CN113837475A - 有向图深度神经网络径流概率预报方法、***、设备及终端 - Google Patents
有向图深度神经网络径流概率预报方法、***、设备及终端 Download PDFInfo
- Publication number
- CN113837475A CN113837475A CN202111135983.6A CN202111135983A CN113837475A CN 113837475 A CN113837475 A CN 113837475A CN 202111135983 A CN202111135983 A CN 202111135983A CN 113837475 A CN113837475 A CN 113837475A
- Authority
- CN
- China
- Prior art keywords
- runoff
- directed graph
- forecasting
- neural network
- deep neural
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 83
- 238000013277 forecasting method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 92
- 238000012549 training Methods 0.000 claims abstract description 77
- 230000008569 process Effects 0.000 claims abstract description 73
- 230000002776 aggregation Effects 0.000 claims abstract description 29
- 238000004220 aggregation Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 20
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 16
- 238000011144 upstream manufacturing Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 108010014173 Factor X Proteins 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013076 uncertainty analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于水文水资源技术领域，公开了一种有向图深度神经网络径流概率预报方法、***、设备及终端，有向图深度神经网络径流概率预报方法包括：构建水文站点与气象站点有向图结构；根据多站点有向图，结合空间信息捕捉过程和特征聚合过程两个过程建立有向图深度神经网络预报模型；构建由预报径流和其预报因子组成的数据集，采用Adam优化算法训练有向图深度神经网络，得到具有高精度的多步长径流预报结果；将有向图深度神经网络得到的预报结果与实测径流值重新构建隐含马尔科夫回归训练数据集；训练隐含马尔科夫回归模型，得到径流概率预报结果。本发明将图论理论与神经网络模型结合，通过卷积操作捕捉空间信息，并通过多层网络聚合降雨径流过程，提高了径流预报精度。
Description
技术领域
本发明属于水文水资源技术领域，尤其涉及一种有向图深度神经网络径流概率预报方法、***、设备及终端。
背景技术
目前，准确可靠的径流预报，能为水库群调度决策提供有益的数据依据，对于增加发电效益、降低防洪风险、提升水资源综合利用效益具有重大意义。随着计算机技术的发展，支持向量机回归、神经网络、长短期记忆网络等机器学习和深度学习方法在径流预报中展现出了优秀的性能。然而，这一类基于统计的黑箱模型往往存在一下两点缺点：一是黑箱模型仅仅是数据与数据之间的传输，其模型参数在水文径流产生的过程中没有较好的物理解释；二是传统的预报模型仅预报一个单点值，无法量化预报中的不确定性。因此，如何建立具有一定物理意义的统计学习模型，并使其具有区间预测和概率预测的能力来量化预报不确定性是亟需解决的理论和实际工程问题。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有基于统计的黑箱模型仅仅是数据与数据之间的传输，其模型参数在水文径流产生的过程中没有较好的物理解释。
(2)传统的预报模型仅预报一个单点值，无法量化预报中的不确定性。
解决以上问题及缺陷的难度为：一般的统计模型仅仅只是单纯考虑输入输出数据的相关性，难以建立一种考虑水文物理过程的模型；径流预报误差存在“非正态”、“异方差”的特性，难以用一般的高斯分布量化预报的不确定性。
解决以上问题及缺陷的意义为：将深度学习模型往概念性水文模型发展，提高水文预报精度的同事，给出合理的参数解释；此外，量化径流预报的不确定性，为水库调度决策提供了更为丰富、可靠的预报信息，有助于调度决策者合理分配水资源。
发明内容
针对现有技术存在的问题，本发明提供了一种有向图深度神经网络径流概率预报方法、***、设备及终端，尤其涉及一种基于有向图深度神经网络的有向图深度神经网络径流概率预报方法、***、设备及终端，旨在解决现有统计学习径流预报方法无具体水文物理意义，且无法量化预报中的不确定性的技术问题。
本发明是这样实现的，一种有向图深度神经网络径流概率预报方法，所述有向图深度神经网络径流概率预报方法包括以下步骤：
步骤一，构建水文站点与气象站点有向图结构；
步骤二，根据多站点有向图，结合空间信息捕捉过程和特征聚合过程两个过程建立有向图深度神经网络预报模型；
步骤三，构建由预报径流和其预报因子组成的数据集，采用Adam优化算法训练有向图深度神经网络，得到具有高精度的多步长径流预报结果；
步骤四，将有向图深度神经网络得到的预报结果与实测径流值重新构建隐含马尔科夫回归训练数据集；
步骤五，训练隐含马尔科夫回归模型，得到径流概率预报结果。
进一步，步骤一中，所述构建水文站点与气象站点有向图结构，包括：
以长江上游水文站点和气象站点为研究对象，将每个水文站点和气象站点作为有向图中的点；根据水文站点和气象站点所在流域中的区域以及水文站点之间的上下游关系确定每个水文站点与其他水文站点以及气象站点的关系，将具有因果关系的点用向量连接；将所有的点和向量构成有向图。
进一步，步骤二中，所述根据多站点有向图，结合空间信息捕捉过程和特征聚合过程两个过程建立有向图深度神经网络预报模型，包括：
有向图深度神经网络模型由空间信息捕捉过程和特征聚合过程组成；其中，所述空间信息捕捉过程由多个卷积层和一个全连接层组成，用于通过卷积操作捕捉区域范围内的降雨对水文站点径流的影响，该过程看作水文模型中的降雨产流模型，所述空间信息捕捉过程表述如下：
其中，v＝1,…,NI为水文站点的索引，L为该过程的网络层数，
代表地v个水文站点空间信息捕捉过程中的第i层，SP(v)表示降雨量影响到第v个水文站点的气象站点集合，Pu表示第u个气象站点的降雨信息，Conv1D()表示卷积操作，fi为第i层输出空间的维度，ki为卷积窗口的长度，si为卷积的步长，σ()表示全连接层的激活函数，所述激活函数采用线性激活函数，Wv为全连接层的权重，bv为全连接层的偏置向量；
所述特征聚合过程由多层感知网络组成，用于建立卷积神经网络捕捉的降雨特征以及上游径流特征与当前水文站点径流的非线性关系，该过程看作水文模型中的汇流过程，所述特征聚合过程表述如下：
其中，L’为特征聚合过程的网络层数，
代表地v个水文站点特征聚合过程中的第i层，SI(v)表示影响到第v个水文站点的上游水文站点集合，Iv表示第v个水文站点的前期径流信息，
为第i个隐含层的权重，
为第i个隐含层的偏置向量，δ()表示隐含层的激活函数，所述激活函数采用Sigmoid激活函数，Wtar为全连接层的权重，btar为全连接层的偏置向量，σ()输出层的激活函数，采用线性激活函数。
进一步，步骤三中，所述构建由预报径流和其预报因子组成的数据集，采用Adam优化算法训练有向图深度神经网络，得到具有高精度的多步长径流预报结果，包括：
预报因子为所有水文站点和气象站点前期实测径流数据和降雨数据，预报值为目标站点未来径流值，由预报因子和预报值组成的训练集表示如下：
D1＝[X,Y]
yt＝[Itar,t+1,...,Itar,t+C]；
其中，D1为有向图深度神经网络模型的训练集，X为训练集的预报因子X＝[Xt,…,XT]，Y为训练集的预报值Y＝[yt,…,yT]，T为训练集总时长，J为预报因子的前期步长，C为预报步长，Iv,t表示第v个水文站点在t时段的径流，Pu,t为第u个气象站点在t时段的降雨，NI为水文站点总个数，NP为气象站点总个数，tar为预报目标站点。
构建完数据集后，对数据进行归一化处理，设置有向图深度神经网络的参数，包括每个空间信息捕捉过程的卷积层个数和全连接层节点数，多层感知网络的感知层个数、隐藏层节点数以及输出层节点数，网络学习率，训练代数；采用结合Adam优化算法在训练集上训练有向图深度神经网络，迭代优化模型参数；根据训练后的有向图深度神经网络模型，得到多步长径流预报结果Ytar。
进一步，步骤四中，将步骤三中训练集有向图深度神经网络得到的预报径流结果Ytar和实测径流Y组合成隐含马尔科夫回归的训练集D＝[Ytar,Y]。
进一步，步骤五中，所述训练隐含马尔科夫回归模型，得到径流概率预报结果，包括：
隐含马尔科夫回归主要由隐含马尔科夫模型和概率预报两部分组成，采用Baum-Welch算法训练隐含马尔科夫模型参数；其中，所述隐含马尔科夫模型的隐含变量与观测变量的联合概率分布表示如下：
其中，D2为所有观测序列；Z＝[z1,...,zT]为所有时刻下的隐含状态变量；θ表示隐含马尔科夫模型所有待训练的参数：π＝[π1,...,πK]为先验概率，πk代表在状态k下的先验概率，K为模型组件个数；A为K×K的状态转移概率矩阵，其中Aij代表从i状态转移到j状态的转移概率，φ＝[φ1,...,φK]为观测模型的参数，φk表示第k个观测模型的参数；
观测变量的条件概率分布定义为p(dt|zt＝k,φk)。当采用多元高斯分布作为观测模型时，此条件概率分布为：
p(dt|zt＝k,φk)＝N(dt|μk,∑k)；
其中，μk为第k个状态下观测值的均值向量，∑k为第k个状态下观测值的协方差矩阵。
采用EM算法迭代优化模型的参数θ＝{π,A,φ}，得到训练后的隐含马尔科夫模型；根据高斯联合概率分布的性质、概率乘法公式以及贝叶斯公式推理得到给出预报因子后的预报值的条件概率密度函数，如下式所示：
其中，
为预报值的条件概率密度函数；
为预报因子和预报值的联合概率密度函数；p(yt)为预报因子y的边缘概率密度函数，ht(k)为为前向概率，通过前向-后向算法得到；
和
分别为预报因子在第k个观测模型的均值向量和协方差矩阵；
和
分别为预报值在第k个观测模型的条件均值向量和协方差矩阵。
本发明的另一目的在于提供一种应用所述的有向图深度神经网络径流概率预报方法的径流概率预报***，所述径流概率预报***包括：
有向图结构构建模块，用于构建水文站点与气象站点有向图结构；
预报模型构建模块，用于根据多站点有向图，结合空间信息捕捉过程和特征聚合过程两个过程建立有向图深度神经网络预报模型；
预报模型优化模块，用于构建由预报径流和其预报因子组成的数据集，采用Adam优化算法训练有向图深度神经网络，得到具有高精度的多步长径流预报结果；
训练数据集构建模块，用于将有向图深度神经网络得到的预报结果与实测径流值重新构建隐含马尔科夫回归训练数据集；
径流概率预报模块，用于通过训练隐含马尔科夫回归模型，得到径流概率预报结果。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
构建水文站点与气象站点有向图结构；根据多站点有向图，结合空间信息捕捉过程和特征聚合过程两个过程建立有向图深度神经网络预报模型；构建由预报径流和其预报因子组成的数据集，采用Adam优化算法训练有向图深度神经网络，得到具有高精度的多步长径流预报结果；将有向图深度神经网络得到的预报结果与实测径流值重新构建隐含马尔科夫回归训练数据集；训练隐含马尔科夫回归模型，得到径流概率预报结果。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
构建水文站点与气象站点有向图结构；根据多站点有向图，结合空间信息捕捉过程和特征聚合过程两个过程建立有向图深度神经网络预报模型；构建由预报径流和其预报因子组成的数据集，采用Adam优化算法训练有向图深度神经网络，得到具有高精度的多步长径流预报结果；将有向图深度神经网络得到的预报结果与实测径流值重新构建隐含马尔科夫回归训练数据集；训练隐含马尔科夫回归模型，得到径流概率预报结果。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的径流概率预报***。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的有向图深度神经网络径流概率预报方法，将图论理论与神经网络模型结合，通过卷积操作捕捉空间信息，通过多层网络聚合降雨径流过程，提高了径流预报精度，并采用隐含马尔科夫回归方法定量描述了径流预报的不确定性，对水资源规划与管理具有重要意义。
本发明通过构建水文站点与气象站点有向图结构，采用卷积神经网络对多站点降雨数据进行空间信息捕捉，采用多层感知网络对降雨径流特征进行聚合，充分的模拟了水文降雨径流的产流和汇流过程，有效的解释了不同过程在水文径流预报中的物理意义。
本发明通过隐含马尔科夫回归方法，将深度学习模型的单点预报值转换为概率预报结果，对径流预报的不确定性进行了定量分析，获得了传统确定下预报方法无法得到的预测不确定性信息。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅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的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的有向图深度神经网络径流概率预报方法流程图。
图2是本发明实施例提供的径流概率预报***结构框图；
图中：1、有向图结构构建模块；2、预报模型构建模块；3、预报模型优化模块；4、训练数据集构建模块；5、径流概率预报模块。
图3是本发明实施例提供的以长江上游水文站点和气象站点构建的有向图结构示意图。
图4是本发明实施例提供的宜昌站1998年4月10日至10月28日概率预报不确定性分析图。
图5(a)和图5(b)是本发明实施例提供的宜昌站在整个测试期的概率预报不确定性分析图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种有向图深度神经网络径流概率预报方法、***、设备及终端，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的有向图深度神经网络径流概率预报方法包括以下步骤：
步骤1，构建水文站点与气象站点有向图结构；
步骤2，根据多站点有向图，结合空间信息捕捉过程和特征聚合过程两个过程建立有向图深度神经网络预报模型；
步骤3，构建由预报径流和其预报因子组成的数据集，采用Adam优化算法训练有向图深度神经网络，得到具有高精度的多步长径流预报结果；
步骤4，将有向图深度神经网络得到的预报结果与实测径流值重新构建隐含马尔科夫回归训练数据集；
步骤5，训练隐含马尔科夫回归模型，得到径流概率预报结果。
如图2所示，本发明实施例提供的径流概率预报***包括：
有向图结构构建模块1，用于构建水文站点与气象站点有向图结构；
预报模型构建模块2，用于根据多站点有向图，结合空间信息捕捉过程和特征聚合过程两个过程建立有向图深度神经网络预报模型；
预报模型优化模块3，用于构建由预报径流和其预报因子组成的数据集，采用Adam优化算法训练有向图深度神经网络，得到具有高精度的多步长径流预报结果；
训练数据集构建模块4，用于将有向图深度神经网络得到的预报结果与实测径流值重新构建隐含马尔科夫回归训练数据集；
径流概率预报模块5，用于通过训练隐含马尔科夫回归模型，得到径流概率预报结果。
下面结合具体实施例对本发明的技术方案作进一步描述。
实施例
本发明实施例提供的基于有向图深度神经网络的有向图深度神经网络径流概率预报方法，包括以下步骤：
步骤1.构建水文站点与气象站点有向图结构；
步骤2.根据多站点有向图，结合空间信息捕捉过程和特征聚合过程两个过程建立有向图深度神经网络预报模型；
步骤3.构建由预报径流和其预报因子组成的数据集，采用Adam优化算法训练有向图深度神经网络，得到具有高精度的多步长径流预报结果；
步骤4.将有向图深度神经网络得到的预报结果与实测径流值重新构建隐含马尔科夫回归训练数据集；
步骤5.训练隐含马尔科夫回归模型，得到径流概率预报结果。
步骤1.构建水文站点与气象站点有向图结构。
本发明实例以长江上游水文站点和气象站点为研究对象，将每个水文站点和气象站点作为有向图中的点；根据水文站点和气象站点所在流域中的区域以及水文站点之间的上下游关系确定每个水文站点与其他水文站点以及气象站点的关系，将具有因果关系的点用向量连接；将所有的点和向量构成有向图，如图3所示。
步骤2.根据多站点有向图，结合空间信息捕捉过程和特征聚合过程两个过程建立有向图深度神经网络预报模型。
本发明的有向图深度神经网络模型主要由空间信息捕捉过程和特征聚合过程组成。其中，空间信息捕捉过程由多个卷积层和一个全连接层组成，主要目的在于通过卷积操作捕捉区域范围内的降雨对水文站点径流的影响，这一过程可以看作水文模型中的降雨产流模型。空间信息捕捉过程可表述如下：
其中，v＝1,…,NI为水文站点的索引，L为该过程的网络层数，
代表地v个水文站点空间信息捕捉过程中的第i层，SP(v)表示降雨量影响到第v个水文站点的气象站点集合，Pu表示第u个气象站点的降雨信息，Conv1D()表示卷积操作，fi为第i层输出空间的维度，ki为卷积窗口的长度，si为卷积的步长，σ()表示全连接层的激活函数，本发明采用线性激活函数，Wv为全连接层的权重，bv为全连接层的偏置向量。
特征聚合过程则是由多层感知网络组成，其目标在于建立卷积神经网络捕捉的降雨特征以及上游径流特征与当前水文站点径流的非线性关系，这一过程可以看作水文模型中的汇流过程。特征聚合过程可表述如下：
其中，L’为特征聚合过程的网络层数，
代表地v个水文站点特征聚合过程中的第i层，SI(v)表示影响到第v个水文站点的上游水文站点集合，Iv表示第v个水文站点的前期径流信息，
为第i个隐含层的权重，
为第i个隐含层的偏置向量，δ()表示隐含层的激活函数，本发明采用Sigmoid激活函数，Wtar为全连接层的权重，btar为全连接层的偏置向量，σ()输出层的激活函数，本发明采用线性激活函数。
步骤3中.构建由预报径流和其预报因子组成的数据集，采用Adam优化算法训练有向图深度神经网络，得到具有高精度的多步长径流预报结果。
预报因子为所有水文站点和气象站点前期实测径流数据和降雨数据，预报值为目标站点未来径流值，由预报因子和预报值组成的训练集可表示如下：
D1＝[X,Y]
yt＝[Itar,t+1,...,Itar,t+C]
其中，D1为有向图深度神经网络模型的训练集，X为训练集的预报因子X＝[Xt,…,XT]，Y为训练集的预报值Y＝[yt,…,yT]，T为训练集总时长，J为预报因子的前期步长，C为预报步长，Iv,t表示第v个水文站点在t时段的径流，Pu,t为第u个气象站点在t时段的降雨，NI为水文站点总个数，NP为气象站点总个数，tar为预报目标站点。
构建完数据集后，对数据进行归一化处理，设置有向图深度神经网络的参数，包括每个空间信息捕捉过程的卷积层个数和全连接层节点数，多层感知网络的感知层个数、隐藏层节点数以及输出层节点数，网络学习率，训练代数。采用结合Adam优化算法在训练集上训练有向图深度神经网络，迭代优化模型参数。根据训练后的有向图深度神经网络模型，得到多步长径流预报结果Ytar。
步骤4.将步骤3中训练集有向图深度神经网络得到的预报径流结果Ytar和实测径流Y组合成隐含马尔科夫回归的训练集D＝[Ytar,Y]。
步骤5.训练隐含马尔科夫回归模型，得到径流概率预报结果。
隐含马尔科夫回归主要由隐含马尔科夫模型和概率预报两部分组成，首先采用Baum-Welch算法训练隐含马尔科夫模型参数。隐含马尔科夫模型的隐含变量与观测变量的联合概率分布表示如下：
其中，D2为所有观测序列；Z＝[z1,...,zT]为所有时刻下的隐含状态变量；θ表示隐含马尔科夫模型所有待训练的参数：π＝[π1,...,πK]为先验概率，πk代表在状态k下的先验概率，K为模型组件个数；A为K×K的状态转移概率矩阵，其中Aij代表从i状态转移到j状态的转移概率，φ＝[φ1,...,φK]为观测模型的参数，φk表示第k个观测模型的参数。观测变量的条件概率分布定义为p(dt|zt＝k,φk)。当采用多元高斯分布作为观测模型时，此条件概率分布为：
p(dt|zt＝k,φk)＝N(dt|μk,∑k)
其中，μk为第k个状态下观测值的均值向量，∑k为第k个状态下观测值的协方差矩阵。
采用EM算法迭代优化模型的参数θ＝{π,A,φ}，得到训练后的隐含马尔科夫模型。然后根据高斯联合概率分布的性质、概率乘法公式以及贝叶斯公式推理得到给出预报因子后的预报值的条件概率密度函数，如下式：
其中，
为预报值的条件概率密度函数；
为预报因子和预报值的联合概率密度函数；p(yt)为预报因子y的边缘概率密度函数，ht(k)为为前向概率，可通过前向-后向算法得到；
和
分别为预报因子在第k个观测模型的均值向量和协方差矩阵；
和
分别为预报值在第k个观测模型的条件均值向量和协方差矩阵。
本发明以长江上游宜昌站水文站位预报对象，宜昌站以上水文站点和气象站点为预报因子，采用1970年至1997年的日均数据为训练集，1998年至2004年日均数据为测试集，对宜昌站点未来三天日径流做出预报，按照图2所示的有向图深度神经网络的有向图深度神经网络径流概率预报方法进行预测。以下采用均方根误差(Root Mean Square Error，RMSE)以及纳什系数(Nash-Sutcliffe efficiency coefficient，NSE)两个评价指标评估预报方法的性能，并分析概率预报的不确定性。
表1和表2分别给出有向图深度神经网络(DGDNN)模型、长短期记忆神经网络模型(LSTM)、门控制循环单元模型(GRU)以及神经网络模型(ANN)的RMSE和NSE评价指标值。RMSE指标值越小越好，NSE是一个相对值，其范围在负无穷到1之间，越接近于1，代表预报值与实测径流值越接近。从表1和表2可以看出，采用提出的有向图深度神经网络预报的方法比其他对比模型的预报精度更高，具有优越的预报性能。
表1四种模型未来三天径流预报的RMSE值
表2四种模型未来三天径流预报的NSE值
在预报精度评价的基础上，进一步对预报的不确定性进行分析。图4以时间轴为横坐标，预报径流区间以及观测径流值为纵坐标，展示了概率预报的95％、70％置信区间。从图中可以明显的看出预报区间在汛期的宽度普遍大于预报区间在枯水期的宽度，代表径流预报在汛期的不确定性要大于枯水期的不确定性。图5以预报均值为横坐标，展示了概率预报的95％、70％置信区间，从图中可以明显的看出置信区间随着预报均值的增加呈变宽的趋势，这一现象证明了本发明的概率预报较好的描述了预报不确定性“异方差”这一特性。综上所述，图4和图5证明了本发明能够有效的估计不同调度时期的径流预报不确定性，因此能够为调度决策提供可靠的径流概率预报值。
表3给出了部分日期下，DGDNN、LSTM、GRU、ANN预报径流与实际径流的实验数据。
表3DGDNN、LSTM、GRU、ANN预报径流与实际径流的实验数据
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘Solid StateDisk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种有向图深度神经网络径流概率预报方法，其特征在于，所述有向图深度神经网络径流概率预报方法包括以下步骤：
步骤一，构建水文站点与气象站点有向图结构；
步骤二，根据多站点有向图，结合空间信息捕捉过程和特征聚合过程两个过程建立有向图深度神经网络预报模型；
步骤三，构建由预报径流和其预报因子组成的数据集，采用Adam优化算法训练有向图深度神经网络，得到具有高精度的多步长径流预报结果；
步骤四，将有向图深度神经网络得到的预报结果与实测径流值重新构建隐含马尔科夫回归训练数据集；
步骤五，训练隐含马尔科夫回归模型，得到径流概率预报结果。
2.如权利要求1所述的有向图深度神经网络径流概率预报方法，其特征在于，步骤一中，所述构建水文站点与气象站点有向图结构，包括：
以流域水文站点和气象站点为研究对象，将每个水文站点和气象站点作为有向图中的点；根据水文站点和气象站点所在流域中的区域以及水文站点之间的上下游关系确定每个水文站点与其他水文站点以及气象站点的关系，将具有因果关系的点用向量连接；将所有的点和向量构成有向图。
3.如权利要求1所述的有向图深度神经网络径流概率预报方法，其特征在于，步骤二中，所述根据多站点有向图，结合空间信息捕捉过程和特征聚合过程两个过程建立有向图深度神经网络预报模型，包括：
有向图深度神经网络模型由空间信息捕捉过程和特征聚合过程组成；其中，所述空间信息捕捉过程由多个卷积层和一个全连接层组成，用于通过卷积操作捕捉区域范围内的降雨对水文站点径流的影响，该过程看作水文模型中的降雨产流模型，所述空间信息捕捉过程表述如下：
其中，v＝1,…,NI为水文站点的索引，L为该过程的网络层数，
代表地v个水文站点空间信息捕捉过程中的第i层，SP(v)表示降雨量影响到第v个水文站点的气象站点集合，Pu表示第u个气象站点的降雨信息，Conv1D()表示卷积操作，fi为第i层输出空间的维度，ki为卷积窗口的长度，si为卷积的步长，σ()表示全连接层的激活函数，所述激活函数采用线性激活函数，Wv为全连接层的权重，bv为全连接层的偏置向量；
所述特征聚合过程由多层感知网络组成，用于建立卷积神经网络捕捉的降雨特征以及上游径流特征与当前水文站点径流的非线性关系，该过程看作水文模型中的汇流过程，所述特征聚合过程表述如下：
其中，L’为特征聚合过程的网络层数，
代表地v个水文站点特征聚合过程中的第i层，SI(v)表示影响到第v个水文站点的上游水文站点集合，Iv表示第v个水文站点的前期径流信息，
为第i个隐含层的权重，
为第i个隐含层的偏置向量，δ()表示隐含层的激活函数，所述激活函数采用Sigmoid激活函数，Wtar为全连接层的权重，btar为全连接层的偏置向量，σ()输出层的激活函数，采用线性激活函数。
4.如权利要求1所述的有向图深度神经网络径流概率预报方法，其特征在于，步骤三中，所述构建由预报径流和其预报因子组成的数据集，采用Adam优化算法训练有向图深度神经网络，得到具有高精度的多步长径流预报结果，包括：
预报因子为所有水文站点和气象站点前期实测径流数据和降雨数据，预报值为目标站点未来径流值，由预报因子和预报值组成的训练集表示如下：
D1＝[X,Y]
yt＝[Itar,t+1,...,Itar,t+C]；
其中，D1为有向图深度神经网络模型的训练集，X为训练集的预报因子X＝[Xt,…,XT]，Y为训练集的预报值Y＝[yt,…,yT]，T为训练集总时长，J为预报因子的前期步长，C为预报步长，Iv,t表示第v个水文站点在t时段的径流，Pu,t为第u个气象站点在t时段的降雨，NI为水文站点总个数，NP为气象站点总个数，tar为预报目标站点；
构建完数据集后，对数据进行归一化处理，设置有向图深度神经网络的参数，包括每个空间信息捕捉过程的卷积层个数和全连接层节点数，多层感知网络的感知层个数、隐藏层节点数以及输出层节点数，网络学习率，训练代数；采用结合Adam优化算法在训练集上训练有向图深度神经网络，迭代优化模型参数；根据训练后的有向图深度神经网络模型，得到多步长径流预报结果Ytar。
5.如权利要求1所述的有向图深度神经网络径流概率预报方法，其特征在于，步骤四中，将步骤三中训练集有向图深度神经网络得到的预报径流结果Ytar和实测径流Y组合成隐含马尔科夫回归的训练集D＝[Ytar,Y]。
6.如权利要求1所述的有向图深度神经网络径流概率预报方法，其特征在于，步骤五中，所述训练隐含马尔科夫回归模型，得到径流概率预报结果，包括：
隐含马尔科夫回归主要由隐含马尔科夫模型和概率预报两部分组成，采用Baum-Welch算法训练隐含马尔科夫模型参数；其中，所述隐含马尔科夫模型的隐含变量与观测变量的联合概率分布表示如下：
其中，D2为所有观测序列；Z＝[z1,...,zT]为所有时刻下的隐含状态变量；θ表示隐含马尔科夫模型所有待训练的参数：π＝[π1,...,πK]为先验概率，πk代表在状态k下的先验概率，K为模型组件个数；A为K×K的状态转移概率矩阵，其中Aij代表从i状态转移到j状态的转移概率，φ＝[φ1,...,φK]为观测模型的参数，φk表示第k个观测模型的参数；
观测变量的条件概率分布定义为p(dt|zt＝k,φk)；当采用多元高斯分布作为观测模型时，此条件概率分布为：
p(dt|zt＝k,φk)＝N(dt|μk,∑k)；
其中，μk为第k个状态下观测值的均值向量，∑k为第k个状态下观测值的协方差矩阵；
采用EM算法迭代优化模型的参数θ＝{π,A,φ}，得到训练后的隐含马尔科夫模型；根据高斯联合概率分布的性质、概率乘法公式以及贝叶斯公式推理得到给出预报因子后的预报值的条件概率密度函数，如下式所示：
其中，
为预报值的条件概率密度函数；
为预报因子和预报值的联合概率密度函数；p(yt)为预报因子y的边缘概率密度函数，ht(k)为为前向概率，通过前向-后向算法得到；
和
分别为预报因子在第k个观测模型的均值向量和协方差矩阵；
和
分别为预报值在第k个观测模型的条件均值向量和协方差矩阵。
7.一种应用如权利要求1～6任意一项所述的有向图深度神经网络径流概率预报方法的径流概率预报***，其特征在于，所述径流概率预报***包括：
有向图结构构建模块，用于构建水文站点与气象站点有向图结构；
预报模型构建模块，用于根据多站点有向图，结合空间信息捕捉过程和特征聚合过程两个过程建立有向图深度神经网络预报模型；
预报模型优化模块，用于构建由预报径流和其预报因子组成的数据集，采用Adam优化算法训练有向图深度神经网络，得到具有高精度的多步长径流预报结果；
训练数据集构建模块，用于将有向图深度神经网络得到的预报结果与实测径流值重新构建隐含马尔科夫回归训练数据集；
径流概率预报模块，用于通过训练隐含马尔科夫回归模型，得到径流概率预报结果。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
构建水文站点与气象站点有向图结构；根据多站点有向图，结合空间信息捕捉过程和特征聚合过程两个过程建立有向图深度神经网络预报模型；构建由预报径流和其预报因子组成的数据集，采用Adam优化算法训练有向图深度神经网络，得到具有高精度的多步长径流预报结果；将有向图深度神经网络得到的预报结果与实测径流值重新构建隐含马尔科夫回归训练数据集；训练隐含马尔科夫回归模型，得到径流概率预报结果。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
构建水文站点与气象站点有向图结构；根据多站点有向图，结合空间信息捕捉过程和特征聚合过程两个过程建立有向图深度神经网络预报模型；构建由预报径流和其预报因子组成的数据集，采用Adam优化算法训练有向图深度神经网络，得到具有高精度的多步长径流预报结果；将有向图深度神经网络得到的预报结果与实测径流值重新构建隐含马尔科夫回归训练数据集；训练隐含马尔科夫回归模型，得到径流概率预报结果。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述的径流概率预报***。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111135983.6A CN113837475B (zh) | 2021-09-27 | 2021-09-27 | 有向图深度神经网络径流概率预报方法、***、设备及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111135983.6A CN113837475B (zh) | 2021-09-27 | 2021-09-27 | 有向图深度神经网络径流概率预报方法、***、设备及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113837475A true CN113837475A (zh) | 2021-12-24 |
| CN113837475B CN113837475B (zh) | 2024-04-05 |
Family
ID=78970821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111135983.6A Active CN113837475B (zh) | 2021-09-27 | 2021-09-27 | 有向图深度神经网络径流概率预报方法、***、设备及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113837475B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113935603A (zh) * | 2021-09-29 | 2022-01-14 | 中水珠江规划勘测设计有限公司 | 水库群多目标预报预泄调度规则优化方法、***、介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090012746A1 (en) * | 2004-07-07 | 2009-01-08 | Suzanne Kairo | Predicting Sand-Grain Composition and Sand Texture |
| CN102034001A (zh) * | 2010-12-16 | 2011-04-27 | 南京大学 | 一种以栅格为模拟单元的分布式水文模型设计方法 |
| CN105181898A (zh) * | 2015-09-07 | 2015-12-23 | 李岩 | 基于大密度部署传感器的大气污染监控及管理方法及*** |
| CN107944111A (zh) * | 2017-11-16 | 2018-04-20 | 河海大学 | 基于改进图论和水文模拟的河网水系连通度计算方法 |
| CN108304668A (zh) * | 2018-02-11 | 2018-07-20 | 河海大学 | 一种结合水文过程数据和历史先验数据的洪水预测方法 |
| CN109344999A (zh) * | 2018-09-07 | 2019-02-15 | 华中科技大学 | 一种径流概率预报方法 |
| CN109902801A (zh) * | 2019-01-22 | 2019-06-18 | 华中科技大学 | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 |
| CN110930016A (zh) * | 2019-11-19 | 2020-03-27 | 三峡大学 | 一种基于深度q学习的梯级水库随机优化调度方法 |
| CN110991687A (zh) * | 2019-09-26 | 2020-04-10 | 深圳市东深电子股份有限公司 | 一种基于经验模型的水资源调度优化方法 |
| US20200372349A1 (en) * | 2019-05-20 | 2020-11-26 | ClimateAI, Inc. | Systems and methods of data preprocessing and augmentation for neural network climate forecasting models |
| CN112149984A (zh) * | 2020-09-17 | 2020-12-29 | 河海大学 | 一种基于贝叶斯网络的水库调洪多维不确定性风险分析方法 |
| CN112506990A (zh) * | 2020-12-03 | 2021-03-16 | 河海大学 | 一种基于时空信息的水文数据异常检测方法 |
-
2021
- 2021-09-27 CN CN202111135983.6A patent/CN113837475B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090012746A1 (en) * | 2004-07-07 | 2009-01-08 | Suzanne Kairo | Predicting Sand-Grain Composition and Sand Texture |
| CN102034001A (zh) * | 2010-12-16 | 2011-04-27 | 南京大学 | 一种以栅格为模拟单元的分布式水文模型设计方法 |
| CN102419788A (zh) * | 2010-12-16 | 2012-04-18 | 南京大学 | 基于渗蓄一体化动态产流机制的分布式水文模型的设计方法 |
| CN105181898A (zh) * | 2015-09-07 | 2015-12-23 | 李岩 | 基于大密度部署传感器的大气污染监控及管理方法及*** |
| CN107944111A (zh) * | 2017-11-16 | 2018-04-20 | 河海大学 | 基于改进图论和水文模拟的河网水系连通度计算方法 |
| CN108304668A (zh) * | 2018-02-11 | 2018-07-20 | 河海大学 | 一种结合水文过程数据和历史先验数据的洪水预测方法 |
| CN109344999A (zh) * | 2018-09-07 | 2019-02-15 | 华中科技大学 | 一种径流概率预报方法 |
| CN109902801A (zh) * | 2019-01-22 | 2019-06-18 | 华中科技大学 | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 |
| US20200372349A1 (en) * | 2019-05-20 | 2020-11-26 | ClimateAI, Inc. | Systems and methods of data preprocessing and augmentation for neural network climate forecasting models |
| CN110991687A (zh) * | 2019-09-26 | 2020-04-10 | 深圳市东深电子股份有限公司 | 一种基于经验模型的水资源调度优化方法 |
| CN110930016A (zh) * | 2019-11-19 | 2020-03-27 | 三峡大学 | 一种基于深度q学习的梯级水库随机优化调度方法 |
| CN112149984A (zh) * | 2020-09-17 | 2020-12-29 | 河海大学 | 一种基于贝叶斯网络的水库调洪多维不确定性风险分析方法 |
| CN112506990A (zh) * | 2020-12-03 | 2021-03-16 | 河海大学 | 一种基于时空信息的水文数据异常检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 周琦;朱跃龙;陆佳民;冯钧;: "组合式水文模型建模方法综述", 国外电子测量技术, no. 02 * |
| 崔巍;顾冉浩;陈奔月;王文;: "BP与LSTM神经网络在福建小流域水文预报中的应用对比", 人民珠江, no. 02 * |
| 沈军;聂作先;吴贤云;郭海峰;: "基于隐马尔可夫模型的中小河流致灾雨量阈值研究", 气象, no. 07 * |
| 许世刚, 王军: "前馈神经网络结构的模糊优选在径流预测中的应用", 水电能源科学, no. 03 * |
| 陶凤玲;袁俊英;刘海波;李钊年;倪三川;李积花;: "基于人工神经网络的龙羊峡水库入库径流预报", 青海大学学报(自然科学版), no. 04 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113935603A (zh) * | 2021-09-29 | 2022-01-14 | 中水珠江规划勘测设计有限公司 | 水库群多目标预报预泄调度规则优化方法、***、介质 |
| CN113935603B (zh) * | 2021-09-29 | 2023-06-02 | 中水珠江规划勘测设计有限公司 | 水库群多目标预报预泄调度规则优化方法、***、介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113837475B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Using Bayesian deep learning to capture uncertainty for residential net load forecasting | |
| CN109902801B (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
| CN105391083B (zh) | 基于变分模态分解和相关向量机的风功率区间短期预测方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN112488395A (zh) | 一种配电网线损预测方法及*** | |
| CN110910004A (zh) | 一种多重不确定性的水库调度规则提取方法及*** | |
| CN109063939B (zh) | 一种基于邻域门长短期记忆网络的风速预测方法及*** | |
| CN111898831B (zh) | 一种实时洪水概率预报实用化方法 | |
| CN111241755A (zh) | 电力负荷预测方法 | |
| Li et al. | A novel combined prediction model for monthly mean precipitation with error correction strategy | |
| Zhang et al. | Short-term power load forecasting using integrated methods based on long short-term memory | |
| Song et al. | Short-term forecasting based on graph convolution networks and multiresolution convolution neural networks for wind power | |
| CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及*** | |
| CN112396152A (zh) | 一种基于cs-lstm的洪水预报方法 | |
| CN111695290A (zh) | 一种适用于变化环境下的短期径流智能预报混合模型方法 | |
| CN117175588B (zh) | 基于时空相关性的用电负荷预测方法及装置 | |
| Ding et al. | Serial-parallel dynamic echo state network: A hybrid dynamic model based on a chaotic coyote optimization algorithm for wind speed prediction | |
| Zhang et al. | A multi-step probability density prediction model based on gaussian approximation of quantiles for offshore wind power | |
| CN111310963A (zh) | 电站的发电数据预测方法、装置、计算机设备和存储介质 | |
| CN115329930A (zh) | 一种基于混合深度学习模型的洪水过程概率预报方法 | |
| CN113837475B (zh) | 有向图深度神经网络径流概率预报方法、***、设备及终端 | |
| Madhiarasan et al. | Analysis of artificial neural network performance based on influencing factors for temperature forecasting applications | |
| Zhang et al. | A health condition assessment and prediction method of Francis turbine units using heterogeneous signal fusion and graph-driven health benchmark model | |
| Yan et al. | Monthly runoff prediction using modified CEEMD-based weighted integrated model | |
| CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liu Yongqi Inventor after: Hou Guibing Inventor after: Li Yuanyuan Inventor after: Zhang Jian Inventor after: Xu Jingfeng Inventor after: Zhu Juming Inventor after: Lin Ruolan Inventor after: Li Zhenghe Inventor before: Liu Yongqi Inventor before: Hou Guibing Inventor before: Li Yuanyuan Inventor before: Zhang Jian Inventor before: Xu Jingfeng Inventor before: Zhu Juming Inventor before: Lin Ruolan Inventor before: Li Zhenghe |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |