一种基于改进Informer深度学习框架的河口水位时序预测方法与流程

本发明涉及河口水位时序预测，尤其涉及一种基于改进informer深度学习框架的河口水位时序预测方法。

背景技术：

1、全球范围内，河口地区人口密集，农业、交通以及城市群发达。在全球最大的32个城市中，有22个位于河口附近。但是河口极易受到沿海洪水的影响，特别是在近些年由于全球气候变化导致的海平面上加剧了沿海洪水的发生。因此，准确预测河口水位对保护人类生命财产安全起到至关重要的作用。

2、对于河口区域，当天体引潮力引起的天文潮传播到河口时会受到的水深变化，河口宽度的影响，并且在河口上游水流下泄导致对天文潮存在非线性影响从而对水位的预测存在困难。所以在该地区由于动力与地貌的复杂性，进而对潮位的预测产生了较大的难度。过去有许多研究基于传统物理模型分析海洋动力与河流动力的相互作用来预测水位，但是由于其昂贵的计算成本并且需要河口上游下泄河流的径流数据，所以在实际的预测过程中存在一定难度。

技术实现思路

1、有鉴于此，本发明的目的在于提出一种基于改进informer深度学习框架的河口水位时序预测方法，能够至少解决一个背景技术中提及的技术问题。

2、根据本发明的一个方面，提供一种基于改进informer深度学习框架的河口水位时序预测方法，

3、获取待预测位置处的水位时间序列数据；

4、将待预测位置处的水位时间序列数据分解为若干特征参数；

5、针对每个特征参数，将其作为数据的输入，通过每个特征参数对应的预训练的pso-informer神经网络模型，输出预测的特征参数；该pso-informer神经网络模型在训练时通过pso算法调整模型超参；所述pso-informer神经网络模型包括：n组神经网络子单元，每个子单元包含一个informer网络和一个pso调整单元；其中：

6、informer网络，被配置为针对每个特征参数，将其作为数据的输入，通过每个特征参数输出预测的特征参数；

7、pso调整单元，被配置为在训练时通过pso算法调整模型超参；

8、将所有预测的特征参数相加，获取预测的水位时间序列。

9、在上述技术方案中，对于现有的基于机器学习的河口区域水位预测模型，采用的机器学习方法有rnn、lstm以及transformer等主流的时间序列预测方法，尽管以上算法在时间序列预测方面具有不俗的表现，但是仍有不足之处。如rnn以及lstm等循环神经网络采用逐步处理序列数据的方式，在捕捉序列中远程依赖关系时效率较低，所以只能有效地捕捉到短期的时间依赖性，对于较长时间序列的预测效果相对于transformer低。transformer由于采用自注意力机制对整个输入序列进行全面的注意力计算，所以对于长时间序列的预测优于循环神经网络，但是随着序列长度的增加，计算资源需求和内存消耗会显著上升。informer在transformer基础上，通过改进注意力机制和分层架构设计，减少了不必要的计算，尤其在长序列任务中，可以大幅提升计算效率，减少训练和推理时间并能保证和transformer相同的预测效果。同时，informer超参数的选取对informer训练效果起到重要作用，对于人工设置超参数具有耗时耗力且寻找最优超参数不够准确，所以在informer框架中加入pso来优化超参数，pso优化算法具有参数调整相对简单的特点，因此，在应用中可以较容易地根据问题特性调优参数以获得更好的性能。综上，本发明提出一种基于改进informer深度学习框架的河口时序预测方法。

10、在一些实施例中，将待预测位置处的水位时间序列数据分解为若干特征参数，具体地：采用完全集合经验模态分解的自适应噪声辅助方法，将待预测位置处的水位时间序列数据分解为若干本征模态函数。

11、在上述技术方案中，相较于传统分段方法，将时间序列分解为若干个模态能够降低训练模型的难度。因为分解出的若干本征模态函数其信号复杂度小于原信号，利于模型的训练；并且根据不同频率的本征模态函数来分别训练模型能较好的捕捉到不同尺度下的时间序列信息。经典模态分解的变体有eemd、ceemd等，在本案中采用ceemdan，相较于eemd、ceemd的优点在于减小模态混掺、提高分解的精度。在本案中使用ceemdan带来的优点主要是分解的若干模态相加后与原信号的残差非常小（见图5），所以可以直接对若干本征模态函数进行模型训练而不需要考虑残差的影响。如果采用eemd、ceemd的方法分离模态后残差较大，可能要对残差单独再训练一个模型，而对残差的训练其难度较大，训练的模型精度不够可能会引入新的误差。

12、在一些实施例中，将所有预测的特征参数相加，获取预测的水位时间序列，具体地：

13、将所有模型预测的本征模态函数imfs结果相加，即可获得预测的水位时间序列。

14、在上述技术方案中，ceemdan分离后的残差非常小，因此imfs结果相加时不需要叠加残差部分。

15、在一些实施例中，在预测过程中通过pso算法调整模型超参，具体地：选取informer框架中的特征维度、稀疏注意力机制因子、dropout三个超参数作为使用pso优化的超参数。

16、在上述技术方案中，选用上述三个超参数得原因在于，对informer框架而言，这三个参数对模型训练的效果起到重要的作用。特征维度与稀疏注意力因子代表训练模型的复杂度，起到平衡模型准确性与训练花销的作用，而dropout参数在机器学习中是一个防止过拟合的重要参数。综上选择这三个参数很大程度上决定了模型的效果，并且优化参数个数的选择也考虑到了采用pso算法优化所需的时间，若优化参数太多其时间成本也需要大幅增加。

17、根据本发明的另一方面，提供一种pso-informer神经网络的训练方法，所述神经网络包括n组神经网络子单元，每个子单元包含一个informer网络和一个pso调整单元，所述训练方法包括如下步骤：

18、获取样本水位时间序列数据；

19、将样本水位时间序列数据，各自分解为n个特征参数，并获取样本水位时间序列数据对应特征参数各自的真实标签；

20、针对样本水位时间序列数据的每个特征参数，将其作为数据的输入；初始化每个特征参数对应的神经网络子单元中，informer网络的超参以及pso调整单元的粒子位置；informer网络根据初始化粒子的位置以及特征参数进行训练，并获得每个特征参数对应的预测标签；

21、针对每组神经网络子单元，根据神经网络子单元的预测标签和对应的真实标签计算得到第一损失值；基于第一损失值，pso调整单元调整粒子位置以及行进速度优化informer网络的超参，并将该超参及粒子位置以及行进速度作为下一轮迭代的初始参数；

22、重复上述步骤，训练所述神经网络。

23、在上述技术方案中，为了更好的使用上述方法，本技术提出一种pso-informer神经网络的训练方法，训练方法得步骤对应上述方法的各个步骤，其具体的原理已在上文中描述，此处不再赘述。

24、在一些实施例中，所述超参包括特征维度、稀疏注意力机制因子、dropout。

25、根据本发明的再一个方面，提供一种基于改进informer深度学习框架的河口水位时序预测装置，基于上述的方法；包括依序连接的：

26、获取模块，用于获取待预测位置处的水位时间序列数据；

27、分解模块，用于将待预测位置处的水位时间序列数据分解为若干特征参数；

28、预测模块，用于针对每个特征参数，将其作为数据的输入，通过每个特征参数对应的预训练的pso-informer神经网络模型，输出预测的特征参数；该pso-informer神经网络模型在训练时通过pso算法调整模型超参；

29、输出模块，用于将所有预测的特征参数相加，获取预测的水位时间序列。

30、在上述技术方案中，为了更好的使用上述方法，本技术提出一种基于改进informer深度学习框架的河口水位时序预测装置，各个模块对应上述方法的各个步骤，其具体的原理已在上文中描述，此处不再赘述。

31、根据本发明的再一个方面，提供一种基于改进informer深度学习框架的河口水位时序预测设备，包括：

32、至少一个处理器以及与所述至少一个处理器通信连接的存储器；

33、其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的方法。

34、在上述技术方案中，为了更好的运行和处理该方法，将上述方法存储至存储器，并利用处理器来执行存储的方法。需要注意的是，每个步骤的原理和效果已在上文描述，此处不再展开说明。

35、根据本发明的再一个方面，提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。

36、在上述技术方案中，为了更好的运行和使用该方法，将上述方法存储至计算机可读存储介质，并利用处理器来实现上述方法。需要注意的是，每个步骤的原理和效果已在上文描述，此处不再展开说明。