(19)中华 人民共和国 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 202111594179.4 (22)申请日 2021.12.24 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路2号 (72)发明人 吴剑　丁伟　王浅宁　陈思文　 刘海星　彭勇　张弛　周惠成　 (74)专利代理 机构 大连理工大 学专利中心 21200 代理人 李晓亮 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 113/08(2020.01) (54)发明名称 一种基于新型通用输入输出结构与长短时 记忆网络的洪水 预报方法 (57)摘要 一种基于新型通用输入输出结构与长短时 记忆网络的洪水预报方法。 首先， 根据研究流域 历史场次洪水数据分析汇流特性， 计算研究流域 平均汇流时间； 其次根据流域平均汇 流时间确定 LSTM洪水预报 模型的输 出时段数， 给定LS TM洪水 预报模型的隐藏层层数和隐藏层神经元节点数。 接着， 设计新型通用LS TM洪水预报模型的输入输 出结构， 输入训练集、 验证集样本训练模 型， 得到 不同结构与参数的洪水预报模型。 最后， 比较分 析不同输入长度下的LSTM洪水预报模型在训练 集、 验证集的表现， 确定最终较优的LSTM洪水预 报模型， 并评估分析LS TM洪水预报模型在测试集 的预报效果。 本发明通用性较强， 建立的LSTM洪 水预报模型能够取得较好的预报效果， 为流域洪 水灾害防御工作提供新 技术支撑。 权利要求书2页 说明书7页 附图5页 CN 114386677 A 2022.04.22 CN 114386677 A 1.一种基于新型通用输入输出结构与长短时记忆网络的洪水预报方法， 其特征在于， 所述洪水预报方法的水文 学含义显著， 模型输入输出结构能够应用于不同空间尺度的流域 洪水预报， 包括以下步骤： 第一步， 收集与整理流 域历史场次洪水 数据； 收集与整理研究流域场次洪水资料， 将所有场次洪水划分为训练集、 验证集、 测试集场 次； 其中， 训练集场次洪水用于优化LSTM洪水预报模型的内部权重矩阵和偏置向量参数； 验 证集场次洪水用于辅助确定超参数、 损失函数等模型外部设置； 测试集场次洪水则用于检 验训练后模型的外推能力； 第二步， 计算流域平均汇流时间； 某一研究流域的平均汇流时间是确定的， 其时间长短等于流域洪水预报预见期， 综合 反映了流域对降雨水流汇集过程的调蓄作用大小； 根据流域收集与整理的历史场次洪水过 程数据， 统计场次洪水中主降雨与相应洪峰流量间的时间差， 即洪峰滞时； 计算所有场次洪 水的洪峰滞时平均值， 即为 流域平均汇流时间； 第三步， 给定长短时记忆LSTM网络洪水预报模型的隐藏层层数和隐藏层神经元节点数 量； 第四步， 设计新型通用LSTM洪水 预报模型的输入输出 结构； LSTM细胞单元状态与流域土壤蓄水状态较为相似， 三个控制门与细胞单元状态间的作 用可视为流域土壤蓄水状态的消耗、 增加和释放， 其中三个控制门包括遗忘门、 输入门和输 出门； 根据传统的流域水文模拟理论与方法， 选取降雨作为LSTM洪水预报模型的唯一输入 因子， LSTM洪水预报模型输入为流域内各雨量站的长序列降雨信息， 输入长度为n+l个时 段； 其中， n表示前期降雨的输入长度， 且前期降雨可视为反映流域前期 土壤蓄水状态、 短临 降雨等信息对模型输出流量值的影响， 可选取多个n并根据后续模型性能确定较优模型； LSTM洪水预报模 型输出为与研究流域汇流时间相等的流量值序列， 即输出长度为l个时段， l等于流域汇流时间且l≤n； 第五步， 生成训练、 验证和 测试样本集； 根据第四步设计的新型通用LSTM洪水预报模型的输入输出结构(n、 l的取值)确定样本 长度， 每个样本的输入降雨序列长度等于n +l个时段， 输出目标流量序列长度等于l个时段； 根据第一步划分的训练集、 验证集和测试集场次， 每次洪水均按照逐时段滑动截取 的方式 生成相应的训练、 验证和测试样本集， 且每一次洪水生成多个样本， 每个样 本由输入降雨序 列P＝[Pt‑n+1,Pt‑n+2,…,Pt,…,Pt+l]和输出目标流量序列Q＝[Qt+1,Qt+2,…,Qt,…,Qt+l]组成 输入输出数据对； 其中， n为LSTM洪水预报模 型的输入 前期降雨序列的时段数， l为模 型输出 流量的时段 数， 第t个时段的输入降雨Pt包含流域内各雨 量站的实测降雨 值； 第六步， 模型构建与训练； LSTM洪水预报模型采用随时间反向传播算法BPTT进行有监督学习方式的训练， 模型构 建和训练均基于开源的Keras与TensorFlow实现； 运行在TensorFlow平台的Keras框架集成 了较为成熟的机器学习算法包， 可直接调用对应的算法完成LSTM洪水预报模型构建和训 练； 6.1)LSTM洪水预报模型构建： 依据第三步给定的隐藏层层数、 隐藏层神经元节点数量 以及第四步设计的模 型输入输出结构， 调用Keras的层 包定义LSTM的输入层、 隐藏层和输出权　利　要　求　书 1/2 页 2 CN 114386677 A 2层， 构建LSTM洪水 预报模型； 6.2)LSTM洪水预报模型训练： 输入第五步生成的训练、 验证样本集， 设置模型训练过程 涉及的超参数、 激活函数、 损失函数、 优化算法等， 在TensorFlow平台运行基于Keras框架构 建的LSTM洪水 预报模型， 得到训练后的LSTM洪水 预报模型； 第七步， 确定较优 模型， 提取分析流 域场次洪水模拟结果； 比较分析不同输入长度下LSTM洪水预报模型的性能， 确定最终较优的LSTM洪水预报模 型， 进一步提取研究流域场次洪水模拟、 预报流量过程结果， 分析LSTM洪水预报模型的预报 性能。权　利　要　求　书 2/2 页 3 CN 114386677 A 3