[发明专利]一种基于样本学习的积涝水位预测方法

权利要求书

1.一种基于样本学习的积涝水位预测方法，其特征在于利用对已有历时数据的学习来预测积涝水位,其主要包括如下三部分：积涝站数据的预处理，面向积涝水位预测的深度神经网络回归模型的构建，以及面向积涝水位预测的深度神经网络回归模型的训练和实时预测；所述的积涝站数据的预处理是将积涝站获得的历时降雨量和水位数据进行处理，转换为可用于学习和预测的标准数据；所述的面向积涝水位预测的深度神经网络回归模型的构建是基于给定城市区域的历时水位和降雨量数据以及预估的未来降雨量针对性地设计深度神经网络回归模型；所述的面向积涝水位预测的深度神经网络回归模型的训练和实时预测是指采用深度学习方法进行模型的训练，从而获得模型参数，并根据训练好的模型参数和实时输入数据进行实时预测的过程；

积涝站数据的预处理部分，根据积涝站的历时数据生成可用于学习的特征向量和输出值的对应表，并进行数据的标准化；

积涝站的历时数据是一个带有时间标记的水位和降雨量的序列，可表示为：[(T₁,L₁,F₁),(T₂,L₂,F₂),…,(T_i,L_i,F_i),…,(T_c,L_c,F_c)],其中T_i表示对应的时刻，L_i表示T_i时刻积涝站的水位，F_i表示在(T_i-1，T_i)时间内的降雨量；T_c表示当前时刻；设定一个固定参数M，表示当前的水位只与M分钟之前的水位和前M分钟的降雨量相关；为了预测时刻的水位，构建一个特征向量X，该特征向量包括：从时刻到T_c时刻的降雨量和水位信息，以及从T_c时刻到时刻之间的降雨量F_g；在进行实时预测时，F_g通过天气预报估计得到；

筛选积涝站的历时数据，对历时数据中的每个数据判断当前水位和前M分钟降雨量是否有一个不为0，如果有一个不为0，则作为一个有效数据，并获取当前水位，前M分钟每个时刻的水位和降雨量，以及后K分钟的降雨量，作为一个样本的特征向量X_i，并将K分钟的水位作为该样本的输出值Y_i，从而构建了一个样本库：{(X_i，Y_i)，i∈[1,N]},N为样本数量；其中一个样本的特征向量包括：个前水位信息，个前降雨量，和1个后K分钟的降雨量，特征向量的长度为：

2.如权利要求1所述的一种基于样本学习的积涝水位预测方法，其特征在于通过计算样本中每个特征值和输出值的均值和方差,然后用均值和方差对对应的特征值进行标准化，其标准化公式如下所示；

xb_ij＝(X_ij-mean(X_j))/variance(X_j)

yb_i＝(y_i-mean(Y))/variance(Y)

其中xb_ij是第i个样本中第j个特征值X_ij标准化结果，yb_i是第i个样本的输出值y_i的标准化结果；mean(X_j)和variance(X_j)分别是对样本库中所有样本的第j个特征求均值和方差，mean(Y)和variance(Y)是对样本库中所有输出值求均值和方差。