(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 202210889361.0 (22)申请日 2022.07.27 (71)申请人 电子科技大 学长三角研究院 （湖州） 地址 313001 浙江省湖州市西塞山路819号 南太湖科技创新综合体B1幢 (72)发明人 杨勤丽　孙文平　邵俊明　 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于时空图卷积神经网络的径流预测 方法 (57)摘要 本发明公开了一种基于时空图卷积神经网 络的径流预测方法。 首先收集并构建研究流域内 径流及其影 响要素的时间序列数据集， 然后根据 流域内水系拓扑结构设计图卷积神经网络模型 结构， 最后通过训练最终得到基于时空图卷积神 经网络的径 流预测模型。 该模型不仅可以对现有 水文站点的径 流量进行预测， 还能对流域内河流 上任意断面(虚拟站点)进行径流预测。 权利要求书2页 说明书4页 附图2页 CN 115169724 A 2022.10.11 CN 115169724 A 1.一种基于时空图卷积神经网络的径流预测方法， 其特 征在于， 包括以下步骤： (1)、 收集流域内各气象站、 水文站的观测数据， 包括水文站的径流数据及影响径流的 气象数据， 如降水、 气温、 水面蒸发等。 (2)、 数据预处理， 统计各个站点收集到的数据， 并对缺失值进行补全， 由于输入的数据 之间数量级 有时候差别较大， 采用离 差标准化方法对输入数据进行归一 化， 其转换公式为： 其中， X*为归一化后的数据， 其范围在[0,1]， X为原始数据， Xmax为原始数据的最大值， Xmin为原始数据的最小值。 (3)、 建立时空图神经网络模型。 深度网络主要分为三个部分， 首先是时间卷积， 使用 TCN(时域卷积)网络提取时间特征； 其次是图卷积神经网络， 通过GCN网络对径流进行时间 序列的建模， 并在每个时刻 进行输出； 最后是全连接网络， 把图神经网络编 码的多维状态向 量转化为每个时刻的径 流量； 其他激活函数使用指数线性激活函数GLU， 最后一层的激活函 数使用线性激活函数l inear。 (4)、 模型训练。 将有标签数据划分为训练集和测试集， 把训练集输入模型进行训练， 损 失函数使用平方根 误差， 优化器使用adam优化器， 进行多次迭代使模型拟合并达 到最优。 (5)、 使用训练好的模型在测试集上进行测试， 根据真实数据对预测结果进行评估。 2.根据权利要求1所述的径流预测方法， 其特征在于， 步骤(3)中， 所述的时空图神经网 络模型， 和步骤(4)中， 所述的神经网络模型训练： 2.1)、 该模型主要由三部分组成， 首先是时间卷积， 通过TCN强大的特性， 跨时间步提取 特征， 并在每个时刻 进行输出； 对于单个节点的数据， TCN结构如图2所示， 其中， 每一层的输 入， 是上一层的kernelsize(图中为2)个时刻的输出， 整个TCN利用了1 ‑D FCN(全卷积)网络 的结构， 每一个隐层的输入输出的时间长度都相同， 维持相同的时间步。 为了有效获取长时 间依赖关系， 利用了膨胀因果卷积， 引入膨胀因子(dilation  factor)， 对于dilation＝[1, 2,4]的TCN， 其结构如图2， 每层的卷积个数不变， 但是下一层进行卷积膨胀， 即下一层参与 卷积的时刻会膨胀， 膨胀系数一般是2的指数次方。 其次是图卷积神经网络， 利用站点之间的连接关系构建邻 接矩阵A， 每个节点的时序 数 据经过TCN后， 把输出作为图神经节点的输入， 如图3所示； 使用图卷积神经网络， 在图结构 数据的空间域上进行高阶特 征提取， 图卷积公式如下： Θ*gx＝UΘ(Λ)UTx 其中， x为信号， 图核Θ为对角矩阵， (In是单位矩阵， D是度 矩阵， Λ由图拉普拉斯矩阵L的特 征值组成的对角矩阵)。 运用切比雪夫多 项式和一阶多 项式近似， 并将D归一 化后， 得到最终的图卷积： θ 为图核的共享 参数。 最后是输出层， 是一个普通的全连接前馈神经网络， 用来对图神经网络编码的多维状 态向量转化为每个时刻的径流 量， 在最后用于对输出 结果的降维； 2.2)、 首先， 将数据划分为训练集和测试集， 训练集用来对模型进行训练， 确定各层的权　利　要　求　书 1/2 页 2 CN 115169724 A 2权重参数， 测试集用来评估最终模型的预测精度； 所述模型训练流程为： 先根据初始化方法， 对模型每层的权重进行初始化， 然后输入数 据， 每个节点的数据先进行时间卷积TCN， 得到的时序隐向量特征输入图神经网络， 最后将 输出的多维隐向量特征输入全连接层进行降维， 得到最终的径流量。 将前向计算得到的输 出， 根据损失函数和真实标签计算损失， 其中损失函数使用平方根误差， 计算梯度反向传播 更新每一层的权重， 通过梯度下降多次迭代使模型拟合并达到最优， 其中优化器使用adam 优化器， 最终 获得训练完成的时空图神经神经网络模型。权　利　要　求　书 2/2 页 3 CN 115169724 A 3