(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 202111632089.X (22)申请日 2021.12.2 9 (71)申请人 中国电信股份有限公司 地址 100033 北京市西城区金融街31号 (72)发明人 李阳　钱进　周飞　 (74)专利代理 机构 北京同达信恒知识产权代理 有限公司 1 1291 专利代理师 郭润湘 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种水位预测方法、 装置、 电子设备及存储 介质 (57)摘要 本发明公开了一种水位预测方法、 装置、 电 子设备及存储介质， 首先获取人孔井的历史时间 段的各个水位， 然后将人孔井的历史 时间段的各 个水位输入 预先训练完成的水位预测模型。 基于 水位预测模型输出预测的设定时间段内的各个 设定时刻水位。 具体的， 基于深度学习技术训练 水位预测的最优权重。 特征映射注意力网络， 用 于捕捉水位预测中的短期局部依赖关系， 双向循 环神经网络模块用于捕捉水位预测 中的长期宏 观依赖关系； BP神经网络对特征映射注意力网络 和双向循环神经网络模型的预测值进行非线性 拟合， 确定2 个预测值在非线 性组合中的权重， 从 而得到最终的组合预测水位结果。 从而提供了一 种有效的水位预测方案 。 权利要求书2页 说明书12页 附图6页 CN 114548483 A 2022.05.27 CN 114548483 A 1.一种水位预测方法， 其特 征在于， 所述方法包括： 获取人孔井的历史时间段的各个水位； 将所述历史时间段的各个水位输入预先训练完成的水位预测模型， 基于所述水位预测 模型中的特 征映射注意力网络， 确定预测设定时间段内的各个设定时刻第一预测水位； 基于所述水位预测模型中的双向循环神经网络， 确定预测设定时间段内的各个设定时 刻第二预测水位； 基于所述水位预测模型中的反向传播BP神经网络， 对所述第一预测水位和第 二预测水 位进行非线性拟合， 得到预测设定时间段内的各个设定时刻水位。 2.如权利要求1所述的方法， 其特征在于， 所述获取人孔井的历史时间段的各个水位包 括： 获取水位传感器通过通信模块发送的人孔井的历史时间段的各个水位。 3.如权利要求1所述的方法， 其特征在于， 所述特征映射注意力网络包括至少两个特征 映射注意力模块组； 所述特征映射注意力模块组包括内在特征映射模块和通道注意力模 块； 所述内在特征映射模块包括卷积层； 所述通道注意力模块包括全局平均池化层和卷积 层。 4.如权利要求1所述的方法， 其特征在于， 所述双向循环神经网络包括两个方向相反的 单向循环神经网络 。 5.如权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 接收水银开关电路通过通信模块发送的 电极导通指示信息； 其中， 所述水银开关电路 与连接线的一端连接， 所述连接线的另一端与所述人孔井的井底连接， 所述连接线的长度 用于表征设定水位阈值； 当所述人孔井的水位达到所述设定水位阈值时， 所述水银开关电 路的电极导 通， 并发送电极导 通指示信息 。 6.如权利要求5所述的方法， 其特 征在于， 所述方法还 包括： 若预测设定时间段内的各个设定时刻水位中存在超过设定水位阈值的水位 时， 输出第 一水位报警提示信息； 其中， 所述第一水位报警提示信息中携带超过设定水位阈值的水位 对应的设定时刻信息； 若接收到所述电极导通指示信 息的持续 时间达到预设的时长， 输出第 二水位报警提示 信息； 其中， 所述第二水位报警提 示信息中携带当前时刻信息 。 7.如权利要求3所述的方法， 其特 征在于， 所述水位预测模型的训练过程包括： 将训练集中的第 一历史时长 内的各个样本水位输入水位预测模型， 基于所述水位预测 模型中的特征映射注意力网络确定所述第一历史时长之后的第二历史时长内的各个设定 时刻第一样本预测水位； 基于所述水位预测模型中的双向循环神经网络确定所述第二历史时长内的各个设定 时刻第二样本预测水位； 基于所述反向传播BP神经网络， 对所述第一样本预测水位和第二样本预测水位进行非 线性拟合， 得到第二历史时长内的各个设定时刻的预测水位； 基于所述第 二历史时长内的各个设定时刻的预测水位， 以及所述第 二历史时长内的各 个设定时刻的真实水位和损失函数， 对所述特征映射注意力网络、 双向循环神经网络和反 向传播BP神经网络进行训练。权　利　要　求　书 1/2 页 2 CN 114548483 A 28.一种水位预测装置， 其特 征在于， 所述装置包括： 获取单元， 用于获取 人孔井的历史时间段的各个水位； 预测单元， 用于将所述历史时间段的各个水位输入预先训练完成的水位预测模型， 基 于所述水位预测模型中的特征映射注意力网络， 确定预测设定时间段内的各个设定时刻第 一预测水位； 基于所述水位预测模型中的双向循环神经网络， 确定预测设定时间段内的各 个设定时刻第二预测水位； 基于所述水位预测模型中的反向传播BP神经网络， 对所述第一 预测水位和第二预测水位进行非线性拟合， 得到预测设定时间段内的各个设定时刻水位。 9.一种电子设备， 其特征在于， 包括处理器、 通信接口、 存储器和通信总线， 其中， 处理 器， 通信接口， 存 储器通过通信总线完成相互间的通信； 存储器， 用于存放计算机程序； 处理器， 用于执行存储器上所存放的程序时， 实现权利要求1 ‑7任一项所述的方法步 骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质内存储有计算机 程序， 所述计算机程序被处 理器执行时实现权利要求1 ‑7任一项所述的方法步骤。权　利　要　求　书 2/2 页 3 CN 114548483 A 3