一种基于时间序列分析的积水水位预测方法与流程

本发明涉及水文汛期预警领域，特别涉及一种基于时间序列分析的积水水位预测方法。

背景技术：

1、随着城市轨道交通的快速发展，越来越多乘客选择低碳环保、方便快捷的地铁出行，这对轨道交通运营安全提出了严峻的考验。近年来，随着全球气侯变暖，厄尔尼诺现象的加剧，台风、干旱、暴雨等极端天气频发，所以对于沿海城市，轨道交通站点易涝位置的积水水位预测是防台防汛必不可少的一环，精准的预测可以帮助指挥中心及时做出应急决策，减少人身财产损失。

2、常用的水位预测方法包括基于物理模型的水文水动力模型、基于统计学的时间序列分析和机器学习等方法。基于物理模型的水文水动力模型考虑了水文水动力过程的物理机制，对水文系统有更深刻的理解，适用于长期和跨区域的预测，但需要大量准确的输入数据和水文地理信息，模型复杂且参数众多，对模型建立和维护的要求高，通常耗时且成本高。基于统计学的时间序列分析，如指数平滑法、季节性分解法、自回归移动平均模型(arma)、自回归积分移动平均模型(arima)等，对于长期稳定、周期性明显的数据预测效果较好，但对于非线性、非稳定的数据应对能力较弱。机器学习，特别是神经网络算法能够处理复杂的非线性关系，具有较强的自适应性和泛化能力，对大规模数据和多变量的处理效果较好。

3、目前在水文时间序列预测中常用循环神经网络(rnn)和长短期记忆网络(lstm)，rnn有梯度消失或者爆炸的问题，会影响预测效果。lstm是rnn的改进网络，能捕捉时间序列的长期依赖关系，但lstm只有一维输入，无法捕捉多变量之间的空间依赖关系。为了帮助城市轨道交通运营单位应对台风汛期及暴雨导致的雨水倒灌风险，迫切需要一种可靠的积水水位预测方法以辅助应急决策。

技术实现思路

1、本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于时间序列分析的积水水位预测方法。

2、为了解决上述技术问题，本发明提供了如下的技术方案：

3、本发明一种基于时间序列分析的积水水位预测方法，包括传感器采集的j积水水位数据、周边河道水位数据、排水量数据及小型气象站采集的细粒度降雨量数据，具体步骤如下：

4、s1.首先对多维数据做预处理，进行数据清洗、重采样、标准化等处理，删除重复值，使用回归、插值的方法填充缺失值，使用滑动窗口和3σ标准差原则鉴别异常数据，用邻近平均值来替换异常值；

5、s2.数据预处理后形成一个形状为(t,d)的时间序列矩阵输入网络，其中t表示时间步数，d表示每个时间步的特征维数；首先进入cnn层，使用一维卷积神经网络(1d-cnn)对多维时序数据进行特征提取，挖掘短期局部依赖关系；

6、s3.cnn层输出的时序特征将进入bi-lstm层和bi-lstm-skip跳跃层，通过在当前隐藏单元和相同相位的隐藏单元之间添加跳跃链接，来缓解此梯度消失的问题，用于提取序列的长期变化趋势；

7、s4.bi-lstm层和bi-lstm-skip跳跃层之后加入注意力层；

8、s5.将神经网络的非线性结果和自回归模型的线性结果用全连接层整合在一起作为最终预测的输出。

9、作为本发明的一种优选技术方案，步骤s1中，为防止网络梯度消失不收敛，输入序列需要进行标准化，使用以下公式将输入序列标准化到0-1之间：

10、

11、作为本发明的一种优选技术方案，所述bilstm由正向lstm和反向lstm两部分组成，然后前馈到同一个输出层。

12、作为本发明的一种优选技术方案，步骤s4中，将当前t时刻的注意力权重计算为：

13、

14、其中是个矩阵，该矩阵按列堆叠rnn的隐藏表示，attenscore是一些相似函数，如积点、余弦或简单的多层感知器参数化。时序注意层的最后输出的是加权上下文向量ct＝htαt与最后一个窗口隐藏状态的拼接，再做一个线性投影运算，得到：

15、

16、时间注意力层在学习长期和短期时间关系的同时，有效地处理观察到的和已知的时间变量输入，从而为网络提供关于时间周期的明确信。

17、与现有技术相比，本发明的有益效果如下：

18、本发明通过以lstnet网络为基线模型，在此基础上做了改进，保证深度挖掘多尺度变量的空间关系以及捕捉更长时序依赖关系，加入卷积神经网络(cnn)来提取数据之间的短期局部空间依赖关系；将lstnet中的rnn层和rnn-skip层原始的rnn替换为双向长短时记忆神经网络(bi-lstm)，学习序列的历史信息和未来信息，加强网络的表达能力；引入注意力机制，更准确地捕捉到序列中的重要特征。

技术特征：

1.一种基于时间序列分析的积水水位预测方法，其特征在于，包括传感器采集的积水水位数据、周边河道水位数据、排水量数据及小型气象站采集的细粒度降雨量数据，具体步骤如下：

2.根据权利要求1所述的一种基于时间序列分析的积水水位预测方法，其特征在于，步骤s1中，为防止网络梯度消失不收敛，输入序列需要进行标准化，使用以下公式将输入序列标准化到0-1之间：

3.根据权利要求1所述的一种基于时间序列分析的积水水位预测方法，其特征在于，所述bilstm由正向lstm和反向lstm两部分组成，然后前馈到同一个输出层。

4.根据权利要求1所述的一种基于时间序列分析的积水水位预测方法，其特征在于，步骤s4中，将当前t时刻的注意力权重计算为：

技术总结本发明涉及水文汛期预警领域，特别涉及一种基于时间序列分析的积水水位预测方法，为了帮助城市轨道交通运营单位应对台风汛期及暴雨导致的雨水倒灌风险，迫切需要一种可靠的积水水位预测方法以辅助应急决策。为此，本发明提出了一种融合多维时序特征的积水水位预测方法，提出一种基于改进LSTNet的模型来有效提高客流预测精度，利用CNN网络引入多维影响因子时序序列充分学习各数据之间的空间关系，引入了双向长短时记忆神经网络加强网络的表达能力，加入注意力机制来减少长周期的特征信息损失，具有较好的精度和稳定性。技术研发人员：唐华栋,管剑波,毛照平,金佳华,潘晓峰,舒云受保护的技术使用者：宁波市轨道交通集团有限公司技术研发日：技术公布日：2024/7/29