一种基于径流序列相关特征的精准预报方法和系统

本发明涉及水文预报，特别涉及一种基于深度学习技术和径流序列相关特征的精准预报方法和系统。

背景技术：

1、受气候变化、人类活动和流域下垫面变化的影响，极端洪涝干旱事件频发。

2、“预报”是洪涝灾害防御“四预”措施的首要环节，是决定后续防洪减灾工作能否赢得主动的“先手棋”。水文预报是基于对水文发生发展过程及规律的客观认识，应用水文统计、过程模拟、人工智能等技术方法，对未来水文气象因子演变趋势进行预测预报，进而实现对水文发生发展过程的各个阶段进行早期识别和判断。然而，随着人类活动强度不断加大，流域气候与下垫面条件都发生了很大变化，致使水文条件的一致性受到严重影响，径流演变规律更加复杂多变，进一步增大了径流过程演变规律识别的难度。

3、传统径流智能预报模型(如人工神经网络ann、循环神经网络rnn、卷积神经网络cnn等)架构缺乏对水文时空演变特征规律的考虑，对特征信息的利用能力较差。基于transformer架构的大语言模型拥有强大的知识编码、文本代码理解和复杂任务推理的能力，被认为是实现通用人工智能的技术路线之一。但水文领域具有独特性，与语言序列不同的是，水文气象时间序列都是连续单向的数字点，仅利用时域标记很难描述其演变规律。针对原有transformer模型，融合水文专业领域知识进行架构的重新设计，是水文领域知识和人工智能技术相互融合的优先发展方向。

4、因此，设计符合水文气象物理特征规律的智能水文预报模型新架构是当前水文学面临的重大科学问题之一。本发明设计融合水文气象物理特征的hydroformer智能水文模型，对强化“四预”体系建设，助推流域高质量发展具有重要意义。

技术实现思路

1、本发明针对现有技术的缺陷，提供了一种基于径流序列相关特征的精准预报方法和系统。

2、为了实现以上发明目的，本发明采取的技术方案如下：

3、一种基于径流序列相关特征的精准预报方法，包括以下步骤：

4、步骤1，确定研究流域，收集所述研究流域内的水文气象资料，所述水文气象资料包括：多种时间尺度数据，数据时间尺度应保持统一；

5、步骤2，将步骤1收集到的水文气象资料进行裁剪，使各种水文气象资料起止时间保持一致；

6、步骤3，将步骤2裁剪所得水文气象资料进行归一化处理；

7、步骤4，将步骤3所得数据依据滑动窗口法进行分块处理，通过移动窗口创建输入输出对，确定时间步长和预测期；

8、步骤5，将步骤4处理所得数据输入二维隐含层进行信息高维提取；

9、步骤6，将高维提取信息分别输入全局处理模块和临近处理模块进行计算；全局处理模块从时间序列中提取全局特征或长程依赖关系，关注径流序列的全局信息，确保模型能够学习到时间序列中的主要特征，包括峰值和谷值的主要波动特征；临近处理模块用于从时间序列中提取局部特征和短程依赖关系，关注预报时刻的邻近信息，强化时间序列的局部特征，防止模型过度关注峰值和谷值。

10、步骤7，将步骤6计算所得信息进行重组，组合后由线性层进行线性映射输出，获得预测结果。

11、进一步地，所述步骤1中，水文气象资料包括：径流量、水位、降水量、气温、湿度、气压、风速、露点的其中一种或几种。

12、进一步地，所述步骤3中，水文气象资料归一化处理是指将数据统一到(-1，1)区间或(0，1)区间，其计算公式如下：

13、

14、式中：x*为归一化后的数据；x为样本数据；xmin为最小值；xmax为样本最大值。

15、进一步地，所述步骤4中，滑动窗口法具体为：

16、在滑动窗口法中，设置两个指针，前指针和后指针。两个指针之间的间隔形成了一个窗口，用于在时间序列中提取数据片段。

17、前指针指向窗口的开始，后指针指向窗口的结束。

18、指针间的间隔定义了窗口的大小，称为时间步长。时间步长决定了每个窗口内包含的数据点数量，影响模型的输入特征范围。

19、前后指针从数据序列的一端开始，逐步向另一端移动。随着指针的移动，窗口也随之移动，生成一系列数据片段。当后指针超出数组末端时，遍历结束。

20、进一步地，所述步骤5中，二维隐含层进行信息高维提取即分别对输入数据的时间维度与特征维度进行矩阵映射，矩阵维度变换公式如下：

21、(m×n)＝(m×k)×(k×n)

22、式中，(k×n)为映射前输入数据矩阵，k为输入数据原有维度，n为输入数据另一维度，(m×k)为映射矩阵，m为映射目标维度，(m×n)为映射后矩阵。

23、进一步地，所述步骤6中，全局处理模块为transformer模型编码器架构，由位置编码层，多头注意力层，归一化层与前置反馈层组成。

24、进一步地，所述步骤6中，临近处理模块为lstm模型架构，lstm模型架构通过遗忘门、输入门和输出门来控制信息在时序中的流动；lstm模型架构中还包括sigmoid激活函数和tanh激活函数，sigmoid激活函数用于控制门机制，tanh激活函数用于生成新的存储状态。

25、进一步地，所述步骤7中，所得信息重组即选择全局处理模块与临近处理模块输出信息矩阵进行组合。线性映射即将组合的矩阵展平为一维后映射至一个数值，矩阵维度变换公式如下：

26、(1×1)＝(1×k)×(k×1)

27、式中，(1×k)为全局处理模块与临近处理模块输出信息组合展平后矩阵维度，(k×1)为映射矩阵，(1×1)为预测结果维度。

28、本发明还公开了一种基于径流序列相关特征的精准预报系统，该系统能够用于实施上述的一种基于径流序列相关特征的精准预报方法，具体的，包括：

29、数据收集模块：负责收集研究流域内的水文气象资料。

30、数据裁剪模块：用于将收集到的水文气象数据进行裁剪，使各种数据的起止时间保持一致。确保所有数据在时间上具有相同的跨度，便于后续处理。

31、数据归一化模块：负责将裁剪后的水文气象数据进行归一化处理。

32、数据分块模块：使用滑动窗口法对数据进行分块处理。通过移动窗口创建输入输出对，确定时间步长和预测期，生成用于训练和测试的时间序列数据块。

33、信息提取模块：通过二维隐含层对数据进行高维信息提取。

34、全局与局部处理模块：该模块包括全局处理模块和临近处理模块；

35、全局处理模块：基于transformer架构，用于提取时间序列中的全局特征或长程依赖关系。

36、临近处理模块：基于lstm架构，关注时间序列中的局部特征和短程依赖关系。

37、信息重组模块：负责将全局处理模块和临近处理模块的输出进行重组。通过矩阵操作将输出数据组合在一起，为后续的预测提供统一的输入。

38、线性映射模块：通过线性层将信息重组后的数据进行线性映射，生成最终的预测输出。确保输出结果为预测所需的目标格式。

39、预测结果模块：用于输出最终的预测结果。

40、本发明还公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述一种基于径流序列相关特征的精准预报方法。

41、本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述一种基于径流序列相关特征的精准预报方法。

42、与现有技术相比，本发明的优点在于：

43、1.全局和局部特征的综合处理

44、通过同时使用全局处理模块和临近处理模块，本发明能够在时间序列预测中同时关注全局特征和局部特征，确保模型能捕捉整体趋势和局部变化。这种综合处理方式可以提高预测的准确性。

45、2.提高长程依赖处理能力

46、全局处理模块基于transformer架构，具有强大的长程依赖处理能力。它可以捕捉时间序列中的长程关联，识别数据中的全局模式，包括主要波动特征、峰值和谷值等。这对于长时间序列预测尤其重要。

47、3.提高短程依赖处理能力

48、临近处理模块通常基于lstm等循环神经网络，具有处理时间序列短程依赖的能力。它可以专注于预报时刻的邻近信息，捕捉短期变化和局部特征，从而避免模型过度关注全局波动特征。

49、4.减少过拟合风险

50、通过全局和局部处理模块的结合，本发明减少了模型过拟合的风险。全局处理模块确保模型不会过度关注局部噪音，而临近处理模块则确保模型不忽略重要的短期特征。

51、5.提高预测精度和稳定性

52、结合全局与局部处理，本发明在预测精度和稳定性方面取得了更好的平衡。它可以更准确地预测时间序列中的主要趋势，同时保持对局部变化的敏感性，这对于径流序列的精准预报至关重要。