基于STGCN的洪水预报误差实时校正方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115755219A(43)申请公布日2023.03.07(21)申请号202211271357.4G01C13/00(2006.01)(22)申请日2022.10.18G06N3/0464(2023.01)(71)申请人长江水利委员会水文局地址430010湖北省武汉市江岸区永清街道解放大道1863号申请人河海大学(72)发明人冯宝飞郑静余宇峰陈瑜彬张潇张俊田逸飞张涛秦昊任玉峰曾明张晶李洁杨雁飞严方家(74)专利代理机构北京中先生知识产权代理事务所(普通合伙)16063专利代理师窦贤宇(51)Int.Cl.G01W1/10(2006.01)权利要求书3页说明书9页附图4页(54)发明名称基于STGCN的洪水预报误差实时校正方法及系统(57)摘要本发明公开一种基于STGCN的洪水预报误差实时校正方法及系统，该方法包括：构建预报误差实时校正数据集；对预报误差实时校正数据集进行预处理，提取预报模型输入数据中相关雨量站到预报断面间的流经长度，构建空间邻接矩阵；构建时空图卷积网络模型STGCN，提取误差序列的时序和局部空间特征，构建反映误差序列非线性关系的映射函数；采用改进灰狼优化算法进行参数寻优，构建最优AGWO_STGCN模型；利用预报模型M对实时数据进行预测，利用实时误差校正模型AGWO_STGCN对模型预报误差进行预测，获得最终的预测值。本发明具有更好的预测效果和预测精度，并提高预测模型的泛化能力。CN115755219ACN115755219A权利要求书1/3页1.一种基于STGCN的洪水预报误差实时校正方法，其特征在于，包括以下步骤：步骤(1)、采集预报断面预报时段内实测洪水序列、洪水预报模型的输入系列及输出结果序列，按时间组织成为预报误差实时校正数据集；步骤(2)、对预报误差实时校正数据集进行预处理，构建训练样本集；提取洪水预报模型的输入数据中相关雨量站到预报断面间的流经长度，构建空间邻接矩阵；步骤(3)、构建时空图卷积网络模型，提取误差序列的时序和局部空间特征，构建反映洪水预报误差序列非线性关系的映射函数；步骤(4)、采用改进灰狼优化算法对时空图卷积网络模型进行参数寻优，构建实时误差校正模型；步骤(5)、利用洪水预报模型对实时数据进行预测，利用实时误差校正模型对模型预报误差进行预测，并根据洪水预报模型的预测结果和实时误差校正模型的误差预测结果，得到最终的预测校正结果。2.根据权利要求1所述的方法，其特征在于，在步骤(1)中，所述实测洪水序列为水位或流量序列；所述输出结果序列为水位或流量预测序列；所述输入系列包括若干个雨量站的降雨序列；预报误差实时校正数据集还包括：预报断面的实测水位流量值序列、预报输入因子中若干个相关雨量站与预报断面的空间位置关系。3.根据权利要求1所述的方法，其特征在于，所述步骤(2)进一步为：步骤(21)、对实测洪水序列Zobs(t)进行预处理，其中所述预处理包括缺失值处理和错误值修复；根据洪水预测模型构建需要，将其和预报模型的输出结果预测序列Zpred(t)‑融合构建误差样本集；该误差样本集包含：预报依据时间、预报时间、预报水位值或流量值、实测水位值或流量值，以及预报误差；其中t时刻预报误差e(t)为：e(t)＝Zpred(t)‑Zobs(t)；误差样本集构造完毕后，对其进行归一化处理；步骤(22)、将误差样本集划分为训练集、验证集和测试集；步骤(23)、提取预报误差实时校正数据集中若干个相关雨量站到目标站的流经长度，构建时空图卷积网络模型STGCN的空间邻接矩阵DistA：其中，dij表示站点i和站点j之间的流经长度。4.根据权利要求1所述的方法，其特征在于，所述步骤(3)中，时空图卷积网络模型由两层ST‑Conv块和输出全连接层组成；具体构建过程进一步为：步骤(31)、所述ST‑Conv块由两层门控序列卷积层和一层空间序列卷积层组成，处于中间的空间卷积层承接两个时间卷积层，可取得使空间状态能够从图卷积到时间卷积快速传播，形成三明治结构，有助于网络充分运用瓶颈策略，从而高效提取误差序列的时序和局部空间特征，在每个ST‑Conv块中，使用下述公式来防止过拟合；2CN115755219A权利要求书2/3页其中，分别是上下两个门控序列卷积层；Θl是图卷积的谱核；ReLu是激活函数；vl+1是输出；步骤(32)、采用门控序列卷积层在时间轴上使用卷积结构捕捉洪水过程中实测值和预测值间误差序列的时序动态特征，并且允许多层卷积结构实现并行和可控的训练过程，门控序列卷积层计算公式为：Γ*τY＝P⊙σ(Q)；其中P，Q分别是GLU中门的输入；⊙表示元素的Hadamard乘积；sigmod函数控制着当前输入P和时间序列中动态变化、组成结构的关系；Γ表示卷