(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 202111446605.X (22)申请日 2021.11.30 (71)申请人 武汉珞水智能科技有限公司 地址 430074 湖北省武汉市东湖新 技术开 发区光谷大道58号关南福星医药园4 栋8层08室- 5号(自贸区武汉片区) (72)发明人 万俊　于耀翔　 (51)Int.Cl. G06F 30/27(2020.01) G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/08(2020.01) G06F 113/08(2020.01) (54)发明名称 一种基于ARIMA-HRNN的多维实时洪水预报 方法 (57)摘要 本发明涉及洪水预报技术领域(IPC分类号： G06Q10/04)， 尤其涉及一种基于ARIMA ‑HRNN的多 维实时洪水预报方法。 包括以下步骤： S1.采用卷 积核函数来平滑局部噪声； S2.使用HRNN进行特 征提取； S3.采用了时间序列注意力机制， 对上游 水库的流出流量、 降雨等输入向量分配各种注意 力权重； S4.采用ARIMA添加线性分量增强预测； S5.添加权重平均模块将HRNN输出结果与ARIMA 回归值加权平均融合。 本发明将动态回归模块和 深度学习模块的输出结合起来进行融合， 并在预 测结果中加入线性成分， 使预测结果能够适应由 于尺度转换而导致的输入期尺度的变化。 此外， ARIMA‑HRNN模型可以有效地描述水库洪水预报 过程中的完整洪水过程， 从而提高了洪水预报在 实际预报时的精度。 权利要求书2页 说明书7页 附图1页 CN 115526094 A 2022.12.27 CN 115526094 A 1.一种基于ARIMA ‑HRNN的多维实时洪水 预报方法， 其特 征在于， 包括以下步骤： S1.采用卷积核函数来平 滑局部噪声； S2.使用HRN N进行特征提取； S3.采用了时间序列注意力机制， 对上游水库的流出流量、 降雨等输入向量分配各种注 意力权重； S4.采用ARIMA添加线性分量增强预测； S5.添加权 重平均模块将HRN N输出结果与ARIMA回归值加权平均融合。 2.根据权利 要求1所述的多维实时洪水预报方法， 其特征在于， 所述S2中的HRNN中在提 取多维特 征时使用了 CNN。 3.根据权利要求1所述的多维实时洪水预报方法， 其特征在于， 所述S2中的特征提取为 提取洪水的峰值特 征。 4.根据权利要求1所述的多维实时洪水预报方法， 其特征在于， 所述S2包括以下子步 骤： S21.将CN N提取的特 征矩阵作为输入； S22.使用Bi ‑LSTM作为循环单 元， 信息进入LSTM； S23.通过遗 忘门从主信息流中丢弃一些 无用的信息， 按下式进行处 理： ft＝σ(Wf·[ht‑1,xt]+bf) 式中， ft为遗忘门输出； Wf为遗忘权重矩阵； ht‑1为上一时刻网络状态； xt为当前输入； bf 为遗忘门偏置； S24.确定信息的更新情况； S25.通过输出门确定 输出的信息 。 5.根据权利要求4所述的多维实时洪水预报方法， 其特征在于， 所述S25包括以下子步 骤： S251.输出门会读取当前输入xt和上一时刻网络状态 ht‑1， 经过sigmoid函数得到一个值 为0～1之间的激活向量 来确定单 元状态哪些部分可以输出； S252.利用tanh函数层得到 ‑1～1范围之间的激活向量来处理LSTM单元当前的状态Ct， 并与第一 步的结果进行矢量逐 元素相乘， 得到 输出ht。 6.根据权利要求1所述的多维实时洪水预报方法， 其特征在于， 所述S3包括以下子步 骤： S31.通过点积形式来计算注意力权 重aWt； S32.通过softmax函数概 率计算注意力权 重aWt， 得到概率向量pt； S33.将Bi‑LSTM生成的隐藏状态h与相应的注意力概 率向量相乘， 得到其加权值； S34.通过注意力层的输出和LSTM的输出之后， 模型将两个模块的输出 结果相加。 7.根据权利要求6所述的多维实时洪水预报方法， 其特征在于， 所述S32中的aWt按下式 进行获取： aWt＝tanh(ht) 式中， tanh为激活函数， aWt为注意力权 重。 8.根据权利要求1所述的多维实时洪水预报方法， 其特征在于， 所述S4中ARIMA包括自 回归模型、 运动平均模型和平 滑处理模型。权　利　要　求　书 1/2 页 2 CN 115526094 A 29.根据权利要求1所述的多维实时洪水预报方法， 其特征在于， 所述ARIMA按下式进行 获取： Yt＝φ0+φYt‑1+φ2Yt‑2+...+φpYt‑p+ εt‑θ εt‑1‑θ2εt‑2‑...‑θqεi‑q 式中， 所述Yt为实际值， εt为随机误差， φp和 θq为系数， p是自回归滞后数， q是移动平均 滞后数， p和q为整数， d为差分阶数。 10.根据权利要求1所述的多维实时洪水预报方法， 其特征在于， 所述S5中加权平均的 方式为使用动态调整加权因子的算法来对ARIMA ‑HRNN模型的输出进行加权平均。权　利　要　求　书 2/2 页 3 CN 115526094 A 3