[发明专利]一种基于LSTM多状态向量序列到序列模型的径流预测方法

说明书

本发明涉及一种基于LSTM多状态向量序列到序列模型的径流预测方法，属于涉及数据驱动径流预测技术领域。为了更精确地进行径流预测，在长短期记忆人工神经网络LSTM下用序列到序列方式进行径流预测。首先准备数据集，并且进行数据的预处理，得到可用的序列数据；然后在将经过预处理的数据集划分成训练集、验证集、测试集三个互斥的部分；接着构建LSTM多状态向量序列到序列模型结构；最后定义损失函数、优化器，训练并测试模型。数据集上的试验结果表明，相对于已有的基于序列到序列的LSTM模型比较，本发明获得的径流预测结果具有较高的预测精度。

技术领域

本发明涉及数据驱动径流预测技术领域，具体涉及一种基于LSTM多状态向量序列到序列模型的径流预测方法。

背景技术

径流预测模型在水文科学中有着悠久的历史，使用回归方法预测径流的首次尝试可以追溯到170年前，在水文科学中是一个具有挑战性和重要意义的非线性时间序列问题。由于流域水文特征、流域边界条件、人类活动、降雨的时空分布等复杂因素的影响，导致了非常复杂的非线性水文过程。径流预测模型有许多方法，包括物理模型和数据驱动模型，这两种类型都有自己的特点。物理模型基于实际的物理过程但受限于简化的假设，难以模拟非线性的水文过程，也就难以进行精准的径流预测；基于神经网络的数据驱动模型可以模拟高度非线性的复杂系统，因此提供了进行精准径流预测的可能性。循环神经网络(RNN)考虑了时间序列的序列信息，因此可以记忆先前的信息并捕捉时间动态特征。然而，当我们用较长的时间序列来训练传统RNN时，它们会出现梯度爆炸和梯度消失的问题。长短期记忆网络(LSTM)是一种改进的RNN，随着时间的推移保持对时间状态的记忆，其三个非线性门控单元可以调节存储单元信息流入和流出，能够克服传统RNN梯度爆炸和梯度消失的弱点。此外，基于序列到序列的LSTM模型(LSTM-S2S)展现了多步超前预测的良好性能，然而由于其架构内部只有一个状态向量(如图3所示)，该向量包含当前预测时间时刻之后的冗余信息，也就是模型会使用之后时刻的气象信息预测当前时刻的径流，而径流的实际产生过程不会受到其后续气象信息的影响，所以使用一个状态向量的模型与实际不一致，因此对于某些复杂的站点或者流域的预测精度不够高。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于LSTM多状态向量序列到序列模型(LSTM-MSV-S2S)的径流预测方法，减少了对水文物理机制的依赖性，显著提升径流预测的精度。

技术方案

一种基于LSTM多状态向量序列到序列模型的径流预测方法，其特征在于步骤如下：

步骤1：准备数据集

收集研究流域内各个气象站点与径流密切相关的特征数据和径流值数据；

步骤2：原始数据集的预处理

预处理过程包括异常值处理、空值处理、标准化、数据序列化，然后将经过预处理的数据集按照年份划分出训练集、验证集、测试集三个互斥的部分；

步骤3：构建LSTM多状态向量序列到序列模型

模型整体架构包含五个部分，分别是气象信息编码器、径流编码器、一个多状态向量序列形成的状态矩阵、一个解码器和一个全连接层；

步骤4：训练模型

首先定义损失函数、优化器，然后前向传播算法计算损失，并且反向传播算法计算梯度，然后更新网络参数的权重；模型进行多次迭代训练，在每次迭代中，用纳什效率系数NSE衡量其在验证集下的表现；

步骤5：测试模型

将测试数据集送入迭代后的模型中运行，得到预测结果，并根据真实数据对预测结果进行评估。