【技術實現步驟摘要】
本專利技術涉及水位預報，更確切地說，它涉及基于可解釋性的雙token圖卷積多站點水位預報方法。
技術介紹
1、通常，深度學習模型將水文預報視為時間序列預報任務。然而，這些方法存在一定的局限性。例如，rnn受到梯度消失問題的限制；cnn和自注意力機制在捕獲長時間依賴性方面存在缺陷；mlp的全連通結構具有固有的局部不可知性缺陷等。為此，引入gnn通過圖結構揭示預報因子之間的相關性，在時序建模和預測分析方面顯示出巨大的優勢。
2、近年來，由于人為干預和區域水域循環形式的突然變化，氣象和環境因素在時間和空間維度上對流域水位有著顯著的影響，導致不同站點的水位數據之間的相互依賴性往往是動態且不斷發展的。雖然有些方法考慮使用動態和時變的圖結構來建模特征相關性，但他們忽略了一個關鍵事實，即這些相關性可能與顯著穩定的時間尺度密切相關。此外，現有預報模型很少同時考慮水域的時空變化，難以用于內陸流域中多個水庫站點的水位預測。
技術實現思路
1、本專利技術的目的是針對現有技術的不足，提出了基于可解釋性的雙token圖卷積多站點水位預報方法。
2、第一方面，提供了基于可解釋性的雙token圖卷積多站點水位預報方法，包括：
3、s1、獲取輸入序列，并對所述輸入序列進行預處理和維度嵌入；所述維度嵌入包括變量令牌嵌入和時間令牌嵌入；
4、s2、根據變量令牌和時間令牌，分別進行跨變量學習和跨時間學習以捕捉序列的空間相關性和時間依賴性，并獲取空間表示向量和時間表示向量；
5、s3、對所述空間表示向量和時間表示向量進行自適應融合，獲取預測序列。
6、作為優選，s2包括：
7、s201、將變量令牌輸入并行堆疊多層的圖模塊，進行跨變量學習以捕獲序列的空間相關性，并獲取空間表示向量，所述跨變量學習，包括：
8、s2011、構建圖鄰接矩陣；
9、s2012、對所述圖鄰接矩陣添加單位矩陣確保每個節點都有自連接，并通過mixhop方法捕獲序列的空間相關性；
10、s2013、通過卷積編碼器進行空間相關性學習；
11、s202、將時間令牌輸入并行堆疊多層的尺度圖模塊，進行跨時間學習以捕獲序列的時間依賴性，并獲取時間表示向量。
12、作為優選，s202中，所述跨時間學習，包括：
13、s201、通過fft方法進行尺度劃分；
14、s202、在多個時間尺度上進行逐周期長度的動態圖卷積學習；
15、s203、整合不同尺度的張量，根據各自的振幅強度進行混合專家學習。
16、作為優選，s1中，所述變量令牌嵌入，包括：通過2維卷積將s個站點的c個預報因子嵌入到d維向量中，并將得到的二維特征圖重塑為一維特征圖；所述時間令牌嵌入，包括：將同一時間戳每個站點的c個預報因子視為一個d維令牌，同時嵌入位置編碼pe和時間編碼te。
17、作為優選，還包括：
18、s4、根據真實值和預測值，通過l1損失函數對可訓練參數進行優化，所述可訓練參數包括樣本數、水文站點數和未來時間步長。
19、第二方面，提供了基于可解釋性的雙token圖卷積多站點水位預報系統，用于執行第一方面任一所述的方法，包括：
20、雙令牌嵌入模塊，用于獲取輸入序列，并對所述輸入序列進行預處理和維度嵌入；所述維度嵌入包括變量令牌嵌入和時間令牌嵌入；
21、并行圖學習模塊，用于根據變量令牌和時間令牌，分別進行跨變量學習和跨時間學習以捕捉序列的空間相關性和時間依賴性，并獲取空間表示向量和時間表示向量；
22、自適應融合輸出模塊，用于對所述空間表示向量和時間表示向量進行自適應融合，獲取預測序列。
23、第三方面，提供了一種計算機存儲介質，所述計算機存儲介質內存儲有計算機程序；所述計算機程序在計算機上運行時，使得計算機執行第一方面任一所述的方法。
24、第四方面，提供了一種電子設備，包括：
25、存儲器，用于保存計算機程序；
26、處理器，用于執行所述計算機程序以實現如第一方面任一所述的方法。
27、本專利技術的有益效果是：本專利技術提供的水位預報方法分別從時間和空間視角建立可學習的鄰接矩陣以捕捉不斷變化的時間依賴性和空間相關性，提升了水文預報的可靠性和準確性，并且本專利技術對分布外樣本具有較強的泛化能力，在不同場景下表現出較小的性能下降和較強的抗外部干擾能力，進而本專利技術對嘗試在大流域和跨流域中進行水文預報研究提供重要價值，并著重關注大規模站點和更多水資源預報。
本文檔來自技高網...【技術保護點】
1.基于可解釋性的雙Token圖卷積多站點水位預報方法，其特征在于，包括：
2.根據權利要求1所述的基于可解釋性的雙Token圖卷積多站點水位預報方法，其特征在于，S2包括：
3.根據權利要求2所述的基于可解釋性的雙Token圖卷積多站點水位預報方法，其特征在于，S202中，所述跨時間學習，包括：
4.根據權利要求3所述的基于可解釋性的雙Token圖卷積多站點水位預報方法，其特征在于，S1中，所述變量令牌嵌入，包括：通過2維卷積將S個站點的C個預報因子嵌入到D維向量中，并將得到的二維特征圖重塑為一維特征圖；所述時間令牌嵌入，包括：將同一時間戳每個站點的C個預報因子視為一個D維令牌，同時嵌入位置編碼PE和時間編碼TE。
5.根據權利要求3所述的基于可解釋性的雙Token圖卷積多站點水位預報方法，其特征在于，還包括：
6.基于可解釋性的雙Token圖卷積多站點水位預報系統，其特征在于，用于執行權利要求1至5任一所述的方法，包括：
7.一種計算機存儲介質，其特征在于，所述計算機存儲介質內存儲有計算機程序；所述計算機
8.一種電子設備，其特征在于，包括：
...【技術特征摘要】
1.基于可解釋性的雙token圖卷積多站點水位預報方法，其特征在于，包括：
2.根據權利要求1所述的基于可解釋性的雙token圖卷積多站點水位預報方法，其特征在于，s2包括：
3.根據權利要求2所述的基于可解釋性的雙token圖卷積多站點水位預報方法，其特征在于，s202中，所述跨時間學習，包括：
4.根據權利要求3所述的基于可解釋性的雙token圖卷積多站點水位預報方法，其特征在于，s1中，所述變量令牌嵌入，包括：通過2維卷積將s個站點的c個預報因子嵌入到d維向量中，并將得到的二維特征圖重塑為一維特征圖；所述時間...
【專利技術屬性】
技術研發人員：王錚，黃維光，趙燕偉，戴瑞，張仁貢，屠杭垚，李國慶，
申請(專利權)人：浙大城市學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。