(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 202111506875.5 (22)申请日 2021.12.10 (71)申请人 华中科技大 学 地址 430074 湖北省武汉市洪山区珞喻路 1037号 (72)发明人 康玲　周丽伟　李争和　 (74)专利代理 机构 华中科技大 学专利中心 42201 代理人 夏倩 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G06N 5/02(2006.01)G06Q 50/26(2012.01) (54)发明名称 基于深度学习模型可解释研究策略的河道 洪水预测方法 (57)摘要 本发明公开了一种基于深度学习模型可解 释研究策略的河道洪水预测方法， 建立了更直观 可靠的深度学习模型Net ‑T的可解释研究策略， 即采用可解释组件构建模型Net ‑S， 在保证两类 模型预测能力差别最小的前提下， 进行深度学习 模型Net‑T的替代研究， 对模型Net ‑S进行蒸馏训 练， 以将训练后模型Net ‑T所包含的知识提取到 模型Net‑S； 根据训练后的多个模型Net ‑S预测结 果的统计指标， 选取预测结果最佳的训练后的模 型Net‑S， 并确定其最佳输入步长和最佳预测步 长； 基于所述最佳输入步长和最佳预测步长， 采 用所述训练后模型Net ‑T实现对河道断面的水位 或流量进行预测。 权利要求书2页 说明书7页 附图2页 CN 114186734 A 2022.03.15 CN 114186734 A 1.一种基于深度学习模型 可解释研究策略的河道 洪水预测方法， 其特 征在于， 包括： S1， 将历史时间 ‑水位数据或历史时间 ‑流量数据分为原始训练集和原始测试集， 基于 原始训练集对 包含LSTM网络的复杂深度学习模型Net ‑T进行训练； S2， 利用训练后的模型Net ‑T对原始测试集进行预测， 得到预测结果及模型Net ‑T的预 测损失量PT， 并将模型Net ‑T的预测结果作为补充训练集； S3， 运用可解释组件构建多个模型Net ‑S， 并基于原始训练集和补充训练集对模型Net ‑ S进行训练； S4， 基于原始训练集和补充训练集， 以使得Net ‑S和Net‑T的预测总损失量在设置 的总 损失量允许范围内为训练目标， 对 所述多个模 型Net‑S进行蒸馏训练， 以将训练后模 型Net‑ T所包含的知识提取到模型Net ‑S； S5， 根据训练后的多个模型Net ‑S的预测结果的统计指标， 选取预测结果最佳的训练后 的模型Net ‑S， 并确定其 最佳输入步长和最佳 预测步长； S6， 基于所述最佳输入步长和最佳预测步长， 采用所述训练后模型Net ‑T对河道断面的 水位或流 量进行预测。 2.如权利要求1所述的基于深度学习模型可解释研究策略的河道洪水预测方法， 其特 征在于， 所述可解释组件包括： 递归层组件、 周期递归层组件、 时间注意层组件和自回归组 件。 3.如权利要求2所述的基于深度学习模型可解释研究策略的河道洪水预测方法， 其特 征在于， 所述模型Net ‑S至少包括递归层组件、 周期递归层组件、 时间注意层组件和自回归 组件中的任意 一种。 4.如权利要求1所述的基于深度学习模型可解释研究策略的河道洪水预测方法， 其特 征在于， 步骤S4包括： S41， 基于原始训练集和补充训练集， 以交叉熵总损失量L＝αLT+β LS为训练目标， 利用 知识蒸馏算法对初步训练好的模型Net ‑S进行蒸馏训练， 其中LT和LS分别为以原始训练集 和补充训练集训练模型Net ‑S时的交叉熵损失量， α 和β 为蒸馏训练 交叉熵损失权 重； S42， 利用训练后模型Net ‑S对原始预测集进行预测， 得到预测结果及模型Net ‑S的预测 损失量PS； S43， 根据模型Net ‑T的预测损失量PT和模型Net ‑S的预测损失量PS， 计算预测总损失量 P＝|PT‑PS|； S44， 重复子步骤S41 ‑S43， 直至预测总损失量P在设置的总损失量允许 范围内。 5.如权利要求1所述的基于深度学习模型可解释研究策略的河道洪水预测方法， 其特 征在于， 所述 Net‑T的关键结构为预测结果 最佳的训练后的模型Net ‑S的可解释组件。 6.如权利要求5所述的基于深度学习模型可解释研究策略的河道洪水预测方法， 其特 征在于， 采用均方误差、 平均绝对误差及确定性系数评价训练后的模型Net ‑S的预测结果。 7.如权利要求1所述的基于深度学习模型可解释研究策略的河道洪水预测方法， 其特 征在于， 以使得模型Net ‑S预测结果最佳的输入步长和预测步长作为最佳输入步长和最佳 预测步长 。 8.一种基于深度学习模型可解释研究策略的河道洪水预测方法系统， 其特征在于， 包 括： 计算机可读存 储介质和处 理器；权　利　要　求　书 1/2 页 2 CN 114186734 A 2所述计算机可读存 储介质用于存 储可执行指令； 所述处理器用于读取所述计算机可读存储介质中存储的可执行指令， 执行如权利要求 1‑7任一项所述的基于深度学习模型 可解释研究策略的河道 洪水预测方法。权　利　要　求　书 2/2 页 3 CN 114186734 A 3