(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 202111398994.3 (22)申请日 2021.11.24 (71)申请人 江西省水利科 学院 地址 330029 江西省南昌市北京东路10 38 号 (72)发明人 郑勇　成静清　刘章君　潘雪梅　 许新发　雷声　温天福　谭毅　 邹虹　 (74)专利代理 机构 南昌丰择知识产权代理事务 所(普通合伙) 36137 代理人 张荣 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于LSTM的流 域径流预测方法 (57)摘要 本发明公开了一种基于LSTM的流域径流预 测方法， 基于LSTM算法结构不变的前提， 将影响 流域径流的因素按照三种组合方案设置为不同 的输入集， 将流域当日径流量设置为统一的输出 集， 借助LSTM模型建立输入和输出的映射关系， 以对比不同学习方案下LS TM径流预测的性能， 最 终筛选出流域径流预测性能的最优 学习方案。 本 发明的有益效果是： 在数据可以取得的前提下， 应当优先考虑将前期径流和流域前期降雨资料 结合起来 设置LSTM径流预测模型的输入， 以取得 更加良好的预测结果。 研究可用于指导基于数据 驱动的流域径 流预测输入集数据的选取， 避免不 适当的输入数据导 致预测结果 不佳。 权利要求书3页 说明书9页 附图8页 CN 114219131 A 2022.03.22 CN 114219131 A 1.一种基于LSTM的流 域径流预测方法， 其特 征在于： 包括如下步骤： 第一步， 获取研究区流域水文站在某一时区内径流预测的降雨数据资料， 所有数据均 需通过三 性审查后方 可进行后续操作； 第二步， 设计输入集； 将影响流 域径流的因素按照如下组合方案设置为 不同的输入集： 输入集一： 以前期径流预测当日径流， 输入数据为A水文站前1、 2、 3日流量， 输出数据为 当日流量； 输入集二： 前期降雨预测当日径流， 输入数据为A水文站及其上游B、 C水文站前1日降雨 量， 输出数据为当日流 量； 输入集三： 前期径流和前期降雨预测当日径流， 输入数据为A水文站前1、 2、 3日流量和A 水文站及其上游B、 C水文站前1日降雨 量， 输出数据为当日流 量； 第三步， 设计输出集； 将流 域当日径流 量设置为上述 三个方案中输入集的统一输出集； 第四步， 借助LSTM模型建立上述方案输入和输出的映射关系， 以对比不同学习方案下 LSTM径流预测的性能， 最终筛 选出流域径流预测性能的最优学习方案 。 2.根据权利 要求1所述的一种基于LSTM的流域径流预测方法， 其特征在于： 借助LSTM模 型建立上述方案 输入和输出的映射关系， 步骤如下： （1） LSTM由输入层、 隐藏层和输出层组成； 输入层和输出层各有一层， 主要用于接收数 据信号和设定神经网络训练目标； 隐藏层根据实际需要不限于一层， 其在输入层和输出层 之间建立 函数关系， 用于执 行各种非线性变换； （2） LSTM的隐藏层由多个神经单元构成， 每个神经单元由遗忘门、 输入门和输出门三部 分组成； 其中， 遗忘门决定了t时刻神经网络状态需要移除的t ‑1时刻神经网络状态的信息， 输入门决定了t时刻神经网络状态需要存储的新信息， 输出门决定了t时刻神经网络状态需 要输出的信息， 而t时刻的神经网络状态则记录了t时刻的输入、 门结构信息以及t ‑1时刻隐 藏层状态、 t ‑1时刻神经网络状态； （3） LSTM的隐藏层中包含两个状态变量 h和c， 分别用于保存短期状态和长期状态； LSTM 用遗忘门和输入门来控制 长期状态 c的内容， 其中遗忘门决定了上一时刻的长期状态有多 少保留到当前时刻； 输入门决定了当前时刻网络的输入有多少保存到长期状态； LSTM用输 出门来控制长期状态 c有多少输出到LSTM的当前输出值； （4） LSTM中的输入数据均需要通过输入门、 输出门和遗忘门， 并通过权重、 偏置和激活 函数以提取数据中的信息， 从而进行移除或更新， 再传递到下一个神经网络层中， 以此类 推， 最后一个神经网络层的输出值即为模型 预测值。 3.根据权利 要求2所述的一种基于LSTM的流域径流预测方法， 其特征在于： 基于LSTM模 型的流域径流预测计算过程如下： 步骤一： 根据研究流域不同来水条件， 将区域样本数据按照一定比例划分为训练集和 测试集； 训练集数据用于构建LSTM模型， 将其在测试集上的平均绝对误差和纳什效率系数作为 衡量模型 预测性能的指标； 步骤二： 将t时刻的流 域降雨或者径流数据的训练集作为模型的输入； 权　利　要　求　书 1/3 页 2 CN 114219131 A 2式中， 为t时刻的降雨 量， 为t时刻的径流 量； 步骤三： 通过遗 忘门移除t ‑1时刻神经网络状态的信息； 式中， 是遗忘门的权重矩阵， 表示把两个向量连接成一个更长的向量， 是遗忘门的偏置项， 表示激活函数为Sigmo id函数； 步骤四： 通过输入门确定用以更新神经网络 状态的信息 ； 式中， 是输入门的权 重矩阵， 是输入门的偏置项； 式中， 是当前输入的长期状态的权重矩阵， 表示其偏置项， 表示激 活函数为tanh函数； 式中， 星号*表示按元 素乘； 经过上述运算， LSTM将关于当前的记忆 和长期记忆 组合在一起形成了新的 长期状态 ； 在遗忘门和输入门的控制 下， 该状态既可以保存长时间序列的信息， 又能避 免当前无关紧要的信息进入记 忆中； 步骤五： 通过输出门和长期状态 共同决定最终输出的流 域当日径流 量预测值； 式中， 是输出门的权 重矩阵， 是其偏置项； 式中， tanh表示激活函数为tanh函数； 步骤六： 采用平均绝对误差和纳什效率系数指标来评价模型模拟效果， 对比三个组合 方案的指标最终筛 选出流域径流预测性能最优的学习方案； 平均绝对误差是衡量LSTM预测准确性的重要指标； 纳什效率系数可以量化验证径流预 测结果的精度， 其取值范围  [0,1]， 系数越接 近于1， 则预测精度越高， 反 之越低； 权　利　要　求　书 2/3 页 3 CN 114219131 A 3