[发明专利]基于对抗和伪标签学习的小样本洪水预报方法

说明书

本发明公开了基于对抗和伪标签学习的小样本洪水预报方法，首先构建一个时域卷积网络和多层感知机分别作为预训练特征提取器和预测分类头，然后使用均方误差在大规模有标签的洪水预测数据集上预训练；再构建一个目标域特征提取器和判别器；以预训练模型的输出为真实值，通过对抗学习的方式训练目标域特征提取器；将训练后的目标域特征提取器与预测分类头拼接，为小样本数据集中无标签的样本生成伪标签，并将生成伪标签后的样本与原有的少量有标签样本合并，形成新的规模更大的下游数据集；使用新的下游数据集再次进行对抗学习，提高目标域特征提取器的特征提取能力。该方法提高了在历史水文数据较少的地区进行洪水预报的准确率。

技术领域

本发明基于对抗和伪标签学习的小样本洪水预报方法涉及半监督方式下的洪水预报方法，特别是涉及对抗学习和伪标签学习技术的洪水预报，属于计算机技术领域。

背景技术

洪水是危害人类安全和经济发展的重大自然灾害之一。及时、准确地对流域径流量进行预测对防洪减灾、拯救人命、减少损失等具有重要意义。目前，洪水预测主要方式有物理模型和基于学习的数据驱动模型两种。其中，物理模型依赖于复杂的水文资料和大量的计算来进行洪水预报。但是，它的基础是水文知识，因此它的推广和扩展性受到很大的制约。至于基于学习的数据驱动模式，其主要是建立在输入资料与观察对象的关系上，而不包含任何人为设定的物理参量。相对于物理模型，基于学习的数据驱动模型能够更好地应用于各种河流。近年来，随着机器学习技术的不断发展，基于学习的模型越来越流行，其性能也越来越好。

然而，基于学习的数据驱动模型通常需要大量的数据支撑模型训练。在全球范围内，有很多发展中国家的河流历史水文资料很少，特别是小尺度河流。因此，如何利用有限的水文资料进行洪水预测，具有重要研究意义。迄今为止，大部分的方法都是通过优化网络结构来提高性能。但是受数据量制约，模型效果仍有待提高。因此，通过神经网络模型实现小样本洪水预报，是一项意义非凡但极具挑战性的任务。

为了解决这一问题，本发明提出基于对抗和伪标签学习的小样本洪水预报方法，首先利用大量的有标签数据集来预训练一个特征编码器，然后利用对抗性学习的方法在半监督条件下实现对目标区域的特征编码器的学习。提高了在历史水文数据较少的地区进行洪水预报的准确率。

发明内容

本发明所要解决的技术问题是：提供基于对抗和伪标签学习的小样本洪水预报方法，为半监督的洪水预报问题提供了一种解决方案。

为解决上述技术问题，本发明采用以下技术方案：

基于对抗和伪标签学习的小样本洪水预报方法，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；