基于Conv3d-LSTMs的区域多站点单步径流预测方法

本发明涉及径流量预测领域，具体涉及基于conv3d-lstms的区域多站点单步径流预测方法。

背景技术：

1、准确的径流预测可以为水资源管理决策者在防洪、灌溉、供水、水能利用等方面提供可靠决策依据，然而由于径流的形成具有复杂性、不稳定性、非线性和系统性的特点，进行准确的多步径流预测一直都具有很大挑战性。

2、随着计算机领域深度学习算法的突破，以lstm算法代表的深度学习模型被用于径流预测问题。深度学习模型具有建模简单的突出优点，但是当前一部分用于径流预测的深度学习模型，主要依靠深度学习模型强大的拟合能力，来预测径流量曲线，但是，单纯的深度学习算法对预测流域内发生的极端事件，对径流的影响的评估能力有限。

3、卷积神经网络在目标识别分类、机器视觉等领域应用成果众多，在径流预测领域也有应用。水文领域应用的卷积神经网，一些使用1d卷积神经网络处理历史径流序列，抽取序列内部的有用信息，然后由线性层映射为径流；但是，1d的预测卷积神经网络的预测效果并不突出。还有一些使用2d卷积神经网络处理预测流域的遥感图片序列，从中抽取空间特征，然后交由lstm进一步提取信息，最后由线性层映射为径流。由于2d卷积神经网络在从图片中抽取特征时，每次仅处理一张图片，所以图片序列像素之间的因果关系被空间信息污染。

技术实现思路

1、针对上述的不足，本发明提供了基于conv3d-lstms的区域多站点单步径流预测方法。其目的在于克服现有技术上存在的缺陷，充分利用驱动模型的数据内部的时空特征和径流序列内部的信息，进行目标流域的区域多站点径流预测。

2、本发明解决其技术问题所采用的技术方案是：基于conv3d-lstms的区域多站点单步径流预测方法，包括以下步骤：

3、s1、构建网络框架，该网络由3d卷积层、依赖信息抽取层、映射层三部分组成。

4、s2、将气象数据按照它们的经纬度分布和时间顺序排列为网格序列进行全局最大最小标准化处理。

5、s3、将气象数据输入3d卷积神经网络抽取时空特征，该特征输入下一步骤前，将时空特征打破特征和空间3维度，重新排列为1维。

6、s4、将历史径流序列和s3所述重排的时空特征分别进行信息提取，然后分别选取最后一个隐含状态以拼接为编码信息。

7、s5、将s4所述拼接的信息通过全连接线性层映射为区域多站点径流。

8、s6、最后计算模拟的多站点径流和目标站点观测值的均方方差。

9、本发明提供了一种基于conv3d-lstms的区域多站点单步径流预测方法。与现有技术相比，具有以下有益效果：使用3d卷积神经网络从气象数据中抽取高信息密度的时空特征，该特征即保留了原气象序列内部数据之间的构成连续性的因果关系，又加入了各个数据采样点的空间信息。

技术特征：

1.一种基于conv3d-lstms的区域多站点单步径流预测方法，其特征在于，所述方法由计算机执行，包括如下步骤：

2.根据权利要求1所述基于conv3d-lstms的区域多站点单步径流预测方法，其特征在于，s1的具体实现过程如下:

3.根据权利要求1所述基于conv3d-lstms的区域多站点单步径流预测方法，其特征在于，s2的具体实现过程如下：

4.根据权力1所述基于conv3d-lstms的区域多站点单步径流预测方法，其特征在于，s3的具体实现过程如下：

5.根据权利要求1所述基于conv3d-lstms的区域多站点单步径流预测方法，其特征在于，s4的具体实现过程如下：

6.根据权利要求1所述基于conv3d-lstms的区域多站点单步径流预测方法，其特征在于，s5的具体实现过程如下：

7.根据权利要求1所述基于conv3d-lstms的区域多站点单步径流预测方法，其特征在于，s6的具体实现过程如下：

技术总结
本发明公开了一种基于Conv3d‑LSTMs的区域多站点单步径流预测方法，该方法包括五个步骤：第一步，将从气象中国气象驱动数据集(CMFD)中抽取的应用区域数据，然后进行最大最小标准化处理，并按设定窗口长采样存储；第二步，通过3D卷积神经网络从气象数据中抽取时空特征；第三步，使用两个LSTM分别处理历史径流序列和重新排列时空特征进行信息提取；第四步，使用一个全连接线性层将来自上一层的LSTM的信息映射为多站点径流；最后计算模拟径流和目标站点观测径流的平均平方损失，进行反馈梯度、参数迭代优化，使模型损失达到最小。本发明实现了从气象特征中抽取时空特征，并结合历史径流序列信息，进行区域的多站点单步径流预测。

技术研发人员：管怀鸣,唐小勇
受保护的技术使用者：长沙理工大学
技术研发日：
技术公布日：2024/1/13