(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 202210880964.4 (22)申请日 2022.07.26 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 武汉大学 (72)发明人 崔震　郭生练　尹家波　周研来　 王俊　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 罗敏清 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G06Q 10/04(2012.01)G06Q 50/26(2012.01) (54)发明名称 一种基于混合深度学习模型的洪水过程概 率预报方法 (57)摘要 本发明公开了一种基于混合深度学习模型 的洪水过程概率预报方法， 包括： 首先收集研究 流域气象水文基础资料， 建立概念性模型， 预报 多时段的洪水过程， 其次以概念性模 型预报流量 过程为外源输入， 在基于外源输入编码 ‑解码结 构的长短时记忆(LSTM ‑EDE)神经网络输出层嵌 套混合密度 网络(MDN)， 构建混合LSTM ‑EDE‑MDN 概率预报模 型， 同时采用极大似然估计 法建立损 失函数， 训练神经网络参数， 最终获得每个预见 期的条件分布 函数和预报区间， 从而量化预报不 确定性。 本发 明耦合了以概念性模 型预报流量为 外源输入的LSTM ‑EDE神经网络和MDN， 解决了曝 光偏差问题， 还 可以在考虑输出变量时间相关性 前提下， 获得多时段洪水过程概率预报， 提高了 深度学习模型的适用性、 可解释性和可信度。 权利要求书2页 说明书7页 附图2页 CN 115329930 A 2022.11.11 CN 115329930 A 1.一种基于混合深度学习模型的洪水 过程概率预报方法， 其特 征在于， 包括如下步骤： 步骤1， 收集和分析气象水文资料， 计算流域平均产汇流时间， 并根据实际需求设定预 报预见期长度； 步骤2， 根据步骤1收集的数据率定概念性水文模型参数， 并采用率定后的概念性水文 模型预报多时段 预见期流量过程； 步骤3， 以步骤2概念性模型的预报流量过程为外源输入， 建立长短时记忆LSTM ‑EDE神 经网络， 将LSTM ‑EDE神经网络隐含层输出作为混合密度网络MDN的输入， 构建用于量化预报 不确定性的LSTM ‑EDE‑MDN模型； 步骤4， 设定步骤3构建的LSTM ‑EDE‑MDN模型的激活函数和超参数， 建立损失函数以优 化超参数， 并整理LSTM ‑EDE‑MDN模型的输入和目标输出变量； 步骤5， 根据步骤4整理的输入和目标输出变量训练LSTM ‑EDE‑MDN模型， 进而推求目标 变量的条件概 率分布函数， 获得一定 置信水平下的预报区间， 量 化预报过程的不确定性。 2.根据权利要求1所述的基于混合深度学习模型的洪水过程概率预报方法， 其特征在 于， 步骤1具体包括： 步骤1.1， 搜集的气象水文资料包括但不限于降水、 气温、 蒸发 以及流域出口断面的流 量， 数据资料的时间尺度为日尺度或日内尺度； 步骤1.2， 将数据资料划分为训练期、 验证期和 测试期数据； 步骤1.3， 采用步骤1 ‑1收集的降水、 流量实测资料， 依据不同时滞的 降水与流量的相关 系数估算 流域平均产汇流时间， 相关系数最大时对应的时滞数即为 流域平均产汇流时间； 步骤1.4， 根据实际防洪等任务需要， 确定洪水预报的预见期长度， 预见期长度小于等 于流域平均产汇流时间。 3.根据权利要求1所述的基于混合深度学习模型的洪水过程概率预报方法， 其特征在 于， 步骤2具体包括： 步骤2‑1， 根据实际情况选择合 适的概念性水文模型； 步骤2‑2， 根据步骤1整理的数据， 采用SCE ‑UA法率定模型参数， 并验证模型的有效性以 及测试模型性能； 步骤2‑3， 采用步骤2 ‑2测试后的概念性水文模型进行洪水预报， 获得多时段预见期的 流量过程。 4.根据权利要求1所述的基于混合深度学习模型的洪水过程概率预报方法， 其特征在 于， 步骤3具体包括： 步骤3‑1， 将LSTM神经网络耦合至外源输入编码 ‑解码结构EDE结构中， 构建LSTM ‑EDE模 型， 其中， 在EDE结构解码过程中开发出接收概念性水文模型 预报流量过程的接口； 步骤3‑2， 以Y为目标输出变量， 将LSTM ‑EDE模型解码过程的隐含层输出X作 为混合密度 网络MDN的输入， 建立LSTM ‑EDE‑MDN混合深度学习概率预报 模型。 LSTM ‑EDE‑MDN模型输 出多 个核函数的权重w和参数θ， 将核函数按照权重w相加组合为目标变量Y的条件密度函数f(Y| θ,X)： 权　利　要　求　书 1/2 页 2 CN 115329930 A 2式中， m为核函数的数量， 是高斯核函数， wi为第i个核函数的权 重。 5.根据权利要求1所述的基于混合深度学习模型的洪水过程概率预报方法， 其特征在 于， 步骤4具体包括： 步骤4‑1， 设定LSTM ‑EDE‑MDN模型的激活函数和超参数； 步骤4‑2， 按照极大似然估计法构建损失函数， 通过损失函数来优化调整超参数； 步骤4‑3， 采用预报依据时间之前的实测降水和流量资料作为LSTM ‑EDE‑MDN模型编码 过程的输入， 输入时间步数等于流域平均产汇流时间； 采用概念性水文模型预报流量作为 解码过程的输入； LSTM ‑EDE‑MDN模型的输出为每一预报时刻目标变量的条件分布函数， 输 出时间步数等于预见期长度； 另外， 在步骤1收集的数据中整理出适合LSTM ‑EDE‑MDN模型训 练、 验证和 测试的数据集， 包括编码、 解码过程的输入和目标输出变量。 6.根据权利要求1所述的基于混合深度学习模型的洪水过程概率预报方法， 其特征在 于， 步骤4 ‑2中， 构建的损失函数为： 式中， n为一个批次的数据长度； 神经网络通过损失函数量化目标变量在LSTM ‑EDE‑MDN模型输出条件分布函数中的概 率密度大小， 进而调整超参数； LSTM ‑EDE‑MDN模型生成的混合密度函数为f(Y │θ,X)， 在训练 LSTM‑EDE‑MDN模型时， 通过自适应矩估计算法优选出使得目标变量Y在对数似然函数ln(f (Y│θ,X))中概率密度最大的参数。 7.根据权利要求1所述的基于混合深度学习模型的洪水过程概率预报方法， 其特征在 于， 步骤5具体包括： 步骤5‑1， 在步骤4中整 理出相应的输入和目标输出变量分别作为LSTM ‑EDE‑MDN模型训 练、 验证和 测试的数据集， 采用步骤4整理的训练集训练多个LSTM ‑EDE‑MDN模型； 步骤5‑2， 将步骤4整理的验证集代入步骤5 ‑1训练完成的LSTM ‑EDE‑MDN模型中， 获得目 标变量的条件概率分布函数， 以连续排位概率分数指标最小为目标， 在多个LSTM ‑EDE‑MDN 模型中选择验证集泛化 性能最优的网络参数； 步骤5‑3， 根据步骤5 ‑2优选的网络参数， 采用步骤4整理的测试集测试LSTM ‑EDE‑MDN模 型的概率预报性能， 推求出目标变量的条件概率分布函数和确定性预报结果， 同时设定置 信水平， 获得 预报区间， 从而实现量 化预报不确定性。权　利　要　求　书 2/2 页 3 CN 115329930 A 3