CN110414742A - 一种多水位站联动的内河水位智能预测方法 - Google Patents

Abstract

本发明提供一种多水位站联动的内河水位智能预测方法，包括：准备样本数据，对其进行空缺值填充和SG滤波平滑处理；构建基于GRU的三水位站联动预测模型；采用前向传播和反向传播对步骤S2中构建的三水位站联动预测模型进行训练和预测。本发明技术方案使用GRU(门控循环单元)循环神经网络来构建水位预测模型，与现有技术不同的是，本方案不仅考虑了水位值的时间关系，同时还考虑了水位站间的空间关系。为了预测某个水位站的水位值，本方案不仅仅依赖该水位站的历史数据，同时利用其邻近的上下游水位站的历史数据来辅助建立预测模型，从而减少单站数据的误差，更好地反映水位变化的普遍规律，提高水位预测的准确性。

Description

一种多水位站联动的内河水位智能预测方法

技术领域

本发明涉及水位预测技术领域，具体而言，尤其涉及一种多水位站联动的内河水位智能预测方法。

背景技术

我国内河航道资源丰富，包括长江、珠江以及京杭大运河等水系，总通航里程达到了12.70万km，已经成为我国各区域综合运输体系的重要组成部分。内河航道的水位作为航道尺度维护的主要指标，是指导船舶合理配载和保障船舶安全航行的重要因素。全面、及时、准确地感知内河航道沿线水位信息，并合理地预测水位短期变化趋势，对于提升航道通行能力、保障船舶航行安全和科学开展航道养护的至关重要。然而，由于内河航道多为宽窄相间的藕节状分汊河段，局部河段的深泓摆动，主支汊交替消长，有些内河受水库群联合调度、流域降水变化等因素影响，航道水位变化呈现非平稳、非线性等特征。鉴于内河自然环境的复杂多变性，因此，很难针对水位变化趋势的预测建立起准确有效的物理数学模型。

近年来随着遥测遥控技术的发展，通过沿线水位观测站的设置，许多航道部门已经可以全面、及时地掌握水位的动态信息，也掌握了大量细粒度的历史水位数据。利用大数据和人工智能的方法，基于历史水位数据建立模型，以对未来的水位进行推算将成为水位预测的新手段。

历史水位数据本质上属于时间序列数据。时间序列通常是指将某种统计指标的数值，按时间先后顺序排列所形成的数列。时间序列数据本身蕴含着足够的信息量，从中可寻找其所具有的时序性和规律性，获取其反映出来的发展过程、方向和趋势，并进一步以此类推或延伸，预测下一段时间统计指标可能达到的水平。这种时序分析法可在内河水位预测上取得较好的效果。如何科学有效地对这些历史水位数据进行预处理，如何建立高效准确的预测模型，研究者需要进行深入研究和广泛实验。一个高效准确的水位预测模型对于提升航道通过能力，提升航道综合服务能力，甚至是防洪防灾都有十分重要的意义。

针对上述问题，申请号201810464065.X，专利名称为一种梯级电站的上下游水位预测方法，该发明是为了预测电站水位，却仅利用了上游电站的水位，下游电站水位值同样容易观测。若结合使用上下游电站的水位值，LSTM的强大学习能力可以学习到两个电站的水位变化相关关系，提高精确度。申请号201810689104.6，专利名称为基于代价敏感LSTM循环神经网络的稳压器水位预测方法，只是从训练方法上进行优化，核心是敏感权重变量对原模型损失函数进行改进，优化方法还有许多，如数据归一化处理，正则化。预测精确度还有较大的提升空间。另外，针对同一条河流，上游一定会对下游水位值产生影响，同样下方水位值也能在一定程度上延时反应上游水位值的变化趋势，即空间上邻近的水位站间的水位存在着关联关系。

发明内容

针对内河水位预测，本发明提出一种基于循环神经网络的方法，从收集到的大量历史数据中学习知识，并建立三水位站联动预测模型，实现对水位更为准确的预测。模型的最后效果将达到：输入水位站近几天(如20日)的水位值，输出其未来几天(如5日)准确度较高的预测水位。本方案使用GRU(门控循环单元)循环神经网络来构建水位预测的学习模型，现有技术不同的是，本方案不仅考虑了水位值的时间关系，同时还考虑了水位站间的空间关系。为了预测某个水位站的水位值，本方案不仅仅依赖该水位站的历史数据，同时利用其邻近的上下游水位站的历史数据来辅助建立预测模型，从而减少单站数据的误差，更好地反映水位变化的普遍规律，提高水位预测的准确性。

本发明采用的技术手段如下：

一种多水位站联动的内河水位智能预测方法，包括以下步骤：

步骤S1：准备样本数据，对其进行空缺值填充和SG滤波平滑处理；

步骤S2：构建基于GRU的三水位站联动预测模型；

步骤S3：采用前向传播和反向传播对步骤S2中构建的三水位站联动预测模型进行训练和预测。

进一步地，所述步骤S1中空缺值填充采用平均值填充，即空缺项周围4个点的水位取平均，如水位值x₁,x₂,x₃,x₄,x₅，其中x₃为空缺项，则填充值为：

进一步地，所述步骤S1中SG滤波平滑处理过程包括：

步骤S11：对窗口内的数据点，利用下式进行拟合，k-1为拟合次数：

p(n)＝a₀+a₁n+a₂n²+...+a_k-1n^k-1

其中，n取值为0,±1，±2,…；p(n)表示降噪好的水位，式中参数a₀,a₁,...,a_k-1通过最小二乘法确定；

步骤S12：最小二乘法拟合的残差设为：

其中，窗口宽度为2m+1，即上式n依次取-m,-m+1,-2,,-1,0,1,2,…,m。其中，x(n)为样本观测值，对整个水位样本数据集，通过不断移动窗口，以达到降噪平滑效果，确定窗口宽度与拟合次数。

进一步地，所述三水位站联动预测模型包括输入层、第一GRU层、第二GRU层以及输出层；

所述输入层的输入维度[(None,X,Y)]，其中，None表示一次输入网络的数据量，X表示步长，Y为特征数量；

所述第一GRU层的激活函数设为tanh，连接输入层，其输出为[(None,A,B)]，其中，None的数值与输入层相同，A表示步长，B表示该层输出神经元个数；

所述第二GRU层的激活函数设为relu，连接第一GRU层，其输出为[(None,C)]，其中None的数值与输入层相同，C为该层输出神经元个数，对接输出层；

所述输出层为全连接层，不设激活函数，其输出维度[(None,Z)]，None代表网络输出的数据量，Z为特征数量。

进一步地，所述步骤S3中采用的前向传播过程如下：

r_t＝σ(W_r[h_t-1,x_t])

z_t＝σ(W_z[h_t-1,x_t])

y_t＝σ(W_oh_t)

其中，[h_t-1,x_t]表示将两个向量h_t-1,x_t纵向拼接在一起，h_t-1表示水位的隐藏信息，x_t表示输入的水位数据，W_r,W_z,W_h,W_o为网络参数即权重信息；r_t，z_t分别表示相关门、更新门的值，值域为(0,1)，通过控制门的开关限制信息的流入；h_t表示记忆信息(包含对当前时间步之前的水位的信息)，当z_t＝0时，有h_t＝h_t-1，即便经过若干个时间步，记忆信息的值仍能保持不变，即有长期记忆功能。

进一步地，所述步骤S3中采用的反向传播过程如下：

步骤S31：对所述前向传播中的参数W_r,W_z,W_h,W_o进行更新，其中W_o仅在最后一个时间步包含，而W_r,W_z,W_h在每个时间步均包含；W_r,W_z,W_h是由两个权重拼接而成，完整形式如下：

W_r＝W_rz+W_rh

W_z＝W_zx+W_zh

步骤S32：将损失函数定义为样本水位与预测水位之间的平方误差：

那么则有：

δ_t＝δ_h,tz_ttanh'

其中，y为模型输出值，为样本值，δ_*表示各误差项，

进一步地，所述步骤S3中对步骤S2中构建的三水位站联动预测模型进行训练的过程中还包括在每层加入L2正则，通过Adam优化方法，使J(θ)不断减少直到收敛的步骤；其加入正则后的代价函数如下：

其中，m表示样本数量，λ＝0.001，θ为模型参数，表示样本水位与预测水位之间的平方误差。

较现有技术相比，本发明具有以下优点：

1、本发明提供的多水位站联动的内河水位智能预测方法，在指导船舶航行方面，当船舶吃水较深时，可以在预测水位值大时驶入，避免搁浅的发生，从而保障了航行安全并提升船舶航行效率。

2、本发明提供的多水位站联动的内河水位智能预测方法，在航道管理方面，水深线就是生命线。水位预测能指导航道管理部门，结合水文观测结果，正确发布公告，确保辖区内的通航安全。

3、预测水位值对水电站有重要意义，水位值高时，带来较大的流量，能产生更多的电能。提前获知预测水位，能帮助水电站的技术人员合理安排工作，提高工作效率。

4、预测水位值还可应用在洪水预报中，提前预知水位，做好防洪措施，能极大减少各种损失。

综上，应用本发明的技术方案实现对内河水位的精确预测，在船舶航行、航道管理以及水利防洪等多个方面均有重要应用，具有明显的经济和社会效益。

基于上述理由本发明可在水位预测等领域广泛推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法流程图。

图2为本发明实施例提供的SG滤波平滑处理过程图。

图3为本发明实施例提供的水位样本数据在SG滤波前后的对比图。

图4为本发明实施例提供的三水位站的上下游空间关系图。

图5为本发明实施例提供的三水位站联动预测模型结构图。

图6为本发明实施例提供的GRU的结构示意图。

图7为本发明实施例提供的三水位站联动预测模型结构展开图。

图8为本发明实施例提供的GRU层示意图。

图9为本发明实施例提供的三水位站联动水位预测结果示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

如图1所示，本发明提供了一种多水位站联动的内河水位智能预测方法，包括以下步骤：

步骤S1：准备样本数据，对其进行预处理，即空缺值填充和SG滤波平滑处理；

步骤S2：构建基于GRU的三水位站联动预测模型；

步骤S3：采用前向传播和反向传播对步骤S2中构建的三水位站联动预测模型进行训练和预测。

实施例1

在对时间序列数据进行分析时，数据的质量对分析的结果影响甚大，一份质量低下的时序数据无论时序模型多么巧妙，都难以达到理想的分析效果。本实施例对样本数据进行如下预处理。

具体的，步骤S1中空缺值填充采用平均值填充，本实施例中使用空缺项周围4个点的水位取平均，如水位值x₁,x₂,x₃,x₄,x₅，其中x₃为空缺项，则填充值为：

本实施例中以五点平滑(窗口宽度为5)为例来说明平滑过程。如图2所示，步骤S1中SG滤波平滑处理过程包括：

步骤S11：对窗口内的数据点，利用下式进行拟合，k-1为拟合次数：

p(n)＝a₀+a₁n+a₂n²+...+a_k-1n^k-1

其中，n取值为0,±1，±2,…。p(n)表示降噪好的水位，式中参数a₀,a₁,...,a_k-1通过最小二乘法确定；

步骤S12：最小二乘法拟合的残差设为：

其中，窗口宽度为2m+1，即上式n依次取-m,-m+1,-2,,-1,0,1,2,…,m。其中，x(n)为样本观测值，对整个水位样本数据集，通过不断移动窗口，以达到降噪平滑效果，确定窗口宽度与拟合次数。

对整个水位样本数据集，通过不断移动窗口，以达到降噪平滑效果。图3显示了水位样本数据在SG滤波前后的对比，所采用SG滤波器的窗口宽度为9，拟合次数为5。由图3可见，SG滤波后的样本数据波形更为平稳，更有利于揭示时间序列数据的本质，从而有效降低随机误差对最后预测结果的影响。后续的水位预测对比分析也验证了相比未处理的原始数据，SG滤波器预处理显著提高了预测的精度。本方案最后的水位预测结果都是经过SG滤波器进行数据预处理后的预测结果。

实施例2

以长江为例子，对本方案的三水位站联动预测模型进行说明。如图4所示，长江沿线的南京、芜湖和安庆三地设有水位观测站，其中芜湖的位置介于南京与安庆之间。

本实施例中，构建的基于GRU的三水位站联动预测模型，如图5所示，包括输入层、第一GRU层、第二GRU层以及输出层；

输入层的输入维度[(None,20,3)]，其中，None表示一次输入网络的数据量batch_size(如：设置为128)，20表示步长，即利用过去20天的水位数据作为输入；3为特征数量；即每天输入的水位值包含3个特征，即上中下游3个水位站顺序排列的3个水位值。

第一GRU层的激活函数设为tanh，连接输入层，其输出为[(None,20,512)]，其中，None为batch_size(数值与输入层相同)，20表示步长(timestep)，512表示该层输出神经元个数；

第二GRU层的激活函数设为relu，连接第一GRU层，其输出为[(None,512)]，None为batch_size(数值与输入层相同)，512为该层输出神经元个数，对接输出层；

输出层为全连接层，不设激活函数，其输出维度[(None,15)]，None代表网络输出的数据量batch_size，15为特征数量。即3个水位站各预测后5天的15个水位值。

在上述结构中包含了2个GRU层，GRU的具体结构如图6所示，图中，h_t-1为接收上一个GRU单位的输出信息，x_t为当前时间步的输入水位值，可用[h_t-1,x_t]表示这两个向量的纵向拼接；h_t表示记忆信息(包含对当前时间步之前水位信息的记忆)；r_t，z_t分别表示相关门、更新门的值，值域为(0,1)，通过控制门的开关限制信息的流入。图中各参数间的关系如下面公式描述：

r_t＝σ(W_r[h_t-1,x_t])

z_t＝σ(W_z[h_t-1,x_t])

y_t＝σ(W_oh_t)

其中，[h_t-1,x_t]表示将两个向量h_t-1,x_t纵向拼接在一起，h_t-1表示水位的隐藏信息，x_t表示输入的水位数据，W_r,W_z,W_h,W_o为网络参数即权重信息。

从上述公式可以看出，当z_t＝0时，有h_t＝h_t-1，表示经过若干个时间步后记忆信息的值仍能保持不变，即拥有长期记忆功能。z_t具体数值将通过最小化代价函数由模型训练而得。GRU能够保证RNN模型中跨度很大的依赖关系不受影响，从而解决了梯度消失问题，这是标准神经网络结构所不具备的。

如果设batch_size＝128,则上述的三水位站联动水位预测模型结构的输入为(128,20,3)，经过模型计算将输出(128,15)的结果，其展开示意图如图7所示。

实施例3

模型的训练分为两个部分，前向传播及反向传播。前向传播目的是给出模型的输出，反向传播用来更新网络权重。依照上述模型结构，前向传播和反向传播重点主要在GRU模型上，下面假设时间步长为20(如图8所示)，对GRU层的训练进行说明。

步骤S3中前向传播如图6所示，由如下公式确定，最终得到输出y_t。

r_t＝σ(W_r[h_t-1,x_t])

z_t＝σ(W_z[h_t-1,x_t])

y_t＝σ(W_oh_t)

其中，[h_t-1,x_t]表示将两个向量h_t-1,x_t纵向拼接在一起，h_t-1表示水位的隐藏信息，x_t表示输入的水位数据，W_r,W_z,W_h,W_o为网络参数即权重信息。r_t，z_t分别表示相关门、更新门的值，值域为(0,1)，通过控制门的开关限制信息的流入；h_t表示记忆信息(包含对当前时间步之前的水位的信息)，当z_t＝0时，有h_t＝h_t-1，即便经过若干个时间步，记忆信息的值仍能保持不变，即有长期记忆功能。

步骤S3中采用的反向传播过程如下：

步骤S31：对所述前向传播中的参数W_r,W_z,W_h,W_o进行更新，其中W_o仅在最后一个时间步包含，而W_r,W_z,W_h在每个时间步均包含；W_r,W_z,W_h是由两个权重拼接而成，完整形式如下：

W_r＝W_rz+W_rh

W_z＝W_zx+W_zh

步骤S32：将损失函数定义为样本水位与预测水位之间的平方误差：

那么则有：

δ_t＝δ_h,tz_ttanh'

其中，y为模型输出值，为样本值，δ_*表示各误差项，

由上式即可在反向传播过程中，对模型的各参数进行更新。

在训练过程中，为避免严重的过拟合，在每层加入L2正则，其中λ＝0.001。加入正则后的代价函数如下：

其中，m表示样本数量，θ为模型参数，表示样本水位与预测水位之间的平方误差。通过Adam优化方法，使J(θ)不断减少直到收敛，即学得θ。

实施例4

在本方案中，利用了安庆、芜湖和南京三个水位站各30年每天8时的水位数据进行模型训练和测试。

在实际预测时，令batch_size＝1(将图7中的128换成1)，即输入维度[1,20,3]，输出维度[1,15]。即可获得15个水位值输出，这15个水位值包含了三个水位站各往后5天的预测值。仅取出其中属于中游水位站(如芜湖)的5天水位预测值，即实现预测任务。

图9展示了三水位站联动预测模型的测试结果(截取其中200天)。图中，红色线条表示实际观测值，黑色线条表示模型拟合的值，蓝色线条表示预测值。图中芜湖水位站的曲线处于三组线的中间。模型预测结果的误差分析如表1所示。

由表1可见，模型预测值与实测值之间的平均误差为4.67％，其中前3天的相对误差小于3％，预测精确度较其他方法更高。

表1模型预测结果误差分析

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种多水位站联动的内河水位智能预测方法，其特征在于，包括以下步骤：

步骤S1：准备样本数据，对其进行空缺值填充和SG滤波平滑处理；

步骤S2：构建基于GRU的三水位站联动预测模型；

步骤S3：采用前向传播和反向传播对步骤S2中构建的三水位站联动预测模型进行训练和预测。

2.根据权利要求1所述的多水位站联动的内河水位智能预测方法，其特征在于，所述步骤S1中空缺值填充采用平均值填充，即空缺项周围4个点的水位取平均，如水位值x₁,x₂,x₃,x₄,x₅，其中x₃为空缺项，则填充值为：

3.根据权利要求1所述的多水位站联动的内河水位智能预测方法，其特征在于，所述步骤S1中SG滤波平滑处理过程包括：

步骤S11：对窗口内的数据点，利用下式进行拟合，k-1为拟合次数：

p(n)＝a₀+a₁n+a₂n²+...+a_k-1n^k-1

其中，n取值为0,±1，±2,…；p(n)表示降噪好的水位，式中参数a₀,a₁,...,a_k-1通过最小二乘法确定；

步骤S12：最小二乘法拟合的残差设为：

其中，窗口宽度为2m+1，即上式n依次取-m,-m+1,-2,,-1,0,1,2,…,m；x(n)为样本观测值，对整个水位样本数据集，通过不断移动窗口，以达到降噪平滑效果，确定窗口宽度与拟合次数。

4.根据权利要求1所述的多水位站联动的内河水位智能预测方法，其特征在于，所述三水位站联动预测模型包括输入层、第一GRU层、第二GRU层以及输出层；

所述输入层的输入维度[(None,X,Y)]，其中，None表示一次输入网络的数据量，X表示步长，Y为特征数量；

所述第一GRU层的激活函数设为tanh，连接输入层，其输出为[(None,A,B)]，其中，None的数值与输入层相同，A表示步长，B表示该层输出神经元个数；

所述第二GRU层的激活函数设为relu，连接第一GRU层，其输出为[(None,C)]，其中None的数值与输入层相同，C为该层输出神经元个数，对接输出层；

所述输出层为全连接层，不设激活函数，其输出维度[(None,Z)]，None代表网络输出的数据量，Z为特征数量。

5.根据权利要求1所述的多水位站联动的内河水位智能预测方法，其特征在于，所述步骤S3中采用的前向传播过程如下：

r_t＝σ(W_r[h_t-1,x_t])

z_t＝σ(W_z[h_t-1,x_t])

y_t＝σ(W_oh_t)

其中，[h_t-1,x_t]表示将两个向量h_t-1,x_t纵向拼接在一起，h_t-1表示水位的隐藏信息，x_t表示输入的水位数据，W_r,W_z,W_h,W_o为网络参数即权重信息；r_t，z_t分别表示相关门、更新门的值，值域为(0,1)，通过控制门的开关限制信息的流入；h_t表示记忆信息(包含对当前时间步之前的水位的信息)，当z_t＝0时，有h_t＝h_t-1，即便经过若干个时间步，记忆信息的值仍能保持不变，即有长期记忆功能。

6.根据权利要求1所述的多水位站联动的内河水位智能预测方法，其特征在于，所述步骤S3中采用的反向传播过程如下：

步骤S31：对所述前向传播中的参数W_r,W_z,W_h,W_o进行更新，其中W_o仅在最后一个时间步包含，而W_r,W_z,W_h在每个时间步均包含；W_r,W_z,W_h是由两个权重拼接而成，完整形式如下：

W_r＝W_rz+W_rh

W_z＝W_zx+W_zh

步骤S32：将损失函数定义为样本水位与预测水位之间的平方误差：

那么则有：

δ_t＝δ_h,tz_ttanh'

其中，y为模型输出值，为样本值，δ_*表示各误差项，

7.根据权利要求1所述的多水位站联动的内河水位智能预测方法，其特征在于，所述步骤S3中对步骤S2中构建的三水位站联动预测模型进行训练的过程中还包括在每层加入L2正则，通过Adam优化方法，使J(θ)不断减少直到收敛的步骤；其加入正则后的代价函数如下：

其中，m表示样本数量，λ＝0.001，θ为模型参数，表示样本水位与预测水位之间的平方误差。