[发明专利]基于时空图卷积网络的航道水位预测方法、装置及存储介质

说明书

本发明提供了基于时空图卷积网络的航道水位预测方法、装置及存储介质，方法包括：获取多个水位站的位置信息，使用多个水位站的位置信息构建水位站网络，水位站的位置信息包括：水位站的地理位置和水位站之间的里程值；基于水位站网络，建立并训练基于时空图卷积网络的水位预测模型；利用水位预测模型进行待预测点位的水位预测，得到水位预测值。使用时空图卷积网络提取数据的时空特征用以水位预测，具体通过时间门控卷积来捕获水位数据的时间特征，并使用空间图卷积来捕捉水位数据的空间特征，即同时获取多个水位站水位值的时间和空间相关性，以提高水位预测的准确性，从而更好的为船舶行驶安全提供数据支持并为防汛抗旱提供预警信息。

技术领域

本发明涉及水位预测技术领域，特别是涉及基于时空图卷积网络的航道水位预测方法、装置及存储介质。

背景技术

水路运输是最经济的运输方式之一，且我国河流资源丰富，有着我国第一长河——长江为代表的众多天然河流以及京杭运河等人工开凿的河流，故水路运输在我国统一的运输网中取得了重要地位。而水上航运的一个重要参考要素是航行区域的水位。内河水位直接决定着航道尺度的大小以及通航船舶的吨位，从而影响着内河航运的效率。

如今，安装在内河水位观测站的传感器可以检测水位变化，定期记录水位值，并形成众多历史水位数据集。通过处理和分析这些历史水位数据信息，挖掘水位数据的价值，可以捕捉历史水位趋势以进行水位预测。而得出的水位预报信息能够指导船舶科学合理配载，保障船舶安全航行，提高内河航道综合服务能力如防汛抗旱预报等，具有重要的现实意义。

随着计算机和大数据技术的发展，航道水位预测也成为了许多学者的关注热点，各种统计和机器学习方法被用于构建水位预测模型，如ARIMA、GA Elman、KG-BP、LSTM、GRU、GRU-CNN等，并获得了良好的实验结果。

但是，这些研究还存在一些局限性，大部分研究仅基于时间维度来预测水位，而由于地理位置和海拔高度的不同，不同水位站的水位值在时间和空间上将会相互影响，这将导致水位预测的精准度下降。

有些现有技术中虽然在水位预测时考虑了水位在时间和空间上的相互影响，如CN112949944 A-一种基于时空特征的地下水位智能预测方法及系统中，获取多个不同位置的地下水监测点处的地下水水位高度信息，构建用于描述两个不同位置监测点之间相关性的空间数据体和用于描述每个监测点处地下水位随时间变化情况的时间数据体；采用滑动窗口的方式在时间数据体上截取数据，生成多个子序列；基于空间数据体和生成的子序列训练预设的时空图卷积网络，使其学习各监测点间的影响关系及过去一段时间的水位变化对未来水位变化的影响关系，得到地下水位智能预测模型，用于对各监测点处地下水水位的预测。但是该方法中，只用了单一水位变量作为模型训练的数据，不能完全展示水位特征的变化；而且，该方法只用了是利用GRU和图神经网络进行加权预测，没有考虑时间和空间特征的相互联系。

另外，发明人的在先专利如CN110414742A-一种基于GRU的多站联动水位预测模型中，采用多水位站数据进行某一水位站水位情况的预测，该方法只是关注了多变量时间序列数据对水位预测的影响，并没有关注空间特征的影响，不能对受时间、空间以及时空关联影响的航道水位进行准确预测。

发明内容

有鉴于此，本发明提供了基于时空图卷积网络的航道水位预测方法、装置及存储介质，使用时空图卷积网络提取数据的时空特征用以水位预测，具体通过时间门控卷积来捕获水位数据的时间特征，并使用空间图卷积来捕捉水位数据的空间特征，即同时获取多个水位站水位值的时间和空间相关性，以提高水位预测的准确性，从而更好的为船舶行驶安全提供数据支持并为防汛抗旱提供预警信息。

为此，本发明采用以下技术方案：

一方面，本发明提供了一种基于时空图卷积网络的水位预测方法，所述方法包括：

获取多个水位站的位置信息，使用所述多个水位站的位置信息构建水位站网络，所述水位站的位置信息包括：水位站的地理位置和水位站之间的里程值；