CN115755219A - 基于stgcn的洪水预报误差实时校正方法及*** - Google Patents
基于stgcn的洪水预报误差实时校正方法及*** Download PDFInfo
- Publication number
- CN115755219A CN115755219A CN202211271357.4A CN202211271357A CN115755219A CN 115755219 A CN115755219 A CN 115755219A CN 202211271357 A CN202211271357 A CN 202211271357A CN 115755219 A CN115755219 A CN 115755219A
- Authority
- CN
- China
- Prior art keywords
- error
- time
- model
- sequence
- flood
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 49
- 241000282461 Canis lupus Species 0.000 claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 230000002596 correlated effect Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000015654 memory Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 2
- 238000005295 random walk Methods 0.000 claims description 2
- 230000008439 repair process Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于STGCN的洪水预报误差实时校正方法及***,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。
Description
技术领域
本发明涉及水文时间序列预报误差实时校正技术,具体涉及一种基于AGWO优化STGCN网络的预报误差实时校正模型。
背景技术
洪水预报依据历史和实测水文气象信息,提前预报洪水发生及变化过程,能降低、避免洪涝灾害损失,提升水资源管理和保护能力,为防汛决策和水资源调度提供科学依据,具有显著的经济、社会效益。由于受预报过程中资料、模型结构等因素制约,导致影响洪水预报模型的预报精度。因此,需要对洪水预报误差进行实时修正以提升预报模型的精度和实用性。
实时修正(也称实时校正)根据预报过程中的实时信息,应用现代信息技术理论和方法,对模型参数、模型输入及预报结果等进行动态调整,构建预报模型和校正模型间的实时回馈机制,降低洪水预报误差,是实时洪水预报重要组成部分。误差自回归(AutoRegressive,AR)校正方法因其计算简单、无需预定模型误差来源被广泛应用,但其预报残差易受前期残差序列影响;K最邻近(K-Nearest Neighbor,KNN)校正模型简单高效,适应性强,但模型依赖于预见期和历史库中的近邻样本数量;卡尔曼滤波校正模型能得到相对平滑的校正过程,适应于长预见期、高流量条件下的洪水实时校正需求,但模型的收敛速度和去噪能力受初值影响。
深度学习网络通过构建具有多隐藏层的机器学习模型并对海量数据进行训练以发现隐藏在数据中的知识,可以显著提高识别精度或预测的准确性,其算法和思想也被逐渐迁移到洪水预报任务并取得了良好的应用效果。但是神经网络更多关注的数据层面的关联关系,不能很好地反应水文物理过程,在预测精度和泛化能力方面还存在一些问题。
因此需要设计新的技术方案来解决上述问题。
发明内容
发明目的:本发明的目的在于解决现有技术中存在的不足,提供一种AGWO优化STGCN网络的预报误差实时校正模型,通过数据挖掘的相关技术,对已有的预报值误差序列进行分析和预测研究。
技术方案:
根据本申请的一个方面,提供一种基于STGCN的洪水预报误差实时校正方法,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。
根据本申请的一个方面,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。
根据本申请的一个方面,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。
根据本申请的一个方面,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;
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表示卷积核;
步骤(33)、采用图卷积网络构建空间卷积层,在空间轴上捕捉和提取洪水过程中相关雨量站降雨特征和预报断面间的空间动态特征,利用切比雪夫多项式计算GCN卷积核;
步骤(34)、采用两个ST-Conv块和一个输出层构建最终的时空图卷积网络模型STGCN;ST-Conv块提取洪水预报误差输入样本序列的时间特征和空间特征,并在输出层经过特征融合,得到最终的预测值;STGCN层输出的误差模拟值与输入层数据之间的关系如下所示:
e(t)=f(ep(t-i),P1(t-i),P2(t-i),…Pl(t-i)) i=0,1,2,3,…,t;
其中,e(t)表示t时刻AGWO_STGCN模型所得到的误差模拟值;ep(t-i)是t-i时刻误差序列;P1(t-i),P2(t-i),…Pl(t-i)是t-i时刻l个相关雨量站降雨量;f即是实时误差校正模型确定的映射函数。
根据本申请的一个方面,所述步骤(4)进一步为:
步骤(41)、通过改进收敛因子α,使改进灰狼优化算法在迭代初期收敛速度较低,扩大全局搜索范围,而在迭代后期,收敛速度进一步提高,保证局部搜索得到的最优解较为准确,改进后的收敛因子α为:
其中,t为当前迭代次数;t_max为最大迭代次数;λ为调节系数,控制非线性收敛因子α的变化趋势及区间;
步骤(42)、改进灰狼优化算法使用随机游动策略,使灰狼个体在相对集中的局部内进行寻优,提高局部搜索能力;同时采用粒子群算法中保留自身历史最优解的思想,使灰狼个体保存自身迭代过程中的最优解,避免标准灰狼优化算法求解过程中易陷入局部最优的问题,改进灰狼优化算法的灰狼位置更新公式计算如下:
其中,ζ1,ζ2均为调节系数,一般其范围为[0,1];Xi,best表示第i只灰狼个体历史上的最佳位置;Xi,max、Xi,min分别表示第i只灰狼个体历史位置的最大、最小值。
根据本申请的一个方面,所述步骤(4)中参数寻优过程具体包括;
步骤(43)、初始化STGCN模型的学习率lr、批尺寸batch_size、输入输出和空间通道个数的取值范围。
步骤(44)、初始化改进灰狼优化算法中灰狼种群数量s及灰狼个***置Xi(i=1,2,…n),最大迭代次数t_max,调节系数λ、ξ1、ξ2,解的维度dim;
步骤(45)、对每一组参数进行灰狼寻优并进行计算个体适应度值fitness(Xi),即STGCN模型的纳什效率系数;根据适应度值降序原则选出排名前三的灰狼个体分别作为当前最优解Xα、次优解Xβ和第三最优解Xδ;
步骤(46)、根据位置更新公式(9)对灰狼位置进行更新,计算位置更新后所有解的适应度fitness_new(Xi);根据适应度fitness_new(Xi)的大小来最优解Xα、次优解Xβ、第三最优解Xδ及对应的位置信息,从中选取适应度较好的个体;
步骤(47)、判断是否满足终止条件,若达到最大迭代次数t_max则终止迭代并用该适应度值的最优解作为模型参数构建STGCN误差校正模型,否则进入步骤(45)。
根据本申请的一个方面,所述步骤(5)进一步为:
步骤(51)、采用实时洪水预报模型对当前时刻t、预见期为n进行实时预报,得到预测值Z(pred,t,n);
步骤(52)、采用实时误差校正模型对预报误差进行预测,得到最终的模拟误差e′(t,n);
步骤(53)、以预报模型原预测值Z(t)和最终模拟误差e′(t)计算得到模型校正结果Z′(pred,t,n),计算方法为:Z′(pred,t,n)=Z(pred,t,n)+e′(t,n)。
根据本申请的一个方面,所述洪水预报模型包括集总式洪水预报模型、支持向量机洪水预报模型、以及长短时记忆网络洪水预报模型。
在其他实施例中,还提供一种基于STGCN的洪水预报误差实时校正***,包括:
至少一个处理器;以及
与至少一个所述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处理器执行的指令,所述指令用于被所述处理器执行以上述任一项实施例所述的基于STGCN的洪水预报误差实时校正方法。有益效果:本发明首先对灰狼算法的收敛因子α、灰狼位置更新策略进行改进,提出改进灰狼寻优算法AGWO;接着提出由两层ST-Conv块和输出全连接层组成的时空图卷积网络模型STGCN,构建反映洪水预报误差序列非线性关系的映射函数;然后采用改进灰狼寻优算法AGWO优化算法对时空图卷积网络模型STGCN模型的参数进行优化,避免了在寻找最优参数时会陷入局部最优的情况;最后利用最优参数得到的模型AGWO-STGCN对洪水预报模型的误差进行预测,并结合预报模型的预报值得到最终的预报校正值,提升预报模型的预报精度。本专利中的算法能在保证预测精度的基础上,具有更高的收敛速度,对于大规模的训练样本,计算速度也有一定的提升。
经过改进灰狼寻优算法AGWO优化参数后的时空图卷积网络模型STGCN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,在实时洪水预报校正应用领域具有较好的应用前景。
附图说明
图1为本发明实施例中的整体流程图。
图2为本发明中改进灰狼寻优算法AGWO改进方法的流程图。
图3为本发明改进灰狼寻优算法AGWO_STGCN模型结构图。
图4为改进灰狼寻优算法AGWO优化算法和其它优化算法在优化STGCN模型参数的效果对比。
图5为实时误差校正模型AGWO_STGCN校正结果。
图6为实时误差校正模型AGWO_STGCN校正结果和其它机器学习实时校正结果对比。
图7为实时误差校正模型AGWO_STGCN校正结果和其它机器学习实时校正结果对比。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,发明的基于改进灰狼算法AGWO优化时空图卷积网络模型STGCN模型的洪水预报误差实时校正模型,主要包括5个步骤:
步骤S1:利用滑动窗口采集预报断面预报时段内实测洪水序列Zobs、洪水预报模型M的输入系列及模型的预报输出结果序列Zpred,按时间组织成为预报误差实时校正数据集data_err。
洪水预报模型M的输入系列包括l个相关雨量站的降雨序列P1(t),P2(t),…Pl(t)(t=1,2,…,n)。
所述步骤(1)中,预报误差实时校正数据集包含三个部分:其一是预报断面的实测洪水水位(或流量)序列Zobs和洪水预报模型M的水位(或流量)预测序列Zpred;其二是预报模型M的预报输入因子序列(l个相关雨量站的降雨序列P1(t),P2(t),…Pl(t)(t=1,2,…,n)和预报断面的实测水位流量值序列);其三是预报输入因子中l个相关雨量站与预报断面的空间位置关系(河道距离);其特征还在于,所述步骤(1)中洪水预报模型,M可以是集总式洪水预报模型,也可以是支持向量机、长短时记忆网络等人工神经网络模型。
步骤S11:选取安徽省横江流域实测水文数据组成实测数据集data_1,时间为2016年1月5日0点至2018年12月31日23点,数据集包含横江流域11个雨量站的小时级降雨实测数据和1个出口断面水文站小时级水位实测数据,共计26130条;
步骤S12:根据步骤S11相同时间点提取洪水预报模型(本专利中采用的是深度学习模型长短时记忆模型(Long Short Term Memory,LSTM))预见期为6小时的预报水位数据组成预报结果数据集data_2;
步骤S13:选择横江流域11个雨量站和1个出口断面水文站间的空间关系图组成空间数据集data_3,提取各降雨站到出口断面水文站间的河道流经距离;
步骤S14:将上述data_1、data_2和data_3按时间和空间为序,形成预报误差实时校正数据集。
步骤S2:对预报误差实时校正数据集进行预处理,构建训练样本集;提取预报模型M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A;具体实时过程为:
步骤S21:对data_1中的实测洪水水位值Zobs进行缺失值处理、错误值更正等预处理,并和data_2中LSTM模型的预测水文值Zpred融合构建误差样本集data_err,该样本集包含:预报依据时间、预报时间、预报水位(流量)值、实测水位(流量)值及预报误差;其中t时刻预报误差e(t)由公式(1)计算得到;
e(t)=Zpred(t)-Zobs(t) (1)。
误差样本集data_err构造完毕后采用公式(2)对其进行归一化处理。
e(t)是样本数据,n(t)为输入样本。
步骤S22:将误差样本集data_err划分为训练集L、验证集V和测试集T的方法为:样本集的前60%作为训练集,余下的20%作为验证集,剩下的20%数据作为测试集T。
步骤S23:提取步骤data_3中11个相关雨量站到出口断面水文站间的流经长度,构建流域空间拓扑结构,并定义STGCN模型的空间邻接矩阵DistA,其计算方法如公式(3)所示。
其中,dij表示站点i和站点j之间的流经长度。
步骤S3: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。
步骤S31:考虑到流域降雨观测站和流域出口断面间的连通性和全局性,采用图卷积网络(Graph Convolutional Network,GCN)构建空间卷积层,提取流域降雨观测站和流域出口断面间间的空间特性;利用切比雪夫多项式公式(4)近似计算GCN卷积核。
步骤S32:设计由一个卷积核大小为KT的一维因果卷积、一个后续门控线性单元(gated linear unit,GLU)构成的时间卷积层,从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,具体计算方法如公式(5)所示。
Γ*τY=P⊙σ(Q) (5)
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表示卷积核。
步骤S33:将提取了误差序列的时序动态特征的时间卷积层和提取了流域空间特性的空间卷积堆叠形成时空卷积层模块ST-Conv;每个ST-Conv包含两个时间卷积层和一个空间序列卷积层,处于中间的空间卷积层承接两个时间卷积层,形成三明治结构,可使空间状态能够从图卷积到时间卷积快速传播,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,并使用公式(6)进行层标准化以防止过拟合。
ST-Conv块提取洪水预报误差输入样本序列的时间特征和空间特征,并在输出层经过特征融合,得到最终的预测值。反映误差模拟值与输入层数据之间的关系的映射函数计算方法如公式(7)所示。
e(t)=f(ep(t-i),P1(t-i),P2(t-i),…Pl(t-i)) i=0,1,2,3,…,t (7);
其中,e(t)表示t时刻AGWO_STGCN模型所得到的误差模拟值;ep(t-i)是t-i时刻误差序列;P1(t-i),P2(t-i),…Pl(t-i)是t-i时刻l个相关雨量站降雨量;f即是AGWO_STGCN模型确定的映射函数。
步骤S4:采用改进灰狼优化算法AGWO对STGCN网络学习率、批尺寸、输入输出和空间通道个数进行参数寻优,构建AGWO_STGCN模型;构建过程具体为:
步骤S41:采用公式(8)计算AGWO算法中的收敛因子α。
t为当前迭代次数;t_max为最大迭代次数;λ为调节系数,特别地,本方法中λ取值范围为[2,4),控制非线性收敛因子α的变化趋势及区间。相应的,根据公式(8)计算得到搜索范围参数A和扰动因子C。
步骤S42:采用公式(9)计算AGWO算法中的灰狼位置更新策略。
其中,ζ1,ζ2均为调节系数,一般其范围为[0,1],特别地,本方法中ζ1,ζ2均初始化为0.5;Xi,best表示第i只灰狼个体历史上的最佳位置;Xi,max、Xi,min分别表示第i只灰狼个体历史位置的最大、最小值。
步骤S43:初始化STGCN模型的学习率lr为[0.001,0.01]、批尺寸batch_size为[64,256]、输入输出和空间通道个数(input/output/space channel)为[16,256]。
步骤S44:初始化AGWO算法中灰狼种群数量s,最大迭代次数t_max,调节系数λ、ξ1、ξ2,解的维度dim。
步骤S45:对每一组参数进行灰狼寻优并进行计算个体适应度值fitness(Xi),即STGCN模型的纳什效率系数(Nash-Sutcliffe,NSE);根据适应度值降序原则选出排名前三的灰狼个体分别作为当前最优解Xα、次优解Xβ、第三最优解Xδ;
步骤S46:根据位置更新公式(9)对灰狼位置进行更新,计算位置更新后所有解的适应度fitness_new(Xi)。根据fitness_new(Xi)的大小来最优解Xα、次优解Xβ、第三最优解Xδ及对应的位置信息,从中选取适应度较好的个体;
其中,ζ1,ζ2均为调节系数,一般其范围为[0,1],特别地,本方法中ζ1,ζ2均初始化为0.5;Xi,best表示第i只灰狼个体历史上的最佳位置;Xi,max、Xi,min分别表示第i只灰狼个体历史位置的最大、最小值。
步骤S47:判断是否满足终止条件,若达到最大迭代次数t_max则终止迭代并用该适应度值的最优解作为模型参数构建STGCN误差校正模型,否则进入步骤(45);
步骤S5:模型预测,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,并根据模型M的预测结果和实时误差校正模型AGWO_STGCN的误差预测结果,得到最终的预测校正结果。
上述过程具体包括:
步骤(51)采用实时洪水预报模型M对当前时刻t、预见期为n进行实时预报,得到预测值Z(pred,t,n);
步骤(52)采用实时误差校正模型AGWO_STGCN对预报误差进行预测,得到最终的模拟误差e′(t,n),
步骤(53)以预报模型原预测值Z(t)和最终模拟误差e′(t)计算得到模型校正结果Z′(pred,t,n),计算方法为:
Z′(pred,t,n)=Z(pred,t,n)+e′(t,n) (10)
本实施例中,经AGWO优化算法优化过参数的STGCN模型在预见期为6h时最佳参数为:lr=0.009、batch_sizen=150、输入通道数=73、输出通道数=73,、空间通道数=36、迭代次数=100;max_depth=4;λ=3.8、ξ1=0.3、ξ2=0.7,解的维度dim=5。
在进一步的实施例中,所述步骤(3)还可以为:
所述步骤(3)中,构建由两层ST-Conv块和输出全连接层组成的时空图卷积网络模型STGCN;具体包括:
(31)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,使用层标准化公式来防止过拟合。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。
(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如下所示。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表示卷积核。
(33)采用图卷积网络(Graph Convolutional Network,GCN)构建空间卷积层,在空间轴上捕捉和提取洪水过程中相关雨量站降雨特征和预报断面间的空间动态特征,利用切比雪夫多项式近似计算GCN卷积核,计算公式为:
(34)采用两个ST-Conv块和一个输出层构建最终的时空图卷积网络模型STGCN;ST-Conv块提取洪水预报误差输入样本序列的时间特征和空间特征,并在输出层经过特征融合,得到最终的预测值。STGCN层输出的误差模拟值与输入层数据之间的关系如下所示。
e(t)=f(ep(t-i),P1(t-i),P2(t-i),…Pl(t-i)) i=0,1,2,3,…,t
其中,e(t)表示t时刻AGWO_STGCN模型所得到的误差模拟值;ep(t-i)是t-i时刻误差序列;P1(t-i),P2(t-i),…Pl(t-i)是t-i时刻l个相关雨量站降雨量;f即是AGWO_STGCN模型确定的映射函数。
使用该最优模型对屯溪水文站的预测水位值产生的误差进行预测,从而达到校正目的。将屯溪的实况水位、LSTM模型得到的预报值及校正后的预报值三者进行对比,最终的对比结果如下图3所示,对预测结果的评价指标采用均方根误差RMSE,决定系数R2、平均绝对误差MAE和Nash-Sutcliffe系数NSE,计算公式如下:
总之,STGCN时空图卷积网络(Spatio-Temporal Graph ConvolutionalNetworks)通过空间维图卷积和时间维标准卷积捕获数据的时空特征,可充分挖掘水文误差序列的时序特征和局部空间,从而构建反映误差序列非线性关系的映射函数。本发明的基于AGWO优化STGCN网络的误差实时校正模型,利用神经网络计算模拟误差值,为水文预报实时校正提供新研究思路。
Claims (9)
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;
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表示卷积核;
步骤(33)、采用图卷积网络构建空间卷积层,在空间轴上捕捉和提取洪水过程中相关雨量站降雨特征和预报断面间的空间动态特征,利用切比雪夫多项式计算GCN卷积核;
步骤(34)、采用两个ST-Conv块和一个输出层构建最终的时空图卷积网络模型STGCN;ST-Conv块提取洪水预报误差输入样本序列的时间特征和空间特征,并在输出层经过特征融合,得到最终的预测值;STGCN层输出的误差模拟值与输入层数据之间的关系如下所示:
e(t)=f(ep(t-i),P1(t-i),P2(t-i),…Pl(t-i))i=0,1,2,3,…,t;
其中,e(t)表示t时刻AGWO_STGCN模型所得到的误差模拟值;ep(t-i)是t-i时刻误差序列;P1(t-i),P2(t-i),…Pl(t-i)是t-i时刻l个相关雨量站降雨量;f即是实时误差校正模型确定的映射函数。
5.根据权利要求1所述的方法,其特征在于,所述步骤(4)进一步为:
步骤(41)、通过改进收敛因子α,使改进灰狼优化算法在迭代初期收敛速度较低,扩大全局搜索范围,而在迭代后期,收敛速度进一步提高,保证局部搜索得到的最优解较为准确,改进后的收敛因子α为:
其中,t为当前迭代次数;t_max为最大迭代次数;λ为调节系数,控制非线性收敛因子α的变化趋势及区间;
步骤(42)、改进灰狼优化算法使用随机游动策略,使灰狼个体在相对集中的局部内进行寻优,提高局部搜索能力;同时采用粒子群算法中保留自身历史最优解的思想,使灰狼个体保存自身迭代过程中的最优解,避免标准灰狼优化算法求解过程中易陷入局部最优的问题,改进灰狼优化算法的灰狼位置更新公式计算如下:
其中,ζ1,ζ2均为调节系数,一般其范围为[0,1];Xi,best表示第i只灰狼个体历史上的最佳位置;Xi,max、Xi,min分别表示第i只灰狼个体历史位置的最大、最小值。
6.根据权利要求1所述的方法,其特征在于,所述步骤(4)中参数寻优过程具体包括;
步骤(43)、初始化STGCN模型的学习率lr、批尺寸batch_size、输入输出和空间通道个数的取值范围。
步骤(44)、初始化改进灰狼优化算法中灰狼种群数量s及灰狼个***置Xi(i=1,2,…n),最大迭代次数t_max,调节系数λ、ξ1、ξ2,解的维度dim;
步骤(45)、对每一组参数进行灰狼寻优并进行计算个体适应度值fitness(Xi),即STGCN模型的纳什效率系数;根据适应度值降序原则选出排名前三的灰狼个体分别作为当前最优解Xα、次优解Xβ和第三最优解Xδ;
步骤(46)、根据位置更新公式(9)对灰狼位置进行更新,计算位置更新后所有解的适应度fitness_new(Xi);根据适应度fitness_new(Xi)的大小来最优解Xα、次优解Xβ、第三最优解Xδ及对应的位置信息,从中选取适应度较好的个体;
步骤(47)、判断是否满足终止条件,若达到最大迭代次数t_max则终止迭代并用该适应度值的最优解作为模型参数构建STGCN误差校正模型,否则进入步骤(45)。
7.根据权利要求1所述的方法,其特征在于,所述步骤(5)进一步为:
步骤(51)、采用实时洪水预报模型对当前时刻t、预见期为n进行实时预报,得到预测值Z(pred,t,n);
步骤(52)、采用实时误差校正模型对预报误差进行预测,得到最终的模拟误差e′(t,n);
步骤(53)、以预报模型原预测值Z(t)和最终模拟误差e′(t)计算得到模型校正结果Z′(pred,t,n),计算方法为:Z′(pred,t,n)=Z(pred,t,n)+e′(t,n)。
8.根据权利要求1所述的方法,其特征在于,所述洪水预报模型包括集总式洪水预报模型、支持向量机洪水预报模型、以及长短时记忆网络洪水预报模型。
9.一种基于STGCN的洪水预报误差实时校正***,其特征在于,包括:
至少一个处理器;以及
与至少一个所述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处理器执行的指令,所述指令用于被所述处理器执行以实现权利要求1~8任一项所述的基于STGCN的洪水预报误差实时校正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211271357.4A CN115755219B (zh) | 2022-10-18 | 2022-10-18 | 基于stgcn的洪水预报误差实时校正方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211271357.4A CN115755219B (zh) | 2022-10-18 | 2022-10-18 | 基于stgcn的洪水预报误差实时校正方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115755219A true CN115755219A (zh) | 2023-03-07 |
CN115755219B CN115755219B (zh) | 2024-04-02 |
Family
ID=85352188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211271357.4A Active CN115755219B (zh) | 2022-10-18 | 2022-10-18 | 基于stgcn的洪水预报误差实时校正方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115755219B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116010795A (zh) * | 2023-03-17 | 2023-04-25 | 河海大学 | 基于图像特征和深度学习的相似场次降雨模式库构建方法 |
CN116203907A (zh) * | 2023-03-27 | 2023-06-02 | 淮阴工学院 | 一种化工过程故障诊断报警方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2010140576A (ru) * | 2010-10-04 | 2012-04-10 | Государственное образовательное учреждение высшего профессионального образования "Адыгейский государственный университет" (ГОУ ВПО " | Способ прогнозирования времени наступления и уровня паводков |
CN110633859A (zh) * | 2019-09-18 | 2019-12-31 | 西安理工大学 | 一种两阶段分解集成的水文序列预测方法 |
CN113326981A (zh) * | 2021-05-26 | 2021-08-31 | 北京交通大学 | 基于动态时空注意力机制的大气环境污染物预测模型 |
CN114220271A (zh) * | 2021-12-21 | 2022-03-22 | 南京理工大学 | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 |
CN114428937A (zh) * | 2021-12-10 | 2022-05-03 | 南京师范大学 | 一种基于时空图神经网络的时间序列数据预测方法 |
WO2022203593A1 (en) * | 2021-03-23 | 2022-09-29 | Grabtaxi Holdings Pte. Ltd | System and method for predicting road traffic speed |
-
2022
- 2022-10-18 CN CN202211271357.4A patent/CN115755219B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2010140576A (ru) * | 2010-10-04 | 2012-04-10 | Государственное образовательное учреждение высшего профессионального образования "Адыгейский государственный университет" (ГОУ ВПО " | Способ прогнозирования времени наступления и уровня паводков |
CN110633859A (zh) * | 2019-09-18 | 2019-12-31 | 西安理工大学 | 一种两阶段分解集成的水文序列预测方法 |
WO2022203593A1 (en) * | 2021-03-23 | 2022-09-29 | Grabtaxi Holdings Pte. Ltd | System and method for predicting road traffic speed |
CN113326981A (zh) * | 2021-05-26 | 2021-08-31 | 北京交通大学 | 基于动态时空注意力机制的大气环境污染物预测模型 |
CN114428937A (zh) * | 2021-12-10 | 2022-05-03 | 南京师范大学 | 一种基于时空图神经网络的时间序列数据预测方法 |
CN114220271A (zh) * | 2021-12-21 | 2022-03-22 | 南京理工大学 | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
FAXI YUAN ETC.: "SPATIO-TEMPORAL GRAPH CONVOLUTIONAL NETWORKS FOR ROAD NETWORK INUNDATION STATUS PREDICTION DURING URBAN FLOODING", 《ARXIV》, 6 April 2021 (2021-04-06) * |
余宇峰等: "基于STGCN 的洪水预报误差实时校正方法", 《水文》, 31 October 2022 (2022-10-31) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116010795A (zh) * | 2023-03-17 | 2023-04-25 | 河海大学 | 基于图像特征和深度学习的相似场次降雨模式库构建方法 |
CN116203907A (zh) * | 2023-03-27 | 2023-06-02 | 淮阴工学院 | 一种化工过程故障诊断报警方法及*** |
CN116203907B (zh) * | 2023-03-27 | 2023-10-20 | 淮阴工学院 | 一种化工过程故障诊断报警方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115755219B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619430B (zh) | 一种用于交通预测的时空注意力机制方法 | |
CN115755219B (zh) | 基于stgcn的洪水预报误差实时校正方法及*** | |
CN107590567A (zh) | 一种基于信息熵聚类和注意力机制的循环神经网络短期负荷预测方法 | |
CN111612243A (zh) | 交通速度预测方法、***及存储介质 | |
CN110648014B (zh) | 一种基于时空分位数回归的区域风电预测方法及*** | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN110705743A (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN110363349B (zh) | 一种基于ascs的lstm神经网络水文预测方法及*** | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN108764539A (zh) | 一种梯级电站的上下游水位预测方法 | |
CN111445010B (zh) | 一种基于证据理论融合量子网络的配网电压趋势预警方法 | |
Dong et al. | An integrated deep neural network approach for large-scale water quality time series prediction | |
CN112149879A (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
CN112766603A (zh) | 一种交通流量预测方法、***、计算机设备及存储介质 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN116702959A (zh) | 一种基于分布自适应图注意力网络的洪水预报方法 | |
CN113947182A (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
CN115310536A (zh) | 基于神经网络和gcn深度学习模型的水库水位预测预警方法 | |
CN114444561A (zh) | 基于CNNs-GRU融合深度学习模型的PM2.5预测方法 | |
CN116525135B (zh) | 基于气象因素的时空模型对疫情发展态势进行预测的方法 | |
CN109447843B (zh) | 一种光伏出力预测方法及装置 | |
CN116646929A (zh) | 一种基于pso-cnn-bilstm的短期风电功率预测方法 | |
CN111754033A (zh) | 一种基于循环神经网络的非平稳时序数据预测方法 | |
CN111524348A (zh) | 一种长短期交通流预测模型及方法 | |
CN114091782B (zh) | 中长期电力负荷预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |