[发明专利]一种基于注意力机制和LSTM的径流预测方法

摘要

本发明公开了一种利用深度学习算法，采用基于注意力机制和LSTM的径流预测方法。首先收集流域内与径流相关的影响特征，然后构建特征与径流量互相对应的时间序列数据集，通过训练就能得到基于注意力机制和LSTM的径流预测模型，根据得到的径流预测模型就可以对以后的径流量进行预测。同时，考虑到LSTM在记忆长期的序列模式时会忽略一些短期的重要特征，所以加入注意力机制，选择性的关注径流序列中的关键要素，提高了LSTM捕获有效特征的能力，因而具有较高的预测精度。此外，本发明使用以数据驱动的深度学习方法，减少了对于流域内部水文物理机制的依赖性，有效扩大了模型的适用范围。

主权项

1.一种基于注意力机制和LSTM的径流预测方法，其特征在于，包括以下步骤：(1)、收集研究流域内各个气象站点与径流密切相关的特征，如流域内降水、气温、蒸散发等；(2)、数据预处理，统计各个站点收集到的数据，并对缺失值进行补全，由于输入的数据之间数量级有时候差别较大，采用离差标准化方法对输入数据进行归一化，其转换公式为：其中，X^*为归一化后的数据，其范围在[0,1]，X为原始数据，X_max为原始数据的最大值，X_min为原始数据的最小值；(3)、建立含注意力机制的LSTM模型；深度网络分为三个部分，首先是注意力机制组件，用来对输入的序列在时间上对短期重要特征更关注；其次是LSTM网络，通过LSTM网络对径流进行时间序列的建模，并在每个时刻进行输出；最后是全连接网络，对LSTM编码的多维状态向量转化为每个时刻的径流量；其他激活函数使用指数线性激活函数elu，最后一层的激活函数使线性激活函数linear；(4)、模型训练；将数据划分为训练集和测试集，使用训练集输入模型进行训练，损失函数使用平方根误差，优化器使用adam优化器，进行多次迭代使模型拟合并达到最优；(5)、使用训练好的模型在测试集上进行测试，根据真实数据对预测结果进行评估。