(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 202211268814.4 (22)申请日 2022.10.17 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路2号 (72)发明人 叶磊　王梦云　欧阳文宇 　刘海星　 辛卓航　张弛　顾学志　李晓阳　 孟子文　 (74)专利代理 机构 北京智桥联合知识产权代理 事务所(普通 合伙) 11560 专利代理师 涂华明 (51)Int.Cl. G06Q 10/04(2012.01) G06F 16/29(2019.01) G06F 16/2458(2019.01)G06N 3/04(2006.01) G06N 3/063(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于网格降雨信息的CNN-LSTM卷积循 环神经网络水文预报校正方法 (57)摘要 本发明属于流域水文预报误差校正技术领 域， 且公开了一种基于网格降雨信息的CNN ‑LSTM 卷积循环神经网络水文预报校正方法， 水文预报 校正方法总共分为三个主要步骤， 分别为收集水 文要素、 构建CNN ‑LSTM卷积循环神经网络 校正模 型和模型验证与误差校正。 本发 明将收集的数据 作为模型的输入特征， 利用历史观测数据、 预报 数据训练和确定模型结构， 挖掘预报影响因素、 时空特征与预报误差之间的相关关系， 利用实际 预报降雨径 流资料对模型进行验证， 实现水文预 报误差智能校正， 该模型具有较高的精度， 尤其 在汛期， 校正后的预报流量精度有明显的提高， 有效地应对误差规律的非线性特点， 为人工智能 在流域水文预报领域的 “分布式”应用奠定 基础。 权利要求书1页 说明书7页 附图2页 CN 115511206 A 2022.12.23 CN 115511206 A 1.一种基于网格降雨信息的CNN ‑LSTM卷积循环神经网络水文预报校正方法， 其特征在 于： 所述水文预报校正方法总共分为三个主要步骤， 分别为收集水文要 素、 构建CNN ‑LSTM卷 积循环神经网络校正模型和模型验证与误差校正， 具体方法内容 为： 收集水文要素： 包括历史降雨数据、 历史流量数据、 预报降雨数据、 预报流量数据等， 构 建初始数据集， 作为卷积循环神经网络校正模型的输入特 征； 构建CNN‑LSTM卷积循环神经网络校正模型： 通过卷积神经网络(CNN)利用历史降雨径 流观测数据、 预报数据训练和确 定CNN‑LSTM模型的结构， 挖掘降雨等预报影响因素时空特 征与预报误差之间的相关 关系； 模型验证与误差校正： 利用实 际预报降雨径流资料对模型进行验证， 实现水文预报误 差校正。 2.根据权利 要求1所述的一种基于 网格降雨信息的CNN ‑LSTM卷积循环神经网络水文预 报校正方法， 其特征在于： 所述卷积循环神经网络校正模型 的输入特征包括有站点降雨量 数据， 采用反距离 权重插值法插值成网格降雨数据， 流 量数据采用线性插值法补全。 3.根据权利 要求1所述的一种基于 网格降雨信息的CNN ‑LSTM卷积循环神经网络水文预 报校正方法， 其特征在于： 所述卷积神经网络(CNN)由卷积层、 池化层两种主要类型的层构 造， 卷积层由多个滤波器组成， 滤波器由可训练权值构 造， 每个滤波器通过一个输入层卷积 产生一个输出图像和一个非线性激活函数。 4.根据权利 要求1所述的一种基于 网格降雨信息的CNN ‑LSTM卷积循环神经网络水文预 报校正方法， 其特征在于： 所述长短期记忆循环神经网络(LSTM)由输入层、 隐藏层和输出层 构造， 所述隐藏层中每 个LSTM单 元含有输入门、 遗 忘门和输出门三个控制状态的门控。 5.根据权利 要求1所述的一种基于 网格降雨信息的CNN ‑LSTM卷积循环神经网络水文预 报校正方法， 其特征在于： 所述模型验证具体包括模型训练， 优化模 型参数和选取最优模型 三个步骤。 6.根据权利 要求1所述的一种基于 网格降雨信息的CNN ‑LSTM卷积循环神经网络水文预 报校正方法， 其特征在于： CNN ‑LSTM卷积循环神经网络主要由卷积神经网络(CNN)和长短期 记忆循环神经网络(LSTM)共同组成。权　利　要　求　书 1/1 页 2 CN 115511206 A 2一种基于网格降雨信息的CN N‑LSTM卷积循环神经 网络水文预 报校正方法 技术领域 [0001]目前水文预报 过程通常是业务人员基于各种预报系统做出初步预报， 再结合降雨 观测站、 雷达图等降雨空间分布信息及上游水库放水信息， 对初步预报结果调整， 本质上属 于人工校正， 由于流域空间异构性 强， 降雨网格数量多， 人为判断暴雨中心只能大致判断暴 雨中心在上游、 中游还是下游， 无法精确提取降雨分布信息， 且人工误差判断依赖操作人员 对系统预报结果误差的认识， 无法充分挖掘误差的规律以及误差和不同暴雨之间的关联， 纯粹依靠人工经验会给预报结果校正带来较大不确定性， 现阶段常用的误差校正方法多基 于预报误差统计分析， 利用误差规律来更新当前场次预测， 如自回归修正算法、 递归最小二 乘法、 卡尔曼滤波算法等， 由于误差规律的复杂性， 导致了从误差数据本身找自相关性进 行 校正的效果不理想， 因此， 为提高人工校正水平， 需要对流域降雨径流过程与误差规律关系 进一步挖掘， 通过 科学手段更好地校正预报系统产生的预报结果。 发明内容 [0002]本发明的目的在于提供一种基于网格降雨信息的CNN ‑LSTM卷积循环神 经网络水 文预报校正方法， 以解决上述背景技 术中提出的问题。 [0003]为了实现上述目的， 本发明提供如下技术方案： 一种基于网格降雨信息的CNN ‑ LSTM卷积循环神经网络水文预报校正方法， 所述水文预报校正方法总共分为三个主要步 骤， 分别为 收集水文要素、 构建CNN ‑LSTM卷积循环神经网络校正模型和模型验证与误差校 正， 具体方法内容 为： [0004]收集水文要素： 包括历史降雨数据、 历史流量数据、 预报降雨数据、 预报流量数据 等， 构建初始数据集， 作为卷积循环神经网络校正模型的输入特 征； [0005]构建CNN‑LSTM卷积循环神经网络校正模型： 通过卷积神经网络(CNN)利用历史降 雨径流观测数据、 预报数据训练和确 定CNN‑LSTM模型的结构， 挖掘降雨等预报影响因素时 空特征与预报误差之间的相关 关系； [0006]模型验证与误差校正： 利用实际预报降雨径流资料对模型进行验证， 实现水文预 报误差校正。 [0007]优选地， 所述卷积循环神经网络校正模型的输入特征包括有站点降雨量数据， 采 用反距离 权重插值法插值成网格降雨数据， 流 量数据采用线性插值法补全； [0008]反距离权重插值法计算公式如下： [0009] [0010] [0011]式中， (x,y)为网格点的坐标， (xi,yi)为雨量站(气象站)点的坐标， P为方次参数， n说　明　书 1/7 页 3 CN 115511206 A 3