一种高精度咸潮预报方法、系统和可读存储介质与流程

1.本发明涉及河流河口盐度技术领域，更具体地，涉及一种高精度咸潮预报方法、系统和可读存储介质。


背景技术：

2.纵观全国经济发展格局，经济发达、人口高度密集的区域往往是沿海区域。随着高强度的人类活动，水体污染、海水倒灌造成的水质性缺水问题日益凸显。以珠江流域为例，水资源却已成为制约该区域发展的瓶颈，据估算，珠江三角洲地区2030年总用水量将会达到960
×
108m3，区域引水问题突出。同时，枯水期咸潮上溯问题更加剧了水资源短缺的局面，2021年10月开始东莞经历了近二十年来最为严峻的咸潮风险，东江流域2021年降雨量1188mm，较常年偏少32％，造成上游的三座水库蓄水严重不足，压咸挑战巨大，在经历了近半年的供水压力，最终随着2022年雨季来临，咸潮问题逐渐消退。
3.随着工程体系和制度体系的不断完善，区域供水安全已得到保障，但在区域需水增加、供水系统管网取水能力限制、外部咸潮演变加剧等不利因素的影响下，如何为供水部门准确预报盐度变化、为取水供水提供有力的技术支撑成为了关键而亟需解决的问题。通常情况下，咸潮的预报有经验公式预报与模型模拟预报，前者精度难以保证，后者按照三维模型计算又存在及时性欠缺的问题。


技术实现要素：

4.本发明为克服上述现有技术所述的咸潮预报精度不够高的缺陷，本发明第一方面提供一种高精度咸潮预报方法，所述方法包括以下步骤：
5.搜集目标站点实测盐度序列资料并进行数据清洗，得到逐时盐度序列salt0；
6.搜集与目标站点相关站点的径流、盐度相关序列资料并进行数据清洗，得到逐时径流序、盐度序列；用以多参数深度学习；
7.对逐时盐度序列salt0进行transformer深度学习模型训练，并逐时预测与经验公式逐时预测，分别得到预测序列saltt、salte，根据两者预测准确性确定transformer深度学习模型与经验公式权重α1、α2；
8.对逐时盐度序列进行集合经验模态分解(eemd)，得到若干imf分量(imf1～imfn)和残差res；
9.建立初始的transformer深度学习模型并对eemd分解后的imf分量和残差res序列进行分别划分训练并进行预测，得到基于transformer的各对应预测序列et-imf分量和残差et-res；
10.利用eemd进行各对应预测序列et-imf分量和残差et-res的求和重构，得到eemd-transformer深度学习模型预测序列et_salt；
11.利用α1、α2分别对et_salt、salte进行权重分配并重组为最终预测序列salt；
12.对于模型预测结果salt采用mape评估误差。
13.本发明通过入深度学习下的时序潜在规律的延续性预测并吸收经验公式以期优化深度学习可能存在的过拟合问题，提升咸潮预报精度。
14.优选地，所述搜集目标站点实测盐度序列资料并进行数据清洗，得到逐时盐度序列salt0；具体为：
15.目标站点实测盐度序列资料并进行数据清洗，去除盐度无效值，得到逐时盐度序列salt0，逐时盐度序列salt0的最终时间序列为两列，第一列为datetime时间格式精确到小时，第二列为逐时盐度(含氯度)序列。
16.优选地，所述搜集与目标站点相关站点的径流、盐度相关序列资料并进行数据清洗，得到逐时径流、盐度序列；具体为：
17.搜集与目标站点相关站点的径流、潮差、盐度相关序列资料并进行数据清洗，去除径流、盐度无效值且最终时间序列均为两列，第一列为datetime时间格式精确到小时，第二列为逐时径流、潮差、盐度(含氯度)序列
18.优选地，所述对逐时盐度序列salt0进行transformer深度学习模型训练，并逐时预测与经验公式逐时预测，分别得到预测序列saltt、salte，根据两者预测准确性确定transformer深度学习模型与经验公式权重α1、α2；具体为：
19.对逐时盐度序列salt0进行transformer深度学习模型训练逐时预测，选取前n
0-48小时数据为训练集，最后48小时数据为验证集；其中盐度序列salt0存在n0小时数据，n0一般依据搜集的数据量决定，一般至少大于5000。
20.对逐时盐度序列salt0进行经验公式逐时预测，包括使用经验公式对选取目标站点与相关站点数据采用前n
0-48小时数据进行后48小时目标站点盐度的初步预测、参数调整、结果输出；
21.基于误差率判别公式对于48小时的transformer深度学习模型预测成果与经验公式预测成果进行比对，误差率分别为m1、m2，计算α1＝m2/(m1 m2)，α2＝m1/(m1 m2)；
22.其中，α1为saltt经验公式权重，α2为salte经验公式权重，表示第i个预测值，yi表示第i个实测值，m1为transformer深度学习模型预测误差率，m2为经验公式预测误差率。
23.优选地，所述transformer深度学习模型编码层由4个相同的层堆叠在一起，每一层有1个多头注意力与1个全连接前馈网络；
24.所述transformer深度学习模型解码层由4个相同的层堆叠在一起，每一层有1个掩膜多头注意力、1个多头注意力与1个全连接前馈网络；
25.所述transformer深度学习模型输出层经由线性层计算softmax后输出。
26.优选地，所述经验公式构成具体为：
[0027][0028]
[0029][0030]
其中，s
t
为经验公式预测盐度值，a、b、c、d1、
…
、dn为各项系数，t为当前时间，α为形状参数，β为尺寸参数，ω
t-1
为权重系数，h为水位，可由潮汐表查阅；q为上游流量，n为t时刻之前的n小时。
[0031]
优选地，所述对于模型预测结果salt采用mape评估误差，具体为：
[0032]
对于模型预测结果salt采用误差判别公式评估误差，mape越小则越准确，其中将salt中盐度列的后48小时视为s＝{s1、s2、
…s48
}，实际值视为t＝{t1、t2、
…
t
48
}。
[0033]
本发明第二方面提供一种高精度咸潮预报系统，所述系统包括：包括存储器和处理器，所述存储器中包括高精度咸潮预报方法程序，所述高精度咸潮预报方法程序被所述处理器执行时实现如上所述任一项所述方法步骤。
[0034]
本发明第三方面提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括一种高精度咸潮预报方法程序，所述高精度咸潮预报方法程序被处理器执行时，实现如上所述的一种高精度咸潮预报方法的步骤。
[0035]
本发明提供了一种高精度咸潮预报方法、系统和可读存储介质。所述方法根据已有目标站点、相关站点资料，基于集合经验模态分解、深度学习与经验公式结合，凸显了原始序列的规律性并以经验公式预测为平衡优化手段，较好地提升了盐度预测精度。
附图说明
[0036]
图1为实施例1所述方法流程示意图；
[0037]
图2为实施例1所述目标站点盐度(含氯度)示意图；
[0038]
图3为实施例1相关站点1流量序列示意图；
[0039]
图4为实施例1相关站点2流量序列示意图；
[0040]
图5为实施例1相关站点3盐度(含氯度)序列示意图；
[0041]
图6为实施例1所述salt0的transformer深度学习预测模型48小时预测图；
[0042]
图7为实施例1所述salt0的经验公式预测模型48小时预测图；
[0043]
图8为实施例1所述使用eemd分解salt0序列成果图；
[0044]
图9为实施例1所述eemd_transformer深度学习预测的et_salt序列48小时预测图；
[0045]
图10为实施例1所述eemd_transformer和经验公式共构预测模型48小时预测图；
具体实施方式
[0046]
附图仅用于示例性说明，不能理解为对本专利的限制；
[0047]
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
[0048]
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0049]
下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0050]
实施例1：
[0051]
本实施例提供一种高精度咸潮预报方法，如图1所述，所述方法包括以下步骤：
[0052]
s1：搜集目标站点实测盐度序列资料并进行数据清洗，得到逐时盐度序列salt0；
[0053]
s2：搜集与目标站点相关站点的径流、盐度相关序列资料并进行数据清洗，得到逐时径流、盐度序列，用以多参数深度学习；
[0054]
s3：对逐时盐度序列salt0进行transformer深度学习模型训练，并逐时预测与经验公式逐时预测，分别得到预测序列saltt、salte，根据两者预测准确性确定transformer深度学习模型与经验公式权重α1、α2；
[0055]
s4：对逐时盐度序列进行集合经验模态分解(eemd)，得到若干imf分量(imf1～imfn)和残差res；
[0056]
s5：建立初始的transformer深度学习模型并对eemd分解后的imf分量和残差res序列进行分别划分训练并进行预测，得到基于transformer的各对应预测序列et-imf分量和残差et-res；
[0057]
s6：利用eemd进行各对应预测序列et-imf分量和残差et-res的求和重构，得到eemd-transformer深度学习模型预测序列et_salt；
[0058]
s7：利用α1、α2分别对et_salt、salte进行权重分配并重组为最终预测序列salt；
[0059]
s8：对于模型预测结果salt采用mape评估误差。
[0060]
需要说明的是，transformer深度学习模型可对相关站点径流、盐度数据及目标站点的过往盐度数据进行多参数深度学习，用以预测目标站点的盐度值。
[0061]
根据本发明实施例，所述s1具体为：
[0062]
目标站点实测盐度序列资料并进行数据清洗，去除盐度无效值，得到逐时盐度序列salt0，逐时盐度序列salt0的最终时间序列为两列，第一列为datetime时间格式精确到小时，第二列为逐时盐度(含氯度)序列。
[0063]
根据本发明实施例，所述s2具体为：
[0064]
搜集与目标站点相关站点的径流、潮差、盐度相关序列资料并进行数据清洗，去除径流、盐度无效值且最终时间序列均为两列，第一列为datetime时间格式精确到小时，第二列为逐时径流、潮差、盐度(含氯度)序列。
[0065]
其中，s2所涉参数特征，相关站点参数为对目标站点盐度产生较大影响的站点参数，具体选择根据区域历史盐度分析确定；
[0066]
s2所涉参数特征，径流属上游相关站点，潮差和盐度属下游相关站点。
[0067]
根据本发明实施例，所述s3具体为：
[0068]
s3.1：transformer为2017年google提出在nlp领域成功应用的构架。本实施例对逐时盐度序列salt0(存在n0小时数据，一般至少大于5000)进行transformer深度学习模型训练逐时预测，选取前n
0-48小时数据为训练集，最后48小时数据为验证集；
[0069]
s3.2：所述transformer深度学习模型编码层由4个相同的层堆叠在一起，每一层有1个多头注意力与1个全连接前馈网络；
[0070]
s3.3：所述transformer深度学习模型解码层由4个相同的层堆叠在一起，每一层有1个掩膜多头注意力、1个多头注意力与1个全连接前馈网络；
[0071]
s3.4：所述transformer深度学习模型输出层经由线性层计算softmax后输出。
[0072]
s3.5：对逐时盐度序列salt0进行经验公式逐时预测，包括使用经验公式对选取目
标站点与相关站点数据采用前n
0-48小时数据进行后48小时目标站点盐度的初步预测、参数调整、结果输出；
[0073]
s3.6：根据本发明实施例，所述经验公式构成具体为：
[0074][0075][0076][0077]
其中s
t
为经验公式预测盐度值，a、b、c、d1、
…
、dn为各项系数，t为当前时间，α为形状参数，β为尺寸参数，ω
t-1
为权重系数，h为水位，可由潮汐表查阅；q为上游流量，n为t时刻之前的n小时。
[0078]
s3.7：基于误差率判别公式对于48小时的transformer深度学习模型预测成果与经验公式预测成果进行比对，误差率分别为m1、m2，计算α1＝m2/(m1 m2)，α2＝m1/(m1 m2)；
[0079]
其中，α1为saltt经验公式权重，α2为salte经验公式权重，表示第i个预测值，yi表示第i个实测值，m1为transformer深度学习模型预测误差率，m2为经验公式预测误差率。
[0080]
根据本发明实施例，所述s4的具体过程为：在salt0序列中加入白噪声，后进行emd分解(以上过程为eemd分解)获得若干imf分量(imf1～imfn)和残差res；
[0081]
根据本发明实施例，所述s5具体为：利用s3.1～s3.4描述步骤对imf分量(imf1～imfn)和残差res序列进行transformer深度学习模型训练预测输出，得到基于transformer的各对应预测序列et-imf分量和残差et-res；
[0082]
根据本发明实施例，步骤s7的具体过程为：利用s3.7描述步骤中α1、α2分别对et_salt、salte进行权重分配并重组为最终预测序列salt；
[0083]
salt＝α1×
et_salt α2×
salte
[0084]
根据本发明实施例，所述s8具体为：
[0085]
对于模型预测结果salt采用s3.7中误差判别公式评估误差，mape越小则越准确，其中将salt中盐度列的后48小时视为s＝{s1、s2、
…s48
}，实际值视为t＝{t1、t2、
…
t
48
}。
[0086]
作为一个具体的实施例，下面结合具体实例对本发明进行说明：
[0087]
1、如图2所示，目标站点盐度(含氯度)序列salt0为16138小时；如附图3所示，相关站点流量q1、q2，盐度(含氯度)序列s1为16138小时；
[0088]
2、对时间序列数据salt0构建transformer深度学习预测模型，采用4层编码器、4层解码器，附图4为48小时预测图，预测误差率为m1＝14.8％。
[0089]
3、对时间序列数据salt0构建经验公式预测模型，附图5为48小时预测图，预测误差率为m2＝17.3％。
[0090]
4、计算深度学习模型与经验公式权重α＝0.539；
[0091]
5、采用集合经验模态分解(eemd)对时间序列数据salt0进行分解，图6为使用eemd
分解salt0序列成果图；
[0092]
6、对imf分量(imf1～imfn)和残差res序列数据构建transformer深度学习预测模型，采用4层编码器、4层解码器，并重构得到预测时间序列et_salt，附图7为48小时预测图；
[0093]
7、利用s3.7描述步骤中α1、α2分别对et_salt、salte进行权重分配并重组为最终预测序列salt，附图8为预测序列salt的48小时预测图，其误差率率mape为8.8％，具有较好的预测效果。
[0094]
实施例2：
[0095]
本实施例提供一种高精度咸潮预报系统，所述系统包括：包括存储器和处理器，所述存储器中包括高精度咸潮预报方法程序，所述高精度咸潮预报方法程序被所述处理器执行时实现实施例1所述方法步骤。
[0096]
实施例3：
[0097]
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种高精度咸潮预报方法程序，所述高精度咸潮预报方法程序被处理器执行时，实现如权实施例1所述的一种高精度咸潮预报方法的步骤。
[0098]
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
[0099]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。