(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111477271.2 (22)申请日 2021.12.0 6 (65)同一申请的已公布的文献号 申请公布号 CN 114154417 A (43)申请公布日 2022.03.08 (73)专利权人 中国水利水电科 学研究院 地址 100048 北京市海淀区车公庄西路20 号 (72)发明人 王帆　张大伟　向立云　姜晓明　 张洪斌　杜晓鹤　 (74)专利代理 机构 北京国林贸知识产权代理有 限公司 1 1001 专利代理师 李瑾　李连生 (51)Int.Cl. G06F 30/27(2020.01) G01W 1/10(2006.01) G06K 9/62(2022.01) G06N 3/08(2006.01) (56)对比文件 CN 110929956 A,2020.0 3.27 CN 111832810 A,2020.10.27CN 113742910 A,2021.12.0 3 CN 113378484 A,2021.09.10 CN 109615 011 A,2019.04.12 CN 112785043 A,2021.0 5.11 CN 110288157 A,2019.09.27 CN 111080107 A,2020.04.28 CN 111027764 A,2020.04.17 CN 109583 565 A,2019.04.0 5 CN 111027763 A,2020.04.17 徐源浩等.基于长短时记 忆 （LSTM） 神经网络 的黄河中游洪水过程模拟及预报. 《北京师 范大 学学报 （自然科 学版） 》 .2020,第5 6卷(第3期), Le Yan等.A stream predicti on model based on attention-LSTM. 《Earth Science Informati on》 .2021, 郭炅等.长短期记 忆模型在小流 域洪水预报 上的应用研究. 《水资源研究》 .2019,第8卷(第1 期), 王继民等.基 于集成学习的中小河流洪水 预 报. 《计算机与现代化》 .2021,(第5期), (续) 审查员 刘素兵 (54)发明名称 基于深度学习框架的洪水预报模型及洪水 预报方法 (57)摘要 本发明公开了一种基于深度学习框架的洪 水预报模型及洪水预报方法， 模 型的构建包括以 下步骤： 1)收集和整理流域降雨、 流量数据； 2)洪 水场次划分并关联降雨过程； 3)确定模型的输 入、 输出时段数； 4)数据归一化处理； 5)场次降雨 洪水划分和训练样本构建； 6)预报模型构建； 7) 模型训练及超参数调整。 本发明的预报模型， 能 够实现以流域点雨量而非面雨量作为模型输入， 能够实现将前期降雨与流量过程同时作为模型 输入， 并能够实现将预报降雨数据作为模型输 入， 能够有效提高洪水 预报精度。 [转续页] 权利要求书3页 说明书10页 附图4页 CN 114154417 B 2022.06.07 CN 114154417 B (56)对比文件 Xuan-Hien Le等.Ap plication of Long Short-Term Memory (LSTM) Neural Netw ork for Flood Forecasti ng. 《water》 .2019, Yukai Di ng等.Spati o-Temporal Attention LSTM Model for Fl ood Forecasti ng. 《2019 I nternati onal Conference o n Internet of Thi ngs (iThings) and IE EE Green Computi ng and Communications (GreenCom) and IE EE Cyber, Physical and Social Computi ng (CPSCom) and IEEE Smart Data (SmartData)》 .2019, 司伟等.基 于面平均雨 量误差修正的实时洪 水预报修正方法. 《湖泊科 学》 .2018,第3 0卷(第2 期), 马瑜君等.基于深度学习的中小河流洪水 预 报方法研究. 《国外电子测量 技术》 .2018,第37 卷 (第12期),2/2 页 2[接上页] CN 114154417 B1.一种基于深度学习框架的洪水 预报模型构建方法， 其特 征在于， 包括以下步骤： 1)收集和整理流域降雨、 流量数据： 收集流域内雨量站及水文站观测数据， 处理获得等 时段时间序列， 包括： 流域各个雨量站的点雨量时间序列、 流域面雨量时间序列及流域出口 流量时间序列； 2)洪水场 次划分并关联降雨过程： 根据流域出口流量时间序列划分洪水场 次； 将场次 洪水与场次降雨进行匹配关联， 依 次寻找每个场次洪水序列所关联的降雨事件， 筛选掉无 法找到关联降雨事件的洪水事件， 从而得到元素一一关联的降雨事件集合与洪水事件集 合； 3)确定模型的输入时长Tin、 输出时长Tout； 4)数据归一化处理： 采用线性归一化方法对步骤2)中获得的所有场次洪水数据及关联 的点、 面雨量数据进行 预处理； 5)场次降雨洪水划分和训练样本构建， 包括以下步骤： 5‑1根据步骤3)中计算的模型输入时长Tin、 输出时长Tout， 对归一化处理后的场次降雨 洪水数据进行样本提取， 方式为： 对于场次洪水数据， 由各场次洪水对应的降雨事件开始时刻起， 设置滑动窗口， 窗口大 小为Tin+Tout， 设由降雨事件开始时刻至洪水结束时刻的时长为T， 则可滑动提取T ‑(Tin+ Tout)+1个洪水样本； 此样本分为两部分， 其中滑动窗口提取序列的前部大小为Tin的子序列 为模型的输入序列， 后部大小为Tout的子序列为输入序列的标记序列； 对于点雨量数据， 由各场次洪水对应的降雨事件开始时刻起， 设置滑动窗口， 窗口大小 为Tin+Tout， 设由降雨事件开始时刻 至洪水结束时刻的时长为T， 则可滑动提取T ‑(Tin+Tout)+ 1个点雨量样本； 在此样本基础上， 进一步将 滑动窗口提 取序列的前部大小为Tin的子序列提 取出来， 作为模型的输入序列； 对于面雨量数据， 由各场次洪水对应的降雨事件开始时刻起， 设置滑动窗口， 窗口大小 为Tin+Tout， 设由降雨事件开始时刻 至洪水结束时刻的时长为T， 则可滑动提取T ‑(Tin+Tout)+ 1个面雨量样本； 在此样本基础上， 进一步将滑动窗口提取序列的后部大小为Tout的子序列 提取出来， 作为模型的输入序列； 5‑2样本构建： 从步骤5 ‑1中提取的所有样本中随机选取10％作为验证集样本， 其余作 为训练集样本； 6)预报模型构建： 模型结构采用双阶段注意力机制， 两阶段注意力机制分别作用于Encoder和Decoder部 分； 第一阶段为输入注 意力， 在Encoder部分通过注意力机制在多个驱动因素中进行自适应 选择， 模型 的输入数据为流域内各雨量站的点雨量和 流域出口流量， 模型在各个时刻通过 注意力机制为各点雨量和出口流量分配权重， 获得加权输入向量 第二阶段为时间注 意力， 在Decoder部分， 通过注 意力机制为Encoder各时刻的隐藏状态分配权重， 并获得加权 特征向量c(t)； 7)模型训练及超参数调整， 包括以下步骤： 7‑1设置模型训练样本， 训练样本包含三部分内容： 第一部分为Encoder部分的输入， 为 各站点雨量和流域出口流量拼接的向量； 第二部 分为Decoder的输入， 包括当前时刻的面雨权　利　要　求　书 1/3 页 2 CN 114154417 B 3