(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 202111396427.4 (22)申请日 2021.11.23 (71)申请人 南京信息 工程大学 地址 224002 江苏省盐城市 盐南高新区新 河街道文港南路10 5号 (72)发明人 曹青　张汉辰　严清赟　胡婷　 (74)专利代理 机构 北京同辉知识产权代理事务 所(普通合伙) 11357 代理人 赵丹 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于双向长短时记忆耦合模型的日径 流预报方法 (57)摘要 本发明涉及水文、 海洋技术领域， 尤其是一 种基于双向长短时记忆耦合模型的日径流预报 方法， 现提出如下方案， 其包括对于目标区域内 的每一个径流观测站点均建立不同的遥相关因 子和降雨站点数据的联系， 筛选出影 响降雨站点 数据的最终遥相关因子； 将BiLSTM及Encoder ‑ Decoder模型耦 合形成BiLSTM ‑ED模型， 将所述最 终遥相关因子输入BiLSTM ‑ED模型， 预测未来多 时间步长的降雨站点数据； 计算目标区域的水文 气象因子与径 流之间的相关关系， 筛选出影响径 流的水文气象因子作为预报因子； 建立日径流预 报模型， 将所述降雨站点数据和预报因子输入日 径流预报模 型， 预测未来多个时间步长的径流信 息。 本发明通过双向长短时记忆模型的构建， 提 供了未来多时间步长的、 高精度的日径流预报方 法。 权利要求书1页 说明书6页 附图3页 CN 114118565 A 2022.03.01 CN 114118565 A 1.一种基于双向长短时记 忆耦合模型的日径流预报方法， 其特 征在于， 包括如下步骤： 步骤一： 对于目标区域内的每一个径流观测 站点均建立不同的遥相关因子和降雨站点 数据的联系； 步骤二： 将BiLSTM及Encoder ‑Decoder模型耦合形成BiLSTM ‑ED模型， 将所述最终遥相 关因子输入BiLSTM‑ED模型， 预测未来多时间步长的降雨站点数据； 步骤三： 计算目标区域的水文气象因子与径流之间的相关关系， 筛选出影响径流的水 文气象因子作为预报因子； 步骤四： 建立日径流预报模型， 将所述降雨站点数据和预报因子输入日径流预报模型， 预测未来多个时间步长的径流信息 。 2.根据权利要求1所述的一种基于双向长短时记忆耦合模型的日径流预报方法， 其特 征在于， 所述步骤一包括确定影响径流对应的降雨站点数据， 分别建立多种遥相关因子与 对应降雨站 点数据的线性和非线性相关关系， 根据所述线性和非线性相关关系筛选出最 终 遥相关因子 。 3.根据权利要求2所述的一种基于双向长短时记忆耦合模型的日径流预报方法， 其特 征在于， 所述 非线性相关关系用互信息确定， 所述线性相关关系用皮尔逊相关系数确定， 筛 选出相关 关系较大的遥相关因子 。 4.根据权利要求1所述的一种基于双向长短时记忆耦合模型的日径流预报方法， 其特 征在于， 所述步骤二包括对遥相关因子归一化， 检测遥相关因子与降雨站点数据之间相关 关系的滞后性。 5.根据权利要求1所述的一种基于双向长短时记忆耦合模型的日径流预报方法， 其特 征在于， 所述水文气象因子包括土壤湿度、 蒸发或风速， 利用互信息计算水文气象因子与日 径流之间的非线性相关关系， 利用皮尔逊相关系数计算水文气象因子与日径流之 间的线性 相关关系。 6.根据权利要求5所述的一种基于双向长短时记忆耦合模型的日径流预报方法， 其特 征在于， 所述步骤三包括按照水文气象因子与 径流之间的相关关系大小筛选出相关关系较 大的水文气象因子作为日径流预报的预报因子 。 7.根据权利要求6所述的一种基于双向长短时记忆耦合模型的日径流预报方法， 其特 征在于， 所述步骤四包括选择数据集并将所述数据集分为训练集和测试集， 在训练集中利 用k折交叉验证确定日径流预报模型相关参数。 8.根据权利要求7所述的一种基于双向长短时记忆耦合模型的日径流预报方法， 其特 征在于， 采用k折交叉检验法确定模 型的参数， 所述参数包括学习率、 神经网络层数、 批样本 数量、 迭代次数、 激活函数。 9.根据权利要求8所述的一种基于双向长短时记忆耦合模型的日径流预报方法， 其特 征在于， 以降雨站点数据历史值和未来值以及水文气象因子的过去时段信息作为模型输 入， 根据所述 参数构建基于Bi LSTM‑ED的日径流预报模型。 10.根据权利要求9所述的一种基于双向长短时记忆耦合模型的日径流预报方法， 其特 征在于， 利用测试 数据集测试基于Bi LSTM‑ED的日径流预报模型。权　利　要　求　书 1/1 页 2 CN 114118565 A 2一种基于双向长短时记忆耦合模型的日径流预报方 法 技术领域 [0001]本发明涉及水文、 海洋技术领域， 尤其是一种基于双向长短时记忆耦合模型的日 径流预报方法。 背景技术 [0002]中长期日径流预报是径流预报中的重要环节， 不仅有利于防灾减灾， 而且服务于 水资源管理和优化， 虽然中长期水文预报相对于短期预报更依赖于物理过程， 但由于径流 受到海洋、 大气、 陆地的影响非常复杂， 物理模型存在很大 的不确定性， 需要机器学习模型 弥补； [0003]日径流具有非线性、 高维度、 非正态、 时空分布不均的动力学特点， 深度学习模型 为复杂的日径流数据特征 的解析和模拟提供了新的可能， 近年来， 随着深度学习模型在水 文预报领域的深入发展， 国内外学者提出了多种基于深度学习的日径流预报模型， 例如， 王 秀杰等[1]建立了一种基于传 统长短时记忆网络(LSTM)的短期径流智能预报模型， 该方法 为水库调度和水资源配置等提供了可靠的依据， 但是， 传统的LSTM模型只能通过过去时段 内的输入信息来建立预测模型， 无法进一 步增加模型在多时间步长的径流预测上的能力； [0004]为此， 本发明提出了一种基于双向长短时记忆耦合模型(BiLSTM ‑ED)的日径流预 报方法。 发明内容 [0005]为解决现有技术中的问题， 本发明提出了一种基于双向长短 时记忆耦合模型的日 径流预报方法。 [0006]为了实现上述目的， 本发明采用了如下技 术方案： [0007]一种基于双向长短时记 忆耦合模型的日径流预报方法， 包括如下步骤： [0008]步骤一： 对于目标区域内的每一个径流观测站点均建立不同的遥相关因子和降雨 站点数据的联系， 筛 选出影响降雨站点数据的最终遥相关因子； [0009]步骤二： 将BiLSTM及Encoder ‑Decoder模型耦合形成BiLSTM ‑ED模型， 将所述最终 遥相关因子 输入BiLSTM‑ED模型， 预测未来多时间步长的降雨站点数据； [0010]步骤三： 计算目标区域的水文气 象因子与径流之间的相关关系， 筛选出影响径流 的水文气象因子作为预报因子； [0011]步骤四： 建立日径流预报模型， 将所述降雨站点数据和预报因子输入日径流预报 模型， 预测未来多个时间步长的径流信息 。 [0012]进一步地， 所述步骤一包括确定影响径流对应的降雨站点数据， 分别建立多种遥 相关因子与对应降雨站 点数据的线性和非线性相关关系， 根据所述线性和非线性相关关系 筛选出最终遥相关因子 。 [0013]进一步地， 所述非线性相关关系用互信息确定， 所述线性相关关系用皮尔逊相关 系数确定， 筛 选出相关 关系较大的遥相关因子 。说　明　书 1/6 页 3 CN 114118565 A 3