一种结合物理机制与机器学习模型耦合时间滞后相关性的河道水位预测方法、系统及电子设备

本发明涉及水文监测数据处理，特别涉及一种结合物理机制与机器学习模型耦合时间滞后相关性的河道水位预测方法、系统及电子设备。

背景技术：

1、河道水位的准确预测对于防洪减灾、水资源管理以及生态环境保护具有重要意义。传统的预测方法多基于历史数据，利用统计模型进行预测，然而这些方法往往忽略了不同因素之间的时间滞后相关性，以及这些因素与河道水位之间的物理机制关系。此外，城市排水系统复杂，存在数据种类不足、模型可解释性不足等问题。基于成熟水模型的改进、不同模型的耦合以及数据驱动模型等方法虽然能在一定程度上模拟城市河道水位，但受限于模型结构、参数设置和数据质量等因素，其预测精度和适用性存在局限，不易反应复杂变化的多样性。不同机理模型的耦合方法虽然能提高模拟效果和适应性，但过多的参数和输入变量导致数据交互困难，而数据驱动模型则面临高质量数据缺乏和模型内部机制可解释性不足的问题。此外，城市排水系统建模过程中还需要考虑排水管网与外河道水位之间的相关性、城市水系的复杂性等因素，这些都会增加建模的复杂性和不确定性。

2、为此，如何提供一种能够充分考虑不同因素之间的时间滞后相关性，以及这些因素与河道水位之间的物理机制关系，并解决数据驱动模型则面临高质量数据缺乏和模型内部机制可解释性不足的问题的结合物理机制与机器学习模型耦合时间滞后相关性的河道水位预测方法、系统及电子设备是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提出了一种结合物理机制与机器学习模型耦合时间滞后相关性的河道水位预测方法、系统及电子设备。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种结合物理机制与机器学习模型耦合时间滞后相关性的河道水位预测方法，包括：

4、步骤1：获取河道水位的历史数据以及影响因素数据，并利用皮尔逊相关系数分析不同影响因素与河道水位之间的相关性，引入时间滞后的互相关分析，计算时间滞后互相关指标；

5、步骤2：基于时间滞后互相关指标，构建参数自寻优的滚动长短期记忆网络，并利用历史数据进行模型训练；

6、步骤3：输入待测数据至训练好的模型，得到河道水位预测结果。

7、可选的，步骤1中，在获取河道水位的历史数据以及影响因素数据之后，还包括：进行数据清洗、缺失值填充以及归一化操作。

8、可选的，步骤1中，计算时间滞后互相关指标，如下：

9、

10、其中，ptlc为时间滞后互相关指标；m为最高阶数；n为k阶输入因子的数量；为第i个k阶输入因子的综合影响指数。

11、可选的，第i个k阶输入因子的综合影响指数，如下：

12、

13、其中，为第i个k阶输入因子的综合影响指数与全局皮尔逊指数的转换系数；p为降雨事件数量；为第i个k阶输入因子在降雨事件j中的全局皮尔逊指数。

14、可选的，第i个k阶输入因子的综合影响指数与全局皮尔逊指数的转换系数，如下：

15、

16、其中，为降雨事件j中k阶输入因子的总滞后步长；为降雨事件j中第i个k阶输入因子的滞后步长。

17、可选的，第i个k阶输入因子在降雨事件j中的全局皮尔逊指数，如下：

18、

19、其中，z为滞后时间步长的范围；为第i个k阶输入因子在降雨事件j中信号序列x移动q后得到的序列值；为第i个k阶输入因子在降雨事件j中信号序列y的序列值；g为信号序列数量；分别为和中的第h个序列值；分别为和的平均值。

20、可选的，步骤2中，参数自寻优的滚动长短期记忆网络，如下：

21、γu＝ε(wu[a(t-1),x(t)]+bu)；

22、γf＝s(wf[a(t-1),x(t)]+bf)；

23、γo＝ε(wo[a(t-1),x(t)]+bo)；

24、

25、a(t)＝γo*tanh(c(t))；

26、其中，γu、γf、γo分别为输入门、遗忘门、输出门；ε为一个系数；wu、wf、wo、wc为权重矩阵；a(t-1)、a(t)分别为前一期和当前状态的隐藏因子；c(t-1)、c(t)分别为前一期和当前状态的单元；bu、bf、bo、bc为偏置项。

27、可选的，步骤2中，利用历史数据进行模型训练后，还包括：通过交叉验证验证评估模型的性能，根据评估结果，对模型进行参数调整和优化。

28、本发明还提供一种利用一种结合物理机制与机器学习模型耦合时间滞后相关性的河道水位预测方法的结合物理机制与机器学习模型耦合时间滞后相关性的河道水位预测系统，包括：

29、时间滞后互相关指标计算模块：用于获取河道水位的历史数据以及影响因素数据，并利用皮尔逊相关系数分析不同影响因素与河道水位之间的相关性，引入时间滞后的互相关分析，计算时间滞后互相关指标；

30、模型训练模块：用于基于时间滞后互相关指标，构建参数自寻优的滚动长短期记忆网络，并利用历史数据进行模型训练；

31、河道水位预测模块：用于输入待测数据至训练好的模型，得到河道水位预测结果。

32、本发明还提供一种电子设备，包括：

33、存储器，用于存储计算机程序；

34、处理器，用于执行计算机程序时实现一种结合物理机制与机器学习模型耦合时间滞后相关性的河道水位预测方法的步骤。

35、经由上述的技术方案可知，与现有技术相比，本发明提出了一种结合物理机制与机器学习模型耦合时间滞后相关性的河道水位预测方法、系统及电子设备。通过利用皮尔逊相关系数分析不同影响因素与河道水位之间的相关性(水文监测数据中的连续信号之间的相关关系以及随时间的变化情况)，并引入时间滞后的互相关分析，计算时间滞后互相关指标(通过关联具体现实因子间的影响程度与阶数，优化物理机制间阶数因子的选取方式以及相关性的时滞效应分散程度，进而增大互相关系数的区分度，提高指标的可解释性和易读性，揭示不同输入变量和模拟目标之间的相关性)，构建参数自寻优的滚动长短期记忆网络预测模型，进行最终的河道水位预测，充分考虑了不同因素之间的时间滞后相关性，以及这些因素与河道水位之间的物理机制关系，并解决了数据驱动模型则面临高质量数据缺乏和模型内部机制可解释性不足的问题，有效提高了河道水位预测精度。

技术特征：

1.一种结合物理机制与机器学习模型耦合时间滞后相关性的河道水位预测方法，其特征在于，包括：

2.根据权利要求1所述的一种结合物理机制与机器学习模型耦合时间滞后相关性的河道水位预测方法，其特征在于，步骤1中，在获取河道水位的历史数据以及影响因素数据之后，还包括：进行数据清洗、缺失值填充以及归一化操作。

3.根据权利要求1所述的一种结合物理机制与机器学习模型耦合时间滞后相关性的河道水位预测方法，其特征在于，步骤1中，计算时间滞后互相关指标，如下：

4.根据权利要求3所述的一种结合物理机制与机器学习模型耦合时间滞后相关性的河道水位预测方法，其特征在于，第i个k阶输入因子的综合影响指数，如下：

5.根据权利要求4所述的一种结合物理机制与机器学习模型耦合时间滞后相关性的河道水位预测方法，其特征在于，第i个k阶输入因子的综合影响指数与全局皮尔逊指数的转换系数，如下：

6.根据权利要求4所述的一种结合物理机制与机器学习模型耦合时间滞后相关性的河道水位预测方法，其特征在于，第i个k阶输入因子在降雨事件j中的全局皮尔逊指数，如下：

7.根据权利要求1所述的一种结合物理机制与机器学习模型耦合时间滞后相关性的河道水位预测方法，其特征在于，步骤2中，所述参数自寻优的滚动长短期记忆网络，如下：

8.根据权利要求1所述的一种结合物理机制与机器学习模型耦合时间滞后相关性的河道水位预测方法，其特征在于，步骤2中，利用所述历史数据进行模型训练后，还包括：通过交叉验证验证评估模型的性能，根据评估结果，对模型进行参数调整和优化。

9.一种利用权利要求1-8中任一所述的一种结合物理机制与机器学习模型耦合时间滞后相关性的河道水位预测方法的结合物理机制与机器学习模型耦合时间滞后相关性的河道水位预测系统，其特征在于，包括：

10.一种电子设备，其特征在于，包括：

技术总结本发明公开了一种结合物理机制与机器学习模型耦合时间滞后相关性的河道水位预测方法、系统及电子设备，应用于水文监测数据处理技术领域，包括：获取河道水位的历史数据以及影响因素数据，并利用皮尔逊相关系数分析不同影响因素与河道水位之间的相关性，引入时间滞后的互相关分析，计算时间滞后互相关指标；基于时间滞后互相关指标，构建参数自寻优的滚动长短期记忆网络，并利用历史数据进行模型训练；输入待测数据至训练好的模型，得到河道水位预测结果。本发明能够有效提高河道水位预测精度。技术研发人员：龙岩,刘东坤,雷晓辉,黄浩成受保护的技术使用者：河北工程大学技术研发日：技术公布日：2024/11/4