一种基于Transformer的变时段洪水预测方法

本发明涉及洪水预测，尤其是一种基于transformer的变时段洪水预测方法。

背景技术：

1、洪水灾害作为全球范围内最严重的自然灾害之一，对人类社会和自然环境构成了巨大威胁。随着气候变化和人口增长的影响，洪水的频发和破坏力在不断加剧。

2、传统的洪水预测方法主要依赖于大量的历史水文数据，通过分析降雨量、河流流量和地形信息来预测洪水的发生和影响。已有的洪水模拟方法包括基于物理水文模型和数据驱动模型，通过以整时段的水文气象数据为基础输入和输出数据，如小时尺度、天尺度。

3、但它们都是基于等时段的数据进行训练和验证，而且最大降雨导致的最大洪峰往往发生在跨时段的区域，并没有被等时段数据很好的反映，致使模拟的洪峰存在偏差。

技术实现思路

1、针对现有技术的不足，本发明提供一种基于transformer的变时段洪水预测方法，本发明能够自动识别跨时段的降雨事件，并根据最大短历时雨量生成新的不等时段降雨序列，能够更准确地反映最大降雨和洪水峰值的关系，提高洪水模拟的准确性和可靠性。

2、本发明的技术方案为：一种基于transformer的变时段洪水预测方法，包括以下步骤：

3、s1)、获取等时段的水文气象数据，并对其进行预处理；

4、s2)、构建transformer模型并对构建的transformer模型进行训练；

5、s3)、对流域降水进行变时段水量重分配；

6、s4)、对于每个时间步，将重新分配的降雨量组成的数据输入训练好的transformer模型，经过位置编码、多头自注意力机制和前馈神经网络处理后，通过全连接层输出预测径流序列。

7、作为优选的，步骤s1)中，所述的等时段的水文气象数据包括流域降水、温度、湿度和径流。

8、作为优选的，步骤s1)中，所述的预处理为对等时段的水文气象数据进行缺失值和噪声处理，以确保在时间尺度上对齐，并对水文气象数据进行标准化处理。

9、作为优选的，步骤s1)中，按照10倍交叉验证原则将预处理后的等时段的水文气象数据划分为训练数据集和验证数据集；其中，将流域降水、温度、湿度作为输入，将径流作为输出。

10、作为优选的，步骤s2)中，所述的transformer模型包括多层编码器、多层解码器、以及全连接层和隐藏层；每层所述的编码器包括相应的多头自注意力机制和前馈神经网络；每层解码器包括相应的多头自注意力机制、编码器-解码器注意力机制和前馈神经网络。

11、作为优选的，步骤s2)中，所述的transformer模型的输入特征维度为n，将时间序列信息嵌入到输入特征中：

12、

13、

14、式中，pe(pos,2i)表示第pos个位置和第2i个维度上的位置编码值，dmodel为嵌入向量的总维度。

15、作为优选的，步骤s2)中，所述的多头自注意力机制的表达式为：

16、

17、式中，q是查询矩阵，k是键矩阵，v是值矩阵；为缩放因子。

18、作为优选的，步骤s2)中，所述的前馈神经网络的表达式为：

19、ffn(x)＝max(0,xw1+b1)w2+b2

20、其中，w1和w2是权重矩阵，b1和b2是偏置向量；输入向量x是从自注意力机制或前一层输出得到的嵌入表示。

21、作为优选的，步骤s2)中，使用训练数据集所述的transformer模型进行训练，其中训练轮次设置为100个epoch；学习率设置为0.0001。

22、作为优选的，步骤s3)中，变时段水量重分配具体包括如下步骤：

23、s31)、选择滑动窗口的大小；

24、s32)、使用滑动窗口遍历整个时间序列数据；对于每个滑动窗口，计算其总降雨量：

25、

26、式中，ri为第i个滑动窗口的累计降雨量，pj为第j个时间步的降雨量，w为滑动窗口大小；

27、s33)、初始化最大累积降雨量rmax和其对应时间段[tstart,tend]，遍历所有滑动窗口，计算每个滑动窗口的降雨量，如果当前滑动窗口的降雨量ri大于记录的最大累积降雨量rmax，则更新最大降雨量和对应的时间段，即：

28、rmax＝max(ri)；

29、[tstrart,tend]＝[ti,ti+w-1]；

30、其中，ti、ti+w-1为第i个滑动窗口的时间段；

31、s34)、将最大降雨量rmax对应的时间段ti,ti+w-1重新划分为跨时段的最大降雨时间段和两个正常时段，并计算跨时段的最大降雨时间段和两个正常时段的降雨量，并确保时间段ti,ti+w-1内的总降雨量保持不变，即：

32、

33、式中，t1，t2为时间段ti,ti+w-1的原始时段，分别为原始时段t1，t2对应的降雨量；tm为最大降雨时间段；t′1、t′2分别为两个新的时段；分别为t′1、tm、t′2对应的降雨。

34、作为优选的，步骤s4)、将重新分配的降雨量与温度tt、湿度ht形成新的输入矩阵xt,new，即：

35、xt,new＝[p′t-1,ptm,p′t,tt,ht,…]

36、式中，p′t-1、p′t分别为t-1、t时刻对应的新的降雨。

37、然后将输入矩阵xt,new输入到训练好的transformer模型，经过位置编码、多头自注意力机制和前馈神经网络处理后，生成新的径流序列：

38、q′t-1,qtm,q′t＝transformer(xt,new)；

39、其中，q′t-1为，q′t为t-1、t时刻对应的新的径流量，qtm为最大降雨时间段tm对应的径流。

40、本发明的有益效果为：

41、1、本发明能够自动识别跨时段的降雨事件，并根据最大短历时雨量生成新的不等时段降雨序列；通过transformer模型从而生成时间分辨率更高的不等时段洪水序列；

42、2、本发明能够更准确地反映最大降雨和洪水峰值的关系，提高洪水模拟的准确性和可靠性；

43、3、本发明通过识别最大降雨发生的时间段，并生成对应的降雨序列；然后利用这些调整后的数据进行洪水模拟，生成的洪水序列能够更精确地捕捉到洪水峰值的变化和特征；不仅提高了洪水预测的准确性，还为防灾减灾提供了更有力的技术支持。

1.一种基于transformer的变时段洪水预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于transformer的变时段洪水预测方法，其特征在于：步骤s1)中，所述的等时段的水文气象数据包括流域降水、温度、湿度和径流。

3.根据权利要求2所述的一种基于transformer的变时段洪水预测方法，其特征在于：步骤s1)中，所述的预处理为对等时段的水文气象数据进行缺失值和噪声处理，以确保在时间尺度上对齐，并对水文气象数据进行标准化处理。

4.根据权利要求3所述的一种基于transformer的变时段洪水预测方法，其特征在于：步骤s1)中，按照10倍交叉验证原则将预处理后的等时段的水文气象数据划分为训练数据集和验证数据集；其中，将流域降水、温度、湿度作为输入，将径流作为输出。

5.根据权利要求1所述的一种基于transformer的变时段洪水预测方法，其特征在于：步骤s2)中，所述的transformer模型包括多层编码器、多层解码器、以及全连接层和隐藏层；每层所述的编码器包括相应的多头自注意力机制和前馈神经网络；每层解码器包括相应的多头自注意力机制、编码器-解码器注意力机制和前馈神经网络。

6.根据权利要求5所述的一种基于transformer的变时段洪水预测方法，其特征在于：步骤s2)中，所述的transformer模型的输入特征维度为n，将时间序列信息嵌入到输入特征中：

7.根据权利要求5所述的一种基于transformer的变时段洪水预测方法，其特征在于：步骤s2)中，所述的多头自注意力机制和前馈神经网络的表达式分别为：

8.根据权利要求5所述的一种基于transformer的变时段洪水预测方法，其特征在于：步骤s2)中，使用训练数据集对所述的transformer模型进行训练，其中，训练轮次设置为100个epoch；学习率设置为0.0001。

9.根据权利要求1所述的一种基于transformer的变时段洪水预测方法，其特征在于：步骤s3)中，对流域降水进行变时段水量重分配具体包括如下步骤：

10.根据权利要求9所述的一种基于transformer的变时段洪水预测方法，其特征在于：步骤s4)、将重新分配的降雨量与温度tt、湿度ht形成新的输入矩阵xt,new，即：