CN112668773A - 一种入库流量的预测方法、装置及电子设备 - Google Patents
一种入库流量的预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112668773A CN112668773A CN202011554346.8A CN202011554346A CN112668773A CN 112668773 A CN112668773 A CN 112668773A CN 202011554346 A CN202011554346 A CN 202011554346A CN 112668773 A CN112668773 A CN 112668773A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- warehousing
- data
- acquiring
- numerical value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000001556 precipitation Methods 0.000 claims abstract description 283
- 230000015654 memory Effects 0.000 claims abstract description 16
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 13
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开公开了一种入库流量的预测方法、装置及电子设备，涉及人工智能领域，尤其涉及深度学习以及大数据技术领域。具体实现方法为：获取实际的入库流量数据，基于所述入库流量数据和时间模式注意力机制的长短期记忆网络TPA‑LSTM，获取影响入库流量预测的第一数值；采集预测流域内的历史降水数据，并基于所述历史降水数据，获取所述预测流域的降水特征；基于所述预测流域的降水特征获取影响入库流量预测的第二数值；基于所述第一数值和所述第二数值，获取所述预测流域的预测入库流量。本公开能够通过数据分析方法，基于大量的历史数据和可获取的监测数据，实现入库流量的精准预测，提高了入库流量预测过程中的效率和准确性，具有显著的安全和经济价值。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及深度学习以及大数据技术领域。
背景技术
对于水电站来说，发电是主要经济效益来源，而水就是生产的原料。对进入水电站水库的入库流量进行精准预测，能够帮助水电站对防洪、发电计划调度工作进行合理安排，达到避免洪涝灾害和提升发电经济效益的目的。
然而，由于入库流量受诸多因素影响，且影响因素作用关系复杂、不易直接精准观测。因此，在根据相关技术对入库流量进行预测时，通常需要依据大量专业领域知识进行计算，且无法捕捉到降水的距离特性和降水累计特性等。这样一来，势必导致现有入库流量的预测方法存在效率低、准确性差的技术问题。因此，如何能够提高入库流量的预测过程中的效率和准确性，已成为了重要的研究方向之一。
发明内容
本公开提供了一种入库流量的预测方法、装置及电子设备。
根据本公开的一方面，提供了一种入库流量的预测方法，包括：
获取实际的入库流量数据，基于所述入库流量数据和时间模式注意力机制的长短期记忆网络TPA-LSTM，获取影响入库流量预测的第一数值；
采集预测流域内的历史降水数据，并基于所述历史降水数据，获取所述预测流域的降水特征；
基于所述预测流域的降水特征获取影响入库流量预测的第二数值；
基于所述第一数值和所述第二数值，获取所述预测流域的预测入库流量。
根据本公开的另一方面，提供了一种入库流量的预测装置，包括：
第一数值获取模块，用于获取实际的入库流量数据，基于所述入库流量数据和时间模式注意力机制的长短期记忆网络TPA-LSTM，获取影响入库流量预测的第一数值；
降水特征获取模块，用于采集预测流域内的历史降水数据，并基于所述历史降水数据，获取所述预测流域的降水特征；
第二数值获取模块，用于基于所述预测流域的降水特征获取影响入库流量预测的第二数值；
预测入库流量获取模块，用于基于所述第一数值和所述第二数值，获取所述预测流域的预测入库流量。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开第一方面所述的入库流量的预测方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开第一方面所述的入库流量的预测方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现本公开第一方面所述的入库流量的预测方法的步骤。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是一种入库流量影响因素的示意图；
图2是根据本公开第一实施例的示意图；
图3是根据本公开第二实施例的示意图；
图4是一种时间模式注意力机制的长短期记忆网络TPA-LSTM的示意图；
图5是根据本公开第三实施例的示意图；
图6是根据本公开第四实施例的示意图；
图7是用来实现本公开实施例的入库流量的预测方法的入库流量的预测装置的框图；
图8是用来实现本公开实施例的入库流量的预测方法的入库流量的预测装置的框图；
图9是用来实现本公开实施例的入库流量的预测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
以下对本公开的方案涉及的技术领域进行简要说明：
数据处理(Data Processing)，是对数据的采集、存储、检索、加工、变换和传输。数据处理的基本目的是从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的人们来说是有价值、有意义的数据。数据处理是***工程和自动控制的基本环节。数据处理贯穿于社会生产和社会生活的各个领域。数据处理技术的发展及其应用的广度和深度，极大地影响了人类社会发展的进程。
AI(Artificial Intelligence，人工智能)，是研究使计算机来模拟人生的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术，也有软件层面的技术。人工智能硬件技术一般包括计算机视觉技术、语音识别技术、自然语言处理技术以及及其学习/深度学习、大数据处理技术、知识图谱技术等几大方面。
DL(Deep Learning，深度学习)，是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
大数据(Big Data)，指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
需要说明的是，如图1所示，入库流量往往会受到降水、蒸发、土壤(直接影响地表径流、地下径流)、上游来水等诸多因素的综合影响。前述因素作用关系复杂，不少因素很难直接精准观测。
现有技术中，通常采用传统的水文模型，例如新安江模型等，实现入库流量的预测，但是基于现有技术无法通过数据分析方法实现入库流量的精准预测。
由此，本公开提出的入库流量的预测方法，综合考虑了自回归(Autoregressive，简称AR)影响和降水影响，使得能够基于大量的历史数据和可获取的监测数据，实现水电站等应用场景下的入库流量的精准预测，将带来显著的安全和经济价值。
下面参考附图描述本公开实施例的入库流量的预测方法、装置及电子设备。
图2是根据本公开第一实施例的示意图。其中，需要说明的是，本公开实施例的入库流量的预测方法的执行主体为入库流量的预测装置，入库流量的预测装置具体可以为硬件设备，或者硬件设备中的软件等。其中，硬件设备例如终端设备、服务器等。
如图2所示，本实施例提出的入库流量的预测方法，包括如下步骤：
S201、获取实际的入库流量数据，基于入库流量数据和时间模式注意力机制的长短期记忆网络TPA-LSTM，获取影响入库流量预测的第一数值。
其中，实际的入库流量数据，指的是将观测到的入库流量数据按照其发生的时间先后顺序排列而成的数列数据。例如，若时间粒度为天，则可以获取过去10天至当前，每日采集到的的入库流量数据，并按照采集时刻日期排列而成。
其中，时间模式注意力机制的长短期记忆网络(Temporal PatternAttentionLong Short-Term Memory，简称TPA-LSTM)。
本公开实施例中，可以将TPA-LSTM应用到入库流量预测场景中，以获取影响入库流量预测的第一数值。
其中，第一数值，指的是自回归影响值。
S202、采集预测流域内的历史降水数据，并基于历史降水数据，获取预测流域的降水特征。
需要说明的是，本申请对于采集预测流域内的历史降水数据的具体方式不作限定，可以根据实际情况进行选取。
可选地，可以获取预测流域内任一非龙头观测对象及其对应的至少一个上游观测对象和至少一个下游观测对象的降水数据，作为预测流域内的历史降水数据。
可选地，可以获取预测流域内的龙头观测对象及其对应的至少一个下游观测对象的降水数据，作为预测流域内的历史降水数据。
S203、基于预测流域的降水特征获取影响入库流量预测的第二数值。
需要说明的是，是否处于汛期对入库流量具有较大的影响，若处于汛期，则入库流量数据的波动较为剧烈且与降水紧密相关。
由此，本公开实施例中，在第一数值的基础上，综合考虑了降水特征，并基于预测流域的降水特征获取影响入库流量预测的第二数值。
其中，第二数值，指的是降水特征对入库流量预测的影响值。
S204、基于第一数值和第二数值，获取预测流域的预测入库流量。
需要说明的是，本申请对于基于第一数值和第二数值，获取预测流域的预测入库流量的具体方式不作限定，可以根据实际情况进行选取。
可选地，可以将第一数值与第二数值相乘，并将两者的积作为预测流域的预测入库流量。
可选地，可以将第一数值与第二数值相加，并将两者的和作为预测流域的预测入库流量。
根据本公开实施例的入库流量的预测方法，可以通过获取实际的入库流量数据，基于入库流量数据和TPA-LSTM，获取影响入库流量预测的第一数值，并采集预测流域内的历史降水数据，基于历史降水数据，获取预测流域的降水特征，然后基于预测流域的降水特征获取影响入库流量预测的第二数值，进而基于第一数值和第二数值，获取预测流域的预测入库流量，以实现入库流量的预测。由此，本公开能够通过数据分析方法，基于大量的历史数据和可获取的监测数据，实现入库流量的精准预测，提高了入库流量预测过程中的效率和准确性，具有显著的安全和经济价值。
需要说明的是，由于预测流域内的每个观测对象的位置和地形均不确定，因此，本公开中，在试图基于预测流域的降水特征获取第二数值时，可以通过进行CNN(Convolutional Neural Network，卷积神经网络)一维卷积，并将一维卷积后的结果作为降水影响值，即第二数值。
可选地，可以将降水特征输入多个一维卷积核中进行卷积处理，得到第二数值。
需要说明的是，本公开中，在试图基于入库流量数据和TPA-LSTM，获取影响入库流量预测的第一数值时，可以基于TPA-LSTM进行自注意力学习。
作为一种可能的实现方式，如图3所示，在上述实施例的基础上，基于入库流量数据和TPA-LSTM，获取影响入库流量预测的第一数值的具体过程，包括以下步骤：
S301、按照获取到的每组入库流量数据的采集时刻，生成时间序列。
举例而言，共获取到十组入库流量数据A1～A10，且前述十组入库流量数据的采集时刻分别为10月1日、10月9日、10月2日、10月3日、10月5日、10月4日、10月6日、10月7日、10月8日、10月10日，此种情况下，可以按照获取到的每组入库流量数据的采集时刻，生成时间序列A1、A3、A4、A6、A5、A6、A7、A8、A9、A10。
S302、将时间序列输入TPA-LSTM进行自注意力学习，得到第一数值。
下面以图4所示为例，对TPA-LSTM进行训练的过程进行解释说明。
可选地，可以传入大量的时间序列，例如入库流量数据，LSTM通过大量的时间序列获得一个隐状态矩阵H。然后对于隐状态矩阵H的每行(第i行)，使用k个CNN过滤器提取特征，产生维度为n*k的HC矩阵。
进一步地，对于要预测的ht，将其与HC矩阵的每行作用，从而对每行产生一个权重ai，这个权重代表了HC矩阵每行对要预测的ht的作用强度，即每个时间序列对ht的影响强弱。
进一步地，可以将每行进行加权求和得到vt，代表了所有行对ht的综合作用，即时间方面的作用，也即本文提出的时间注意力。
进一步地，在进行对ht的预测时，在原来的公式中添加所有时间序列对ht的影响，即：
h′t＝Whht+Wvvt，
yt-1+Δ＝Wh′h′t，
根据本公开实施例的入库流量的预测方法，可以通过按照获取到的每组入库流量数据的采集时刻，生成时间序列，并将时间序列输入TPA-LSTM进行自注意力学习，得到第一数值，此外，可以通过将降水特征输入多个一维卷积核中进行卷积处理，得到第二数值，进而基于第一数值和第二数值，获取预测流域的预测入库流量，进一步提高了入库流量预测过程中的效率和准确性。
需要说明的是，本公开中，在试图采集预测流域内的历史降水数据时，可以结合多个观测对象的实际降水数据，作为预测流域内的历史降水数据。
可选地，可以获取属于预测流域内多个观测对象，最近N次降水的降水数据，作为历史降水数据，其中N为大于或者等于1的正整数。
举例而言，可以获取属于预测流域甲内的观测对象甲至丁，最近5次降水的降水数据，作为历史降水数据。
进一步地，本公开中，在试图基于历史降水数据，获取预测流域的降水特征时，可以针对任一观测对象的多次降水特征，获取预测流域的降水特征。
作为一种可能的实现方式，如图5所示，在上述实施例的基础上，上述步骤基于历史降水数据，获取预测流域的降水特征的具体过程，包括以下步骤：
S501、针对任一个观测对象，基于每次降水的降水数据，获取每次降水的降水时刻和每次降水中出现的峰值。
需要说明的是，根据降水中出现的峰值对应的影响值，可以确定降水影响值。由此，本公开实施例中，可以基于每次降水的降水数据，获取每次降水的降水时刻和每次降水中出现的峰值。
举例而言，针对观测对象甲，可以基于其每次降水的降水数据，获取上一次降水的降水时刻为10月3日、降水中出现的峰值1为0.6mm；上上次降水的降水时刻为9月27日、降水中出现的峰值1为0.8mm。
S502、根据每次降水的降水时刻和峰值，获取每次降水的降水特征。
其中，每次降水的降水特征，包括但不限于以下特征：峰值、降水时刻与当前时刻的时间距离、每次降水的降水总量、峰值的和值与时间距离的乘积以及降水总量与时间距离的乘积。
需要说明的是，本公开实施例中，为了进一步确保入库流量预测结果的准确性，可以基于距离归一化(normalization)处理方式，对峰值进行筛选。
举例而言，可以将超过10天的峰值标记为0，将前1小时的峰值标记为1，以此类推，每前1小时减去1/8*10。
S503、基于N次降水的降水特征，生成观测对象的降水特征。
举例而言，共进行3次降水的降水特征获取，且获取到上次降水的5个降水特征，此种情况下，可以分别获取到上上次降水的同样的5个降水特征、上上上次降水的同样的5个降水特征，以生成观测对象的降水特征。
作为一种可能的实现方式，如图6所示，在上述实施例的基础上，上述步骤S503中基于N次降水的降水特征，生成观测对象的降水特征的具体过程，包括以下步骤：
S601、基于每次降水的降水特征，获取N次降水的累计降水总量。
可选地，在试图获取每次降水的降水总量时，可以获取峰值所属的降水尖峰，并获取所属的降水尖峰对应的降水量，对每个降水尖峰对应的降水量求和，得到每次降水的降水总量。
S602、将累计降水总量与N次降水的降水特征进行拼接，生成观测对象的降水特征。
举例而言，获取到上次降水的峰值1、上次降水至当前的距离，以及上次降水总量，此种情况下，可以分别将距离与上次降水峰值1相乘，并将距离与上次降水总量相乘。进一步地，可以分别获取到上上次降水的同样的5个降水特征、上上上次降水的同样的5个降水特征，通过求和的方式将累计降水总量与3次降水的降水特征进行拼接，以生成观测对象的降水特征。
S504、基于每个观测对象的降水特征，生成预测流域的降水特征。
根据本公开实施例的入库流量的预测方法，可以通过针对任一个观测对象，基于每次降水的降水数据，获取每次降水的降水时刻和每次降水中出现的峰值，并根据每次降水的降水时刻和峰值，获取每次降水的降水特征，然后基于N次降水的降水特征，生成观测对象的降水特征，进而基于每个观测对象的降水特征，生成预测流域的降水特征，能够捕捉到降水的距离和累积特性，并结合多个观测对象的实际降水进行入库流量预测，进一步提高了入库流量预测过程中的效率和准确性。
与上述几种实施例提供的入库流量的预测方法相对应，本公开的一个实施例还提供一种入库流量的预测装置，由于本公开实施例提供的入库流量的预测装置与上述几种实施例提供的入库流量的预测方法相对应，因此在入库流量的预测方法的实施方式也适用于本实施例提供的入库流量的预测装置，在本实施例中不再详细描述。
图7是根据本公开一个实施例的入库流量的预测装置的结构示意图。
如图7所示，该入库流量的预测装置700，包括：第一数值获取模块710、降水特征获取模块720、第二数值获取模块730和预测入库流量获取模块740。其中：
第一数值获取模块710，用于获取实际的入库流量数据，基于所述入库流量数据和时间模式注意力机制的长短期记忆网络TPA-LSTM，获取影响入库流量预测的第一数值；
降水特征获取模块720，用于采集预测流域内的历史降水数据，并基于所述历史降水数据，获取所述预测流域的降水特征；
第二数值获取模块730，用于基于所述预测流域的降水特征获取影响入库流量预测的第二数值；
预测入库流量获取模块740，用于基于所述第一数值和所述第二数值，获取所述预测流域的预测入库流量。
图8是根据本公开另一个实施例的入库流量的预测装置的结构示意图。
如图8所示，该入库流量的预测装置800，包括：第一数值获取模块810、降水特征获取模块820、第二数值获取模块830和预测入库流量获取模块840。
其中，第二数值获取模块830，包括：
第一确定子模块831，用于将所述降水特征输入多个一维卷积核中进行卷积处理，得到所述第二数值。
其中，第一数值获取模块810，包括：
第一生成子模块811，用于按照获取到的每组入库流量数据的采集时刻，生成时间序列；
第二确定子模块812，用于将所述时间序列输入所述TPA-LSTM进行自注意力学习，得到所述第一数值。
其中，降水特征获取模块820，包括：
第三确定子模块821，用于获取属于所述预测流域内多个观测对象，最近N次降水的降水数据，作为所述历史降水数据，其中N为大于或者等于1的正整数；
第一获取子模块822，用于针对任一个观测对象，基于每次降水的所述降水数据，获取所述每次降水的降水时刻和所述每次降水中出现的峰值；
第二获取子模块823，用于根据所述每次降水的降水时刻和所述峰值，获取所述每次降水的降水特征；
第二生成子模块824，用于基于所述N次降水的降水特征，生成所述观测对象的降水特征；
第三生成子模块825，用于基于每个所述观测对象的降水特征，生成所述预测流域的降水特征。
可选地，每次降水的降水特征，包括：所述峰值、所述降水时刻与当前时刻的时间距离、每次降水的降水总量、所述峰值的和值与所述时间距离的乘积以及所述降水总量与所述时间距离的乘积。
其中，第二生成子模块824，包括：
获取单元8241，用于基于所述每次降水的降水特征，获取所述N次降水的累计降水总量；
生成单元8242，用于将所述累计降水总量与所述N次降水的降水特征进行拼接，生成所述观测对象的降水特征。
可选地，每次降水的降水总量采用如下方式获取：获取所述峰值所属的降水尖峰，并获取所述所属的降水尖峰对应的降水量，对每个所述降水尖峰对应的降水量求和，得到所述每次降水的降水总量。
需要说明的是，预测入库流量获取模块840与预测入库流量获取模块740具有相同功能和结构。
根据本公开实施例的入库流量的预测装置，可以通过获取实际的入库流量数据，基于入库流量数据和TPA-LSTM，获取影响入库流量预测的第一数值，并采集预测流域内的历史降水数据，基于历史降水数据，获取预测流域的降水特征，然后基于预测流域的降水特征获取影响入库流量预测的第二数值，进而基于第一数值和第二数值，获取预测流域的预测入库流量，以实现入库流量的预测。由此，本公开能够通过数据分析方法，基于大量的历史数据和可获取的监测数据，实现入库流量的精准预测，提高了入库流量预测过程中的效率和准确性，具有显著的安全和经济价值。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如入库流量的预测方法。例如，在一些实施例中，入库流量的预测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的入库流量的预测方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行入库流量的预测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网以及区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务端可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(“Virtual Private Server”，或简称“VPS”)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式***的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (19)
1.一种入库流量的预测方法，包括：
获取实际的入库流量数据，基于所述入库流量数据和时间模式注意力机制的长短期记忆网络TPA-LSTM，获取影响入库流量预测的第一数值；
采集预测流域内的历史降水数据，并基于所述历史降水数据，获取所述预测流域的降水特征；
基于所述预测流域的降水特征获取影响入库流量预测的第二数值；
基于所述第一数值和所述第二数值，获取所述预测流域的预测入库流量。
2.根据权利要求1所述的入库流量的预测方法，其中，所述基于所述预测流域的降水特征获取第二数值，包括：
将所述降水特征输入多个一维卷积核中进行卷积处理，得到所述第二数值。
3.根据权利要求1所述的入库流量的预测方法，其中，所述基于所述入库流量数据和TPA-LSTM，获取影响入库流量预测的第一数值，包括：
按照获取到的每组入库流量数据的采集时刻，生成时间序列；
将所述时间序列输入所述TPA-LSTM进行自注意力学习，得到所述第一数值。
4.根据权利要求1-3任一项所述的入库流量的预测方法，其中，所述采集预测流域内的历史降水数据，包括：
获取属于所述预测流域内多个观测对象，最近N次降水的降水数据，作为所述历史降水数据，其中N为大于或者等于1的正整数。
5.根据权利要求4所述的入库流量的预测方法，其中，所述基于所述历史降水数据，获取所述预测流域的降水特征，包括：
针对任一个观测对象，基于每次降水的所述降水数据，获取所述每次降水的降水时刻和所述每次降水中出现的峰值；
根据所述每次降水的降水时刻和所述峰值，获取所述每次降水的降水特征；
基于所述N次降水的降水特征，生成所述观测对象的降水特征；
基于每个所述观测对象的降水特征，生成所述预测流域的降水特征。
6.根据权利要求5所述的入库流量的预测方法，其中，所述每次降水的降水特征，包括：所述峰值、所述降水时刻与当前时刻的时间距离、每次降水的降水总量、所述峰值的和值与所述时间距离的乘积以及所述降水总量与所述时间距离的乘积。
7.根据权利要求6所述的入库流量的预测方法，其中，所述基于所述N次降水的降水特征，生成所述观测对象的降水特征，包括：
基于所述每次降水的降水特征，获取所述N次降水的累计降水总量；
将所述累计降水总量与所述N次降水的降水特征进行拼接，生成所述观测对象的降水特征。
8.根据权利要求6所述的入库流量的预测方法，其中，所述每次降水的降水总量采用如下方式获取：
获取所述峰值所属的降水尖峰，并获取所述所属的降水尖峰对应的降水量，对每个所述降水尖峰对应的降水量求和，得到所述每次降水的降水总量。
9.一种入库流量的预测装置，包括：
第一数值获取模块，用于获取实际的入库流量数据，基于所述入库流量数据和时间模式注意力机制的长短期记忆网络TPA-LSTM，获取影响入库流量预测的第一数值；
降水特征获取模块，用于采集预测流域内的历史降水数据，并基于所述历史降水数据，获取所述预测流域的降水特征；
第二数值获取模块，用于基于所述预测流域的降水特征获取影响入库流量预测的第二数值；
预测入库流量获取模块，用于基于所述第一数值和所述第二数值，获取所述预测流域的预测入库流量。
10.根据权利要求9所述的入库流量的预测装置，其中，所述第二数值获取模块，包括：
第一确定子模块，用于将所述降水特征输入多个一维卷积核中进行卷积处理，得到所述第二数值。
11.根据权利要求9所述的入库流量的预测装置，其中，所述第一数值获取模块，包括：
第一生成子模块，用于按照获取到的每组入库流量数据的采集时刻，生成时间序列；
第二确定子模块，用于将所述时间序列输入所述TPA-LSTM进行自注意力学习，得到所述第一数值。
12.根据权利要求9-11任一项所述的入库流量的预测方法，其中，所述降水特征获取模块，包括：
第三确定子模块，用于获取属于所述预测流域内多个观测对象，最近N次降水的降水数据，作为所述历史降水数据，其中N为大于或者等于1的正整数。
13.根据权利要求12所述的入库流量的预测装置，其中，所述降水特征获取模块，包括：
第一获取子模块，用于针对任一个观测对象，基于每次降水的所述降水数据，获取所述每次降水的降水时刻和所述每次降水中出现的峰值；
第二获取子模块，用于根据所述每次降水的降水时刻和所述峰值，获取所述每次降水的降水特征；
第二生成子模块，用于基于所述N次降水的降水特征，生成所述观测对象的降水特征；
第三生成子模块，用于基于每个所述观测对象的降水特征，生成所述预测流域的降水特征。
14.根据权利要求13所述的入库流量的预测装置，其中，所述每次降水的降水特征，包括：所述峰值、所述降水时刻与当前时刻的时间距离、每次降水的降水总量、所述峰值的和值与所述时间距离的乘积以及所述降水总量与所述时间距离的乘积。
15.根据权利要求14所述的入库流量的预测装置，其中，所述第二生成子模块，包括：
获取单元，用于基于所述每次降水的降水特征，获取所述N次降水的累计降水总量；
生成单元，用于将所述累计降水总量与所述N次降水的降水特征进行拼接，生成所述观测对象的降水特征。
16.根据权利要求14所述的入库流量的预测装置，其中，所述每次降水的降水总量采用如下方式获取：
获取所述峰值所属的降水尖峰，并获取所述所属的降水尖峰对应的降水量，对每个所述降水尖峰对应的降水量求和，得到所述每次降水的降水总量。
17.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的入库流量的预测方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的入库流量的预测方法。
19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的入库流量的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011554346.8A CN112668773B (zh) | 2020-12-24 | 2020-12-24 | 一种入库流量的预测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011554346.8A CN112668773B (zh) | 2020-12-24 | 2020-12-24 | 一种入库流量的预测方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112668773A true CN112668773A (zh) | 2021-04-16 |
| CN112668773B CN112668773B (zh) | 2024-06-28 |
Family
ID=75410069
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011554346.8A Active CN112668773B (zh) | 2020-12-24 | 2020-12-24 | 一种入库流量的预测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112668773B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505536A (zh) * | 2021-07-09 | 2021-10-15 | 兰州理工大学 | 一种优化的基于时空图卷积网络的交通流预测模型 |
| CN113537580A (zh) * | 2021-06-28 | 2021-10-22 | 中科领航智能科技(苏州)有限公司 | 一种基于自适应图学习的公共交通客流预测方法及*** |
| CN114780742A (zh) * | 2022-04-19 | 2022-07-22 | 中国水利水电科学研究院 | 一种灌区流量调度知识图谱问答***构建与使用方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AR109623A1 (es) * | 2018-02-16 | 2019-01-09 | Pescarmona Enrique Menotti | Proceso y sistema de análisis y gestión hidrológica para cuencas |
| CN109840587A (zh) * | 2019-01-04 | 2019-06-04 | 长江勘测规划设计研究有限责任公司 | 基于深度学习的水库入库流量预测方法 |
| CN109991685A (zh) * | 2019-04-03 | 2019-07-09 | 北京市天元网络技术股份有限公司 | 一种基于多lstm模型融合的降水量预测方法以及装置 |
| CN111507505A (zh) * | 2020-03-20 | 2020-08-07 | 苏州丰华声赫智能科技有限公司 | 一种水库日入量预测模型的构建方法 |
| CN112050397A (zh) * | 2020-08-27 | 2020-12-08 | 浙江省邮电工程建设有限公司 | 一种机房温度调控方法及*** |
-
2020
- 2020-12-24 CN CN202011554346.8A patent/CN112668773B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AR109623A1 (es) * | 2018-02-16 | 2019-01-09 | Pescarmona Enrique Menotti | Proceso y sistema de análisis y gestión hidrológica para cuencas |
| CN109840587A (zh) * | 2019-01-04 | 2019-06-04 | 长江勘测规划设计研究有限责任公司 | 基于深度学习的水库入库流量预测方法 |
| CN109991685A (zh) * | 2019-04-03 | 2019-07-09 | 北京市天元网络技术股份有限公司 | 一种基于多lstm模型融合的降水量预测方法以及装置 |
| CN111507505A (zh) * | 2020-03-20 | 2020-08-07 | 苏州丰华声赫智能科技有限公司 | 一种水库日入量预测模型的构建方法 |
| CN112050397A (zh) * | 2020-08-27 | 2020-12-08 | 浙江省邮电工程建设有限公司 | 一种机房温度调控方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 龚莎;彭宏玉;: "基于PCA-ESN模型的潘家口水库水位预测研究", 唐山学院学报, no. 03 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537580A (zh) * | 2021-06-28 | 2021-10-22 | 中科领航智能科技(苏州)有限公司 | 一种基于自适应图学习的公共交通客流预测方法及*** |
| CN113537580B (zh) * | 2021-06-28 | 2024-04-09 | 中科领航智能科技(苏州)有限公司 | 一种基于自适应图学习的公共交通客流预测方法及*** |
| CN113505536A (zh) * | 2021-07-09 | 2021-10-15 | 兰州理工大学 | 一种优化的基于时空图卷积网络的交通流预测模型 |
| CN114780742A (zh) * | 2022-04-19 | 2022-07-22 | 中国水利水电科学研究院 | 一种灌区流量调度知识图谱问答***构建与使用方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112668773B (zh) | 2024-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ghaderi et al. | Deep forecast: Deep learning-based spatio-temporal forecasting | |
| CN112668773B (zh) | 一种入库流量的预测方法、装置及电子设备 | |
| Ewees et al. | HBO-LSTM: Optimized long short term memory with heap-based optimizer for wind power forecasting | |
| CN113435923B (zh) | 用电量的预测方法、装置及电子设备 | |
| Chen et al. | Electricity price forecasting with extreme learning machine and bootstrapping | |
| EP3648023A1 (en) | Risk identification model building method, apparatus and device and risk identification method, apparatus and device | |
| CN104850653A (zh) | 一种基于流式数据挖掘的游客流量短时及趋势预测*** | |
| CN113360580A (zh) | 基于知识图谱的异常事件检测方法、装置、设备及介质 | |
| CN116168132B (zh) | 街景重建模型获取及街景重建方法、装置、设备及介质 | |
| CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
| CN115390161A (zh) | 基于人工智能的降水预测方法及装置 | |
| CN113497445A (zh) | 一种区域多尺度新能源电站出力联合预测方法及*** | |
| CN116489038A (zh) | 网络流量的预测方法、装置、设备和介质 | |
| CN114090601B (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
| CN113554280A (zh) | 电网***调度模型的训练方法、装置、设备和存储介质 | |
| CN113469461A (zh) | 生成信息的方法和装置 | |
| CN117332897A (zh) | 人工智能驱动的新能源小时间尺度功率插值集成预测方法 | |
| CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及*** | |
| CN116128148A (zh) | 光伏电站出力预测网络训练方法、预测方法、装置及设备 | |
| CN115980885A (zh) | 基于集合预报的降水预报偏差校正方法 | |
| CN114118562A (zh) | 流量预测方法、模型训练方法、装置以及电子设备 | |
| CN114120180A (zh) | 一种时序提名的生成方法、装置、设备及介质 | |
| Cheng et al. | A novel rainfall forecast model based on the integrated non-linear attribute selection method and support vector regression | |
| Zhou et al. | Mathematical model of yield forecast based on long and short-term memory image neural network | |
| CN105320647A (zh) | 一种基于文字交互行为的用户特征建模方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |