[发明专利]一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质

说明书

本发明属于信息处理技术领域，公开了一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质，在Attention机制层，将隐藏层状态序列向量输入到可学习函数产生概率向量；后续隐藏层中间向量由向量加权平均产生，Attention通过循环计算每个时间步隐藏层状态序列的自适应加权平均产生中间向量，把每个时间步重要的信息按一定权重向后输出，随着时间推移整合信息的能力。本发明可以随着时间的推移将信息保存在内存中，在处理时间序列问题中，具有很大的优势；结合Attention机制，试验结果表明基于Attention机制的BiGRU多步洪水预报模型能更好地预测洪峰到达时间和洪峰峰值。

技术领域

本发明属于信息处理技术领域，尤其涉及一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质。

背景技术

目前，在世界各地，每年都会因为极端暴雨天气形成的洪水造成大量的人员伤亡和经济损失。洪水预报是防洪减灾过程中非常重要的一个措施。洪水预报的准确性将直接影响水库调度、防洪抢险、工农业安全等措施的实施。目前，关于降水的行为和潜在的物理定律仍然有很多未被理解的问题。要认识到动态过程各个方面之间所有的复杂关系，这是非常不容易的。洪水预报的挑战之一就是模型的选择，在过去的几十年里，传统的洪水预报方法研究非常多，大致可以分为两类：基于物理过程的模型和基于数据驱动的模型。基于物理过程的模型由于其明确的水文意义而被广泛接受和应用。然而，由于洪水出现的复杂性和对洪水的不同反应，很难研究出完全基于物理的预测模型；此外，水文模型往往需要校准大量的参数，很难获得最优的参数。基于数据驱动的模型主要根据水文现象的统计规律，通过考虑一个水文现象的统计关系来预测未来的水文过程。人工神经网络作为数据驱动模型的一种，由于其其强大的泛化能力和自适应学习能力，近年来在水文领域得到了快速的发展。受LSTM在机器翻译中的成功的推动，一些研究已经探索了LSTM在水文时间序列预测上的应用，并获得了不错的结果。A.M等人也将LSTM和GRU神经网络应用到径流流量预测，也取得了较好的预测效果。注意力机制最早在图像识别领域中应用，而后也被广泛应用于回归问题，注意力机制可以使得神经网络自动选择与输出匹配的特定输入，可以较好的提升模型的预测效果。

水文流量预测是一种时间序列预测过程，受前期各方面因素的影响比较大。GRU作为LSTM的一种变体，将遗忘门和输入门合成了一个单一的更新门，同样混合了细胞状态和隐藏状态。相对于LSTM，GRU结构更加简单。在进行模型算法选择时，要结合具体的任务来进行比较分析。事实上，在水文流量预测的过程中，需要对较长时期内的洪峰到达时间及其洪峰峰值进行准确预报，以便采取更好的措施减少洪灾造成的损失。在社会高速发展的今天，科技水平不断提升，人口不断增加，洪水造成的损失越来越大。人类需要逐步提高对洪水灾害的控制能力。为此，许多专家学者做了大量的研究。新安江模型通过考虑水在土壤中存储容量的变化，将降雨、蒸散发、流量等数据的数值转化为水文预测，模拟了水文系统主要组成部分之间的相互关系。但是其中有些参数是主观的，每个参数都与流域的物理结构和性质有关。E.Cooper等人研究表明，模型参数的设置对预测结果有很大的影响。模糊分析法主要考虑水文现象的模糊性，将模糊分析与系统分析结合起来，形成了新的模糊随机系统分析体系，建立了模糊识别预测模型。虽然它丰富了中长期水文预报的理论，但由于其信息带有主观性，因此应用也受到了一定的限制。小波理论分析法以傅里叶分析法为基础，从时频分析的角度出发，考虑每一个水文序列均含有多种频率成分，每一频率成分都有自身的制约因素和发展规律来进行预报。然而，它仅从水文序列本身出发构造模型，很难把握水文序列的内在机制。