[发明专利]基于时空注意力的序列到序列多步长洪水预报方法及装置

说明书

本发明提供了一种基于时空注意力的序列到序列多步长洪水预报方法及装置，通过对输入项添加空间注意力模型以及对深度学习框架添加时间注意力模型。空间注意力模型能够充分学习降雨的空间分布信息，在小流量台风模拟中效果较好，而时间注意力模型能够加强对快速汇流过程的学习，在大流量台风模拟效果较好。在添加了时空注意力机制的GRU‑Seq2Seq模型应用中可以发现，该模型能有效学习不同类型洪水，有效解决了山区小流域预报中的时滞现象以及洪峰预报精度不高的问题。

技术领域

本发明涉及洪水预报领域，尤其涉及一种基于时空注意力的序列到序列多步 长洪水预报方法及装置。

背景技术

山洪灾害是全球防洪及流域水资源管理的难题，也是我国防汛工作的难点和 薄弱环节，严重威胁着全球水安全和人民生命财产安全。特别是在极端台风下的 山区小流域，由于小流域监测站点不足和站网密度不够以及暴雨的时空分布不均 匀，汇流时间短导致山区小流域难以实现快速准确的多步提前预测。

近年来，使用深度学习网络预报洪水成为了新的发展方向。深度学习网络可 以仅利用历史数据对洪水进行预报，相较于传统的方法，深度学习网络可以用更 低的计算成本、更简单的建模过程得到更好的预测结果。然而，由于实测资料的 缺失以及随着预报提前期的增加使得预报准确性不断下降限制了深度学习网络 在洪水预报中的应用。

为了能够利用更少的实测资料进行预报以及提高多步预报的准确性，可以对 GRU算法与序列到序列(Seq2Seq)模型相结合，构建GRU-Seq2Seq洪水预报 模型。GRU-Seq2Seq洪水预报模型能提高学习降雨径流序列的转换关系和径流 时间步上的相关性，提升模型在时间信息的挖掘能力，提高了模型预测效果，特 别是在峰现时间预测上有明显的改善，洪水过程的时滞现象得到有效的缓解。但 在工程实际应用中发现，GRU-Seq2Seq模型性能会受限于Seq2Seq模型中间向 量，输入序列过长部分信息会被覆盖，导致GRU-Seq2Seq模型可能无法充分的 挖掘水文数据的三维时空信息。这就导致了在一些极端台风天气下洪水预报仍会 存在洪峰时滞现象。

发明内容

为了解决GRU-Seq2Seq模型存在的山区小流域预报中的时滞现象以及洪峰 预报精度不高的技术问题。本发明在GRU-Seq2Seq模型的基础上，提出一种基 于时空注意力的多步长洪水预报方法，通过对输入项添加空间注意力模型以及对 深度学习框架添加时间注意力模型。空间注意力模型能够充分学习降雨的空间分 布信息，在小流量台风模拟中效果较好，而时间注意力模型能够加强对快速汇流 过程的学习，在大流量台风模拟效果较好。在添加了时空注意力机制的GRU- Seq2Seq模型应用中可以发现，该模型能有效学习不同类型洪水，有效解决了山 区小流域预报中的时滞现象以及洪峰预报精度不高的问题。

根据本发明的一个方面，一种基于时空注意力的序列到序列多步长洪水预报 方法，包括以下步骤：

获取研究流域的流量、极端台风气候降雨数据，根据降雨特征数将每个时间 步的台风降雨用序列表示，根据流量特征数将每个时间步的流量用 序列表示，最后将k个时间步长降雨序列及流量序列拼接成输入矩 阵X；

将输入矩阵X划分为k个m+n维特征向量；

分别计算每个特征向量的空间注意力权重；

动态分配每个输入特征的权重，对输入矩阵X添加空间注意力模型，获得包 含空间注意力权重的输入矩阵X′；

构建GRU编码器并输入包含空间注意力权重的输入矩阵X′，输出编码器隐 藏层序列H及上下文编码向量c；

构建GRU解码器并输入上一时刻的输出序列及上下文编码向量c，输出解 码器隐藏层序列H′；

利用GRU编码器和GRU解码器每个时间步隐藏层状态计算时间注意力权 重β_T；