[发明专利]基于对抗和伪标签学习的小样本洪水预报方法

权利要求书

1.一种基于对抗和伪标签学习的小样本洪水预报方法，其特征在于，包括如下步骤：

步骤1，构建一个特征提取器E_pre和一个预测头head，并将两者拼接作为预训练模型，用于从大规模有标签的预训练洪水数据集D_pre中学习先验知识；

步骤2，使用均方误差(Mean Square Error，MSE)对步骤1构建的预训练模型进行训练；

步骤3，将步骤2训练得到的特征提取器E_pre和预测头head的参数冻结，并构建一个特征提取器E_down，用于提取下游数据集D_down中有标签样本的特征；

步骤4，通过对抗学习的方式训练特征提取器E_down，使E_down输出的特征与E_pre输出的特征对齐，缩小预训练数据集和下游数据集特征域上的差异；

步骤5，将步骤4对抗学习后的E_down与预测头head拼接，为下游数据集中无标签的样本生成伪标签，并将新生成的有标签样本与原有的有标签样本合并，得到新的下游数据集D_new；

步骤6，使用预训练数据集和步骤5得到的D_new再次通过对抗学习的方式训练特征提取器1_down；

步骤7，将再次训练后的E_down与head拼接，实现下游目标域的洪水预测。

2.根据权利要求1所述的基于对抗和伪标签学习的小样本洪水预报方法，其特征在于，所述步骤1的具体过程为：

1-1、构建一个时域卷积神经网络作为特征提取器E_pre，用于从有标签的预训练数据中提取特征；

1-2、构建一个多层感知机作为非线性预测头head，用于将特征提取器提取的特征映射到洪水数据集中的标签空间；

1-3、将特征提取器E_pre和预测头head拼接，作为预训练模型。

3.根据权利要求1所述的基于对抗和伪标签学习的小样本洪水预报方法，其特征在于，所述步骤2的具体过程为：

2-1、给定时长为N的预训练数据集其中X_i是长度为d的向量，表示第i个时间步上该流域上各地的降雨量数据，Y_i表示第i个时间步的径流量数据，每一个时间步相差1小时；

2-2、使用过去6小时的降雨量数据与当前的径流量数据预测未来1小时的径流量，即特征提取器E_pre的输入为和Y_t-1，预训练模型的输出表示如下：

其中concat(·)表示张量拼接操作；

2-3、使用均方误差(MSE)对模型进行预训练，损失函数如下：

其中Y_t和分别表示真实值和预测值。

4.根据权利要求1所述的基于对抗和伪标签学习的小样本洪水预报方法，其特征在于，所述步骤3的具体过程为：

3-1、冻结特征提取器E_pre和预测头head的网络权重；

3-2、构建一个时域卷积神经网络作为特征提取器E_down，用于从有标签的下游数据中提取特征。