作为最终的输出；步骤5：描述模型的输入输出过程，定义损失函数和优化器，并训练模型；步骤6：对训练完成的模型进行测试；使用测试集对训练完成后的模型进行测试，得到预测结果，并根据真实数据对预测结果进行评估。

全文数据：

权利要求：

百度查询： 西北工业大学 一种利用不同属性跨数据集的径流预测方法