1.一种基于Seq2Seq模型的中长期径流预报方法,其特征在于,包括如下步骤:
步骤1,获取要预报水文站的日均历史径流数据并进行数据预处理;将无缺失数据的日均径流数据先进行Min-Max标准化,然后进行Box-Cox变换,并将处理过的数据按照日均、月均、季均和年均整理成四组;
步骤2,将日均、月均、季均和年均的四组径流数据分别分为训练数据和测试数据,利用Seq2Seq模型的训练及测试数据的表现结果选出使Seq2Seq模型径流预报精度最高的输入时间步长、批次大小和隐藏层神经元个数作为模型的输入时间步长、批次大小和隐藏层神经元个数;最后将训练好的模型进行封装,得到四个径流预报模型,分别是日均径流预报模型、月均径流预报模型、季均径流预报模型和年均径流预报模型;
步骤3,选择预报模型,将根据各预报模型的预测结果进行算术加权耦合得出最终的径流预报结果,将预报结果进行Box-Cox反变换和Min-Max反标准化,将预测结果进行输出。
2.根据权利要求1所述的基于Seq2Seq模型的中长期径流预报方法,其特征在于,所述步骤3中,若进行日均径流预报,四个径流预报模型进行算术加权耦合得出最终的径流预报结果,将预报结果进行Box-Cox反变换和Min-Max反标准化,将预测结果进行输出;若进行月均径流预报,将月均、季均和年均径流预报模型进行算术加权耦合得出最终的径流预报结果,将预报结果进行Box-Cox反变换和Min-Max反标准化,将预测结果进行输出;若进行季均径流预报,将季均和年均径流预报模型进行算术加权耦合得出最终的径流预报结果,将预报结果进行Box-Cox反变换和Min-Max反标准化,将预测结果进行输出;若进行年均径流预报,则年均径流预报模型得出的预测结果使最终的径流预报结果,将预报结果进行Box-Cox反变换和Min-Max反标准化,将预测结果进行输出。
3.根据权利要求1所述的基于Seq2Seq模型的中长期径流预报方法,其特征在于,所述步骤1中,获取要预报水文站的日均历史径流数据并进行数据预处理,如果日均径流数据存在缺失,需对日均径流数据进行拉格朗日二次差值;
其中拉格朗日的二次差值多项式公式为:
L
通过缺失日均径流数据的前三天的径流数据确定缺失径流数据的值,将所得的值填充进日均径流数据,得到一个连续的日均径流数据;式中x表示要进行插值的日均径流时间序列中缺失的日均径流数据的序列号,x
4.根据权利要求1所述的基于Seq2Seq模型的中长期径流预报方法,其特征在于,所述步骤1中,将连续的日均径流数据先进行Min-Max标准化,然后进行Box-Cox变换;
Min-Max标准化公式为:
使日均径流数据变为数值介于0-1的数,式中x
得到最终的数据预处理层的输出结果;式中x
5.根据权利要求1所述的基于Seq2Seq模型的中长期径流预报方法,其特征在于,所述步骤2中,将日均径流数据、月均径流数据、季均径流数据和年均径流数据四组径流数据按照每组数据的70%作为训练数据,其余30%作为测试数据。
6.根据权利要求1所述的基于Seq2Seq模型的中长期径流预报方法,其特征在于,所述步骤2中利用pytorch神经网络框架中torch.nn.GRU神经网络函数搭建一个1层隐藏层的Encoder层和一个1层隐藏层的Decoder层的Seq2Seq神经网络模型,将搭建好的模型根据预设的参数对训练数据进行训练学习并更新模型参数,将训练好的模型通过eval函数转换为测试模型,根据训练集训练好的参数对测试集进行测试。
7.根据权利要求1所述的基于Seq2Seq模型的中长期径流预报方法,其特征在于,获取日均径流数据,并复制一份日均径流数据,月均径流数据是通过日均径流数据进行每月的累计求和然后得到每月的平均径流数据,每月的平均径流数据便组成月均径流数据;同理,季均径流数据是通过月均径流数据进行每个季度的累计求和得到季度平均径流数据,每个季度的平均径流数据进行组合便成为季均径流数据;年均径流数据是通过季均径流数据进行每年的累计求和得到年平均径流数据,每年的平均径流数据进行组合便成为年均径流数据。
8.一种基于Seq2Seq模型的中长期径流预报系统,其特征在于,包括数据预处理层,模型构建、训练、调参、封装层,以及结果输出层;
数据预处理层:获取要预报水文站的日均历史径流数据,观测所提供日均径流数据是否连续,若存在数据缺失的情况,通过拉格朗日差值公式对日均径流数据进行拉格朗日二次差值,得到一个连续的日均径流数据;接着将得到的连续日均径流数据通过Min-Max标准化,最后将这些经过Min-Max标准化后的日均径流数据进行Box-Cox变换,并将处理过的日均径流数据按照相应方法整理成日均、月均、季均和年均四组径流数据,得到最终的数据预处理层的输出结果;
模型构建、训练、调参、封装层:将日均、月均、季均和年均的四组径流数据分别分为训练数据和测试数据利用模型的训练及测试数据的表现结果对模型的输入时间步长、批次大小和隐藏层神经元个数进行参数调优,选取模型径流预报精度最高时的模型输入步长、批次大小和隐藏层神经元个数作为模型参数调优的结果;最后将训练好的模型分别进行封装,分别得到日均、月均、季均和年均径流预报模型;
结果输出层:选择封装模型,将根据各封装模型的预测结果进行算术加权耦合得出最终的径流预报结果,将预报结果进行Box-Cox反变换和Min-Max反标准化,将预测结果进行输出。
9.根据权利要求8所述的基于Seq2Seq模型的中长期径流预报系统,其特征在于,所述模型构建、训练、调参、封装层包括:模型构建:将数据预处理层的输出结果分为训练集和测试集,利用pytorch神经网络框架中torch.nn.GRU神经网络函数搭建一个1层隐藏层的Encoder层和一个1层隐藏层的Decoder层的Seq2Seq神经网络模型,将搭建好的模型根据预设的参数对训练集进行训练学习并更新模型参数,将训练好的模型通过eval函数转换为测试模型,根据训练集训练好的参数对测试集进行测试;
模型训练:将搭建好的模型根据预设的参数对样本进行训练学习并更新模型参数,将训练好的模型通过eval函数转换为测试模型,根据训练集训练好的参数对测试集进行测试,对测试结果进行模型评价;
模型调参:模型隐藏层的神经元数m通过试错法确定,在设定区间取不同的值,选取促使率定期样本集的纳什效率系数为最小时的神经元的个数作为隐藏层的最优神经元数;将不同的预选预报因子组合作为Seq2Seq径流预报模型的输入层,所以Seq2Seq径流预报模型的输入层元素由预选预报因子的组合方案所确定,通过取不同的隐藏层神经元个数m所得的NSE值来分析选取不同预报因子个数时模型的预报性能;
模型封装:将通过训练、调参后的模型进行封装,将模型的训练参数进行保存,以便后续径流预报使用。
10.一种计算机可读存储介质,其特征在于:该计算机可读存储介质存储有执行如权利要求1-7中任一项所述的基于Seq2Seq模型的中长期径流预报方法的计算机程序。