(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210935318.3 (22)申请日 2022.08.04 (71)申请人 福建中锐网络股份有限公司 地址 350108 福建省福州市闽侯县福州大 学国家大 学科技园8号楼5层 (72)发明人 马森标　李佐勇　黄祖海　陈友武　 卢维楷　王小川　郭宝椿　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 丘鸿超　蔡学俊 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06Q 10/04(2012.01) G06Q 50/26(2012.01)G01F 23/80(2022.01) (54)发明名称 一种基于时空关联混合深度学习模型的流 域多点预测预警方法 (57)摘要 本发明提出一种基于时空关联混合深度学 习模型的流域多点预测预警方法， 根据包括历史 与未来水库降雨量和泄洪量的水库方面的信息 与流域多点水位数据， 挖掘出包含能预测出流域 多点水位未来一天或三天变化情况的数据结构 特征， 并将流域多点特征水位信息数据作为基于 LSTM和GCN的流域多 点水位时空关联混合模型的 输入特征， 训练完成后进行一天或多天的流域水 位预测， 其中输入数据字段包括每个测点时间归 一化后的源头水库降雨量、 泄洪量和流域多点水 位， 模型返回这些测点的流 域水位预测值。 权利要求书2页 说明书10页 附图14页 CN 115310532 A 2022.11.08 CN 115310532 A 1.一种基于时空关联混合深度学习模型的流域多点预测预警方法， 其特征在于： 根据 包括历史与未来水库降雨量和泄洪 量的水库方面的信息与流域多点水位数据， 挖掘出包含 能预测出流域多点水位未来一天或三 天变化情况的数据结构特征， 并将流域多点特征水位 信息数据作为基于LSTM和GCN的流域多点水位时空关联混合模型的输入特征， 训练完成后 进行一天或多天的流域水位预测， 其中输入数据字段包括每个测点时间归一化后的源头水 库降雨量、 泄洪量和流 域多点水位， 模型返回这些测点的流 域水位预测值。 2.根据权利要求1所述的基于时空关联混合深度学习模型的流域多点预测预警方法， 其特征在于： 模型的输入数据为流域源头水库的降雨量、 泄洪 量数据， 流域多监测点水位数 据包含K个流域监测点水位值数据； 并将数据集中的数据进行排序、 删除无用特征、 缺失值 填补和归一化处理， 划分为训练集和测试集， 分别重塑为3D数据， 再对训练集和测试集进 行 封装。 3.根据权利要求2所述的基于时空关联混合深度学习模型的流域多点预测预警方法， 其特征在于： 将数据处理成符合模型输入格式： 包括源头水库和流域K个监测点的多个监测 点的特征被分别处理为F*D形状的矩阵， 其中F为特征维度， D为总天数； 随后使用一个大小 为N的输入滑动窗口， 在时间流逝方向进行滑动， 滑动步长为 1， N即为过去天数， 每滑动一个 步长形成新的样本特征， 作为模型的输入； 使用一个大小为1或3的标签滑动窗口在时间流 逝方向进行滑动， 每滑动一个步长形成新的样本标签， 标签值为一天或三天监测点特征 的 水位值。 4.根据权利要求3所述的基于时空关联混合深度学习模型的流域多点预测预警方法， 其特征在于： 在地图中， 将K个监测点视为图结构中的节 点， 遍历每个监测点， 将其和其欧氏 距离最近的监测点相连接， 如果该条边已经存在， 则遍历下一个监测点， 以此构建出邻接矩 阵进而计算度 矩阵与拉普拉斯矩阵， 获得包含地理位置信息与地理空间依赖关系的拓扑结 构图， 最终输出尺寸 为(K, K)的邻接矩阵。 5.根据权利要求4所述的基于时空关联混合深度学习模型的流域多点预测预警方法， 其特征在于： 所述基于LSTM和GCN的流域多点水位时空关联混合模型进行特征提取的过程 包括： LSTM特征编码： 包括三个LSTM层的处理； 将经过三个LSTM网络表示学习后得到 的特征 向量表示按时间维度进行拼接， 同时不产生新的维度， 最终输出包含每个监测点历史属 性 的时间关联 特征向量； GCN特征编码： 复制地理信息图， 将包含地理位置信息与地理空间依赖关系的尺寸为 (K,K)的拓扑结构图作为输入， 按批次数量值进行复制操作， 最终输出尺寸为(B,K,K)的特 征向量矩阵， B为batch  size大小； 并获取拼接后的尺寸为(B,3,F')的特征向量矩阵作为特 征矩阵， F'为LSTM网络的输出维度， 同时将尺 寸为(B,K,K)的地理信息图作为邻接矩阵输入 该层， 获得包含时间特征信息与地理位置信息的拓扑结构图， 一同作为图卷积层的特征矩 阵输入， 对拓扑结构图进 行特征提取， 最 终输出尺 寸为(B,3,F')的特征向量矩阵； 经过图卷 积之后， 重塑获得的特征向量矩阵形状； 将特征提取后输出尺寸为(B,3,F')的特征向量矩 阵作为重塑的对象， 维度设为拼接后的向量矩阵第一 维的数值与后二维度的积进 行特征向 量重塑， 将特 征变量维度合并， 最终输出尺寸 为(B,3*F')的向量矩阵； 接下来， 构建全连接回归预测层： 将重塑后尺寸为(B,3*F')的特征向量矩阵作为全连权　利　要　求　书 1/2 页 2 CN 115310532 A 2接回归预测层的特征矩阵输入， 输出通过全连接神经网络计算流域多点特征预测值， 通过 设定输出端神经 元数量K*Z， 最终输出尺寸 为(B,K*Z)的预测向量矩阵。 6.根据权利要求4所述的基于时空关联混合深度学习模型的流域多点预测预警方法， 其特征在于： 所述基于LSTM和GCN的流 域多点水位时空关联混合模型的训练过程具体为： 将提取时间特性、 空间特性后的特征输入模型， 指定输入对应的输出， 即明确每个输出 对应的一 天或多天预测的水位， 使用模 型进行训练拟合， 拟合过程以均方误差MS E作为基于 LSTM和GCN的流 域多点水位时空关联混合模型的优化目标。权　利　要　求　书 2/2 页 3 CN 115310532 A 3