一种多维协同迭代的贝叶斯深度学习水位预测方法及系统与流程

本发明涉及水位预测，具体涉及一种多维协同迭代的贝叶斯深度学习水位预测方法及系统。

背景技术：

1、目前河流水位、流量的预测关系到防洪减灾、水利调度等民生大事，基于数据驱动的水位流量预测一般只关注其自身的变化规律，常常采用自回归方法预测，自回归方法的典型的单循环仅使用上一次的水利信息来预测下一侧的水位信息，影响水位要素的数据信息没有充分挖掘，其准确性和可靠性不强。

2、申请号为cn201910054629.7的专利公开了一种海绵城市河道水位预测预警方法，包括获取单位时间内河道水位值、天气特征值和/或河道拦坝特征值；绘制内河道水位值与时间之间的连续波动图；根据所述连续波动图以及天气特征值和/或河道拦坝特征值，确定当前内河道水位是否达到预警标准，如果达到预警标准，则发出预警信号至数据处理终端，以提前对内河道排水。本发明实施例由于分别获取内河道水位值、天气特征值及河道拦坝特征值绘制成连续波动图，根据波动图的趋势来判断是否达到预警标准，进而发出预警信号，从而有效对未来一段时间内的水位上升趋势进行预判和预警，从而避免因为内河道水位上升太快，而排水太慢造成城市内涝等情况的发生。但现有技术预测未来水位只能预测上升或下降趋势，对未来水位不能较为准确的预测。

技术实现思路

1、为了解决现有技术对未来水位不能较为准确预测的不足，本申请公开了一种预测未来水位准确性较为可靠和准确的一种多维协同迭代的贝叶斯深度学习水位预测方法。

2、本发明公开了一种多维协同迭代的贝叶斯深度学习水位预测方法，其包括s1：通过水利大数据获取模块获取预测时刻前若干小时的水利信息数据，s2：通过水利大数据处理模块以水利时间序列将水利信息数据处理成标准化数据，s3：通过水利对象预测服务模块将标准化数据按照时段并行并进行整合打包，s4：水位预测服务模块预测未来时间点的水利信息，s5：经过若干次预测未来时间点的水利信息通过水位预测服务模块迭代计算得到最终的未来时间点水利信息。

3、进一步地，s4中水位预测服务模块通过整合打包后的标准化数据预测未来时间点的水利信息，并通过预测未来时间点前的若干次水利信息和预测的水利信息来预测下一次未来的水利信息，直到时间到达预测时间点后使用实际预测未来时间点的水利信息替换预测未来时间点的水利信息来继续预测下一次未来时间点的水利信息。

4、进一步地，水位预测服务模块通过贝叶斯深度学习进行水位预测迭代，通过水利信息模型观测到的水流的时间序列向量：

5、，分别为水利信息中致灾因子时空数据、常数变量向量、空间测量值、初始状态向量、通用参数向量、空间参数数组，为误差，基于水利信息数据动态特征，推导基础残差神经网络深度学习模型：，ym（）：模型输出函数，f（）：基础残差神经网络深度学习模型，x：输入数据，θ：模型参数，ε：不可控因素的影响的噪声，表示模型未能完全捕捉到的实际观测与预测之间的随机波动，考虑时滞的贝叶斯后验概率因素：

6、，kl散度来度量分布间的距离，实现近似变分优化：，y：观测数据。

7、进一步地，使用参数θ对进行高斯分布近似变分，则第i次在模型第n层上权重和偏差分布为：

8、，

9、，μw和μb：表示权重和偏差的均值，ρw和ρb：表示权重和偏差的方差，n（0，1）表示先验分布。

10、进一步地，构建深度贝叶斯网络概率纵向预测时刻灾情与横向时间序列灾情模型，设表示时间点ti中n个影响因子变量的集合，联合概率的分布为：，参数的先验分布为，取指数形式的先验分布：

11、，，w：方程权重，α：决定权值w的先验分布超函数，z（w）：归一化常数，e（w）表示网络的全参数，网络的全参数取值：，使用动态贝叶斯网络进行预测，不断更新的输入值与预测值之间的关系：

12、，：n+1时间点水位及灾情等级的观测结果，xn+1：n+1时间点的输入值，f（xn+1，w）：模型的预测函数，β：变换参数集，s（w）：用于调整权重w的分布的变换函数，s（w）=αe(w)，确定预测的模型结构和节点参数后，使用条件概率公式预测未来时间点的水位及灾情等级的贝叶斯概率分布。

13、进一步地，贝叶斯深度学习水位预测方法包括用于存储水利对象信息模型的实时数据与历史数据的多维多步模块，多维多步模块包括多维循环时间序列，造成灾害的因素的时间序列的输入：，k：收集历史数据时所使用的间隔长度，n：模型正在预测的时刻，贝叶斯深度学习模型进行学习预测的水位：，y预测：预测水位，y实测：实时水位，采用前次x输入输入信息，并包含前实测y实测水位信息和预测的y预测水位信息，来预测下一次的yi+1水位信息，bi：向前递归的输入信息，包含j-b到j的历史水位数据，b：向前回溯的步数。

14、进一步地，贝叶斯深度学习水位预测方法包括数据表，水利大数据处理模块对数据表进行存储，数据表包括实时属性集数据表和历史属性集数据表，贝叶斯深度学习水位预测方法包括水利预测客户端模块，水利预测客户端模块用于访问水利对象预测服务模块。

15、进一步地，水位预测服务模块包括数据的持续传递、预测值的校正、基于贝叶斯深度学习的水位预测模型集和水位预测效果展示，水位预测效果展示包括水位预测效果展示图，水位预测服务模块通过贝叶斯深度学习用于大数据人工智能。

16、进一步地，贝叶斯深度学习水位预测方法包括水利多维多步模块，水利多维多步模块采用深度学习循环神经网络rnn与贝叶斯序列模型进行反复训练。

17、本发明公开了一种多维协同迭代的贝叶斯深度学习水位预测系统，其包括用于获取水利信息的水利大数据获取模块、储存水利信息的数据存储模块、将水利信息处理成标准化数据的水利大数据处理模块、将标准化数据按时间点进行整合打包的水利对象预测服务模块及使用贝叶斯深度学习算法预测未来时间点水利信息的水位预测服务模块，水利大数据获取模块与水利大数据处理模块建立连接，水利大数据处理模块与水利对象预测服务模块建立连接，水利对象预测服务模块与水位预测服务模块建立连接，水利大数据处理模块及水利大数据获取模块与数据存储模块建立连接。

18、本发明的有益效果：

19、本发明的多维协同迭代的贝叶斯深度学习水位预测方法，通过水位预测服务模块将预测未来时间点前的若干次水利信息和预测的水利信息来预测下一次未来的水利信息，直到时间到达预测时间点后使用实际预测未来时间点的水利信息替换预测未来时间点的水利信息来迭代预测下一次未来时间点的水利信息，然后经过若干次预测未来时间点的水利信息通过水位预测服务模块迭代计算得到最终的未来时间点水利信息。贝叶斯序列模型允许对模型参数的不确定性进行量化，通过后验概率分布实现，贝叶斯方法提供了关于预测的置信度信息，使预测结果更为稳健，贝叶斯方法允许模型随着新数据的加入而不断更新和调整，从而提高预测性能，能够同时提高水位预测的可靠性和准确性。

技术特征：

1.本发明公开了一种多维协同迭代的贝叶斯深度学习水位预测方法，其特征在于，包括：

2.根据权利要求1中所述的一种多维协同迭代的贝叶斯深度学习水位预测方法，其特征在于：

3.根据权利要求1中所述的一种多维协同迭代的贝叶斯深度学习水位预测方法，其特征在于：

4.根据权利要求3中所述的一种多维协同迭代的贝叶斯深度学习水位预测方法，其特征在于：

5.根据权利要求4中所述的一种多维协同迭代的贝叶斯深度学习水位预测方法，其特征在于：

6.根据权利要求1中所述的一种多维协同迭代的贝叶斯深度学习水位预测方法，其特征在于：

7.根据权利要求1中所述的一种多维协同迭代的贝叶斯深度学习水位预测方法，其特征在于：

8.根据权利要求1中所述的一种多维协同迭代的贝叶斯深度学习水位预测方法，其特征在于：

9.根据权利要求1中所述的一种多维协同迭代的贝叶斯深度学习水位预测方法，其特征在于：

10.一种多维协同迭代的贝叶斯深度学习水位预测系统，其特征在于，包括：

技术总结本发明涉及水位预测技术领域。本发明公开了一种多维协同迭代的贝叶斯深度学习水位预测方法及系统，包括S1：水利信息获取，S2：数据标准化处理，S3：数据打包，S4：水位预测，S5：若干次预测未来时间点的水利信息通过，迭代计算得到最终的未来时间点水利信息。水位预测服务模块通过预测时间点前的若干次水利信息和预测的水利信息来预测下一次未来的水利信息，时间到达预测时间点后使用实际的水利信息替换预测的水利信息来迭代预测未来时间点的水利信息，经过若干次预测未来水利信息计算得到最终的未来时间点水利信息，提高预测的准确性。技术研发人员：张仁贡,汪松松,杨浩天,郑重受保护的技术使用者：浙江禹贡信息科技有限公司技术研发日：技术公布日：2024/10/17