技术特征：
1.一种基于nsga-iii优化lstm神经网络的水位预测方法，其特征在于，包括：获取所要预测时间点前的水位数据；对所述水位数据进行预处理；将预处理后的水位数据输入进水位预测模型，输出得到水位预测结果；所述水位预测模型以lstm神经网络为框架并采用nsga-iii进行参数优化。2.根据权利要求1所述的基于nsga-iii优化lstm神经网络的水位预测方法，其特征在于，所述水位预测模型采用nsga-iii进行优化包括：确定水位预测模型的参数，进行种群初始化；设定目标函数，进行参数组合寻优；获得最优参数组合并保存所述水位预测模型。3.根据权利要求2所述的基于nsga-iii优化lstm神经网络的水位预测方法，其特征在于，以均方误差最小为所述目标函数。4.根据权利要求2所述的基于nsga-iii优化lstm神经网络的水位预测方法，其特征在于，所述水位预测模型采用nsga-iii进行参数优化，具体包括：s1种群初始化作为父代种群p(t)；s2将所述lstm神经网络的浮点运算量、均方误差以及r2系数，作为适应度函数；s3对父代种群p(t)进行选择、交叉以及变异操作生成子代种群q(t)并合并为r(t)；s4计算适应度值，对r(t)进行快速非支配排序得到非支配解集：f＝{f(1),f(2),...}，设置层级layer＝1，归档集s(t)；s5将非支配解集f按层级添加到归档集s(t)中，设定种群规模为数值n，判断s(t)中个体数与数值n的大小：若等于数值n，则下代种群p(t+1)＝s(t)；若大于n，则令p(t+1)＝s(t)-f(layer)，然后将s(t)的解与参考线进行关联操作，对临界层f(layer)中个体进行环境选择添加到p(t+1)中，直到为p(t+1)的种群规模为数值n；s6若种群迭代次数满足设定轮次，则停止计算，此时得到lstm网络全局最优参数组合种群；否则返回s3；s7对近似最优参数组合种群计算适应度值，并进行非支配排序，选择f(1)中mse最小的参数组合作为最优参数组合；s8将最优参数组合输入进所述水位预测模型并保存。5.根据权利要求1所述的基于nsga-iii优化lstm神经网络的水位预测方法，其特征在于，还包括对进行参数优化后的水位预测模型进行模型训练，包括以下步骤：获取历史水位数据，对所述历史水位数据进行预处理并作为样本集；按照预设比例将所述样本集划分为训练集和测试集；初始化所述水位预测模型，利用训练集对所述水位预测模型进行训练；设置损失函数，通过反向传播和优化方法对所述水位预测模型进行迭代训练，当达到设置的迭代轮数或损失函数值经过设定迭代轮数不再降低时，停止迭代训练得到收敛的水位预测模型。6.根据权利要求5所述的基于nsga-iii优化lstm神经网络的水位预测方法，其特征在于，还包括：利用所述测试集对所述水位预测模型进行测试，计算误差，若误差达到设定值，则输出所述水位预测模型；若误差未达到设定值，则继续对所述水位预测模型进行迭代训练，直至误差达到设定值。
7.根据权利要求5所述的基于nsga-iii优化lstm神经网络的水位预测方法，其特征在于，对所述历史水位数据进行预处理后还对历史水位数据进行时间窗处理，获得所述历史水位数据与所述历史水位数据对应的未来时刻的水位数据。8.根据权利要求5所述的基于nsga-iii优化lstm神经网络的水位预测方法，其特征在于，获取历史水位数据，对所述历史水位数据进行预处理包括：对历史水位数据进行标准化处理。9.根据权利要求1所述的基于nsga-iii优化lstm神经网络的水位预测方法，其特征在于，进行优化的参数包括以下一种或多种的组合：神经网络隐层神经元数、时间窗尺寸、遗忘率、学习率、训练次数和批规模。10.一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至9任一所述方法的步骤。
技术总结
本发明公开了一种基于NSGA-III优化LSTM神经网络的水位预测方法及系统。本发明获取所要预测时间点前的水位数据，对所述水位数据进行预处理，将预处理后的水位数据输入进水位预测模型，输出得到水位预测结果，所述水位预测模型以LSTM神经网络为框架并采用NSGA-III进行参数优化。本发明的水位预测模型稳定性更强，且考虑了多目标的参数优化过程，在保证良好预测性能的前提下，可有效降低模型计算量，采用本发明的水位预测模型可以精准有效地对水位进行预测，克服了传统水位预测模型求解复杂，可迁移性较差的缺点。可迁移性较差的缺点。可迁移性较差的缺点。
技术研发人员：陈建生 黄文澜 植挺生 吴玉书 钟文 罗淑冰
受保护的技术使用者：广东广宇科技发展有限公司
技术研发日：2022.03.28
技术公布日：2022/6/28