(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 202210940746.5 (22)申请日 2022.08.06 (71)申请人 福建中锐网络股份有限公司 地址 350108 福建省福州市闽侯县福州大 学国家大 学科技园8号楼5层 (72)发明人 马森标　李佐勇　黄祖海　陈友武　 卢维楷　王小川　郭宝椿　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 蔡学俊　薛金才 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06Q 10/04(2012.01) G06Q 50/26(2012.01)G01F 23/80(2022.01) (54)发明名称 基于神经网络和GCN深度学习模 型的水库水 位预测预警方法 (57)摘要 本发明提供了基于神经网络和GCN深度学习 模型的水库水位预测预警方法， 包括以下步骤： 步骤S1： 获取水库雨水情数据， 按照采集时间进 行排序； 步骤S2： 模型输入数据通过CNN编码器、 GCN编码器两个主要模块提取特征； 步骤S3： 基于 一维卷积神经网络和GCN 混合深度学习模型对水 库水位数据集进行训练； 步骤S4： 读取步骤S3中 储存在云端或本地的水库水位预测模 型， 进行水 库水位预测。 应用本技术方案可实现降低模型深 度学习的神经网络层数与训练难度， 且提高模型 水库水位预测的准确率。 权利要求书3页 说明书11页 附图6页 CN 115310536 A 2022.11.08 CN 115310536 A 1.基于神经网络和GCN深度学习模型的水库水位预测预警方法， 其特征在于包括以下 步骤： 步骤S1： 获取 水库雨水情数据， 按照采集时间进行排序； 步骤S2： 模型输入数据通过CN N编码器、 GCN编码器两个主 要模块提取特征； 步骤S3： 基于一维卷积神经网络和GCN混合深度学习模型对水库水位数据集进行训练； 步骤S4： 读取步骤S3中储 存在云端或本地的水库水位预测模型， 进行 水库水位预测。 2.根据权利要求1所述的基于神经网络和GCN深度 学习模型的水库水位预测预警方法， 其特征在于， 所述步骤S1具体以水库水位、 泄洪量、 降雨量特征作为模型训练数据， 对数据 集中水位、 泄洪量、 降雨 量三个变量数据依次进行最大最小值归一 化预处理： 在公式(1)中， x为待归一化数据， x'作为归一化后的数据， xmax和xmin分别表示待归一化 数据中的最大值和最小值， 最终将数据映射到0和1之间后， 作为特征数据输入模型进行训 练。 3.根据权利要求2所述的基于神经网络和GCN深度 学习模型的水库水位预测预警方法， 其特征在于， 输入的数据需要执 行两个任务： 任务一： 以当天水库水位、 当天降雨量、 当天泄洪量作为一个时间点的特征， 通过过去N 个时间点的数据完成对水库未来 一天水位的预测； 任务二： 以当天水库水位、 未来三天降雨量、 未来三天泄洪量作为一个时间点的特征， 通过过去N个时间点的数据完成对水库未来 三天水位的预测。 4.根据权利要求3所述的基于神经网络和GCN深度 学习模型的水库水位预测预警方法， 其特征在于， 步骤S2具体包括以下以下步骤： 步骤S21： 一维CN N编码器特 征提取； 步骤S22： 构建GGL生成图数据结构； 步骤S23： GCN编码器特 征提取。 5.根据权利要求4所述的基于神经网络和GCN深度 学习模型的水库水位预测预警方法， 其特征在于， 所述 步骤S21具体包括： 构建第一个一维卷积层； 将模型输入数据的尺寸重塑为(B*D,1,H)， 将batch维度与变 量维度合并， 使得CNN对每个向量进行卷积， 作为第一个一维卷积层输入， 一维卷积层 Conv1d(1,8,3,1,1)使用1*3的卷积核， 卷积步长为1， 获取数据后提取特征的同时保留住 原 序列长度， 卷积后进 行一维批归一化操作及ReLU函数激活， 输出尺 寸为(B*D,8,H)的特征向 量； 构建第二个一维卷积层， 一维卷积层Conv1d(8,16,3,1,1)使用1*3的卷积核， 卷积步长 为1， 以上层输出的尺寸为(B*D,8,H)的特征向量作为输入提取特征同时保留长度， 卷积后 进行一维批归一 化操作及ReLU函数激活， 输出尺寸 为(B*D,16,H)的特 征向量； 构建第三个一维卷积层， 一维卷积层Conv1d(16,32,3,1,1)使用1*3的卷积核， 卷积步 长为1， 以上层输出的尺 寸为(B*D,16,H)的特征向量提取特征同时保留长度， 卷积后进行一 维批归一 化操作及ReLU函数激活， 输出尺寸 为(B*D,32,H)的特 征向量； 构建第四个一维卷积层， 一维卷积层Conv1d(32,64,3,1,1)使用1*3的卷积核， 卷积步权　利　要　求　书 1/3 页 2 CN 115310536 A 2长为1， 对 上层输出的尺 寸为(B*D,32,H)的特征向量提取特征同时保留长度， 卷积后进行一 维批归一 化操作及ReLU函数激活， 最终输出尺寸 为(B*D,64,H)的特 征向量； 构建一维自适应最大池化层， 保留尺寸为(B*D,64,H)的特征向量的每个通道上最大的 一个值， 输出尺寸为(B*D,64,1)的特征向量， 再去除冗余维度， 将特征向量矩阵降维， 输出 尺寸为(B*D,64)的特 征向量， 最后通过 特征维度归一 化层。 6.根据权利要求4所述的基于神经网络和GCN深度 学习模型的水库水位预测预警方法， 其特征在于， 所述 步骤S22具体包括： 构建图生成层， 首先定义线性变换层的输入输出维度linear(64,10)， 将输入尺寸为 (B*D,64)的特 征向量转化输出为尺寸 为(B*D,10)的特 征向量， 其过程表示 为： 在公式(2)中X为经过CNN编码器特征提取以后的特征向量矩阵， Xi为输入的特征向量， Wji为第j个输出的第 i个输入权值参数， bj为第j个输出的偏置参数， 使用Relu函数激活， 为输出特征矩阵， n表示输入权值 参数的个数； 图生成层从特征图中生成动态图数据结构， 通过遍历尺寸为(B*D,B*D)的特征向量矩 阵第一维的数值和索引间的堆砌与拼接来计算边缘的索引， 得到尺 寸为(2,B*D/*B*D)的边 缘索引邻接矩阵， 每次前向传播会产生动态变化， 每一轮都进 行迭代更新； 首先转置特征向 量， 通过内积计算变量与变量的相似度， 按最大值归一化同时制定维度为1， 然后节点数设 为特征图第一维的数值， 其 函数表达式为： 在公式(3)中， 表示特征向量X经过全连接层输出后的特征向量， T为转置符号， normlize表示归一化 函数， A为生成图数据结构的邻接矩阵， 为公式(2)中X 特征向量经过 全连接层输出后的特征向量， 即表示 特征向量的转置向量， 进一步地通过保 留余弦距 离Top‑k的边缘， 只保留相似度前k大的边缘， 得到稀疏化的邻接矩阵A‑， 其函数表达如公式 (4)所示； A‑＝TOP‑k(A)    (4)。 7.根据权利要求4所述的基于神经网络和GCN深度 学习模型的水库水位预测预警方法， 其特征在于， 所述 步骤S23具体包括： 构建MRF_GCN模块， 使用Dropout随机失活防止过拟合， 图生成层生成的动态图数据结 构输入MultiChev层 进行图神经卷积操作， Chevnet阶次设为1， 从图数据结构中挖掘节点间 的相关信息， 将输出通道维度设为50， 再进入正则化层将特征向量的重塑为尺 寸为， batch* 变量， 50的特征向量， 输出尺寸为(B*D,50)的特征向量； 提取的特征向量最后经过一个带 ReLU激活函数的线性层进行特征变换， 该线性层输入输出维度为(50， 64)， 输出尺寸为(B* D,64)的特征向量， 最后重塑特征向量的尺 寸， 按原来的batch拼接回去， 输出尺寸为(B,64* D)的特征向量； 构建线性回归预测层， 对任务一、 任务二分别定义不同的网络， 当执行任务一时， 线性 层的输入和输出维度设定为(64*3， 1)； 当执行任务二时， 线性层的输入和 输出维度设定为权　利　要　求　书 2/3 页 3 CN 115310536 A 3