暴雨洪水数据生成模型的训练及暴雨洪水数据生成方法与流程

本发明涉及数据处理，具体涉及暴雨洪水数据生成模型的训练及暴雨洪水数据生成方法。

背景技术：

1、我国流域类型多样、气候条件复杂，极端暴雨洪水事件呈现频发重发态势，对洪水预报预警的精准性和时效性提出了更高要求。立足流域产汇流机理并构建高质量暴雨洪水数据，是提升洪水预报能力的关键基础之一。

2、相关技术中，常用的洪水预测方法主要基于物理机制的分布式水文模型以及数据驱动的智能模型。这些方法均依赖于大量、连续、高质量的暴雨洪水观测数据来率定参数或训练模型。受限于流域水文监测站点建设年限短、极端洪水事件发生频率低、观测数据保密性强且存储成本较高等约束，直接可用于支撑极端暴雨情境下流域产汇流机制分析、洪水过程智能预测的样本数量严重匮乏，导致基于物理机制的分布式水文模型以及数据驱动的智能模型精度低，使得生成的暴雨洪水数据不准确，不符合实际情况。

技术实现思路

1、本发明提供了一种暴雨洪水数据生成模型的训练及暴雨洪水数据生成方法，以解决相关技术中的洪水预测方法导致的模型精度低，生成的暴雨洪水数据不准确，不符合实际情况的问题。

2、第一方面，本发明提供了一种暴雨洪水数据生成模型的训练方法，包括：获取研究区域的历史暴雨洪水数据，对历史暴雨洪水数据中每场降雨事件进行雨型识别，得到每场降雨事件的雨型标签；根据自编码网络、生成对抗网络以及自注意力机制，构建初始暴雨洪水数据生成模型；获取多组候选超参数集合，根据历史暴雨洪水数据、雨型标签、实际暴雨洪水数据以及每组候选超参数集合对初始暴雨洪水数据生成模型进行训练；对训练结果进行评估，根据评估结果在多组候选超参数集合中确定目标候选超参数集合；根据历史暴雨洪水数据、雨型标签、实际暴雨洪水数据以及目标候选超参数集合对初始暴雨洪水数据生成模型进行训练，得到目标暴雨洪水数据生成模型。

3、本发明的暴雨洪水数据生成模型的训练方法，对研究区域的历史暴雨洪水数据中每场降雨事件进行雨型识别，得到每场降雨事件的雨型标签，通过对历史降雨事件开展雨型识别并生成雨型标签，实现对降雨过程时序形态的分类标注，将降雨事件的时间分布特征引入模型训练过程，避免模型仅学习雨量幅值而忽略雨型结构差异，使得模型能够区分不同降雨分配模式下的洪水响应规律。通过自编码网络、生成对抗网络以及自注意力机制，构建初始暴雨洪水数据生成模型，融合自编码网络、生成对抗网络与自注意力机制构建模型，自编码网络实现高维时序数据的降维压缩，生成对抗网络保障生成样本逼真度，自注意力机制可以捕捉暴雨、洪水长时序序列内部的远距离依赖关系，使得初始暴雨洪水数据生成模型兼顾隐空间特征压缩、对抗生成能力与时序全局特征建模能力。根据历史暴雨洪水数据、雨型标签、实际暴雨洪水数据以及每组候选超参数集合对初始暴雨洪水数据生成模型进行训练，采用多组候选超参数集合分别开展模型训练，引入雨型标签作为训练约束条件，使训练过程纳入雨型先验信息，通过多组超参数的训练，降低人工调参的主观性，覆盖多组超参数下模型的拟合表现。对多组候选超参数集合对应的训练结果开展量化评估，从多组候选超参数集合中筛选目标候选超参数集合，能够客观筛选综合性能最优的目标候选超参数集合，从模型泛化性能维度完成超参数择优，避免选取过拟合的超参数配置，提升模型的泛化能力。使用筛选得到的目标候选超参数集合，结合历史暴雨洪水数据、雨型标签、实际暴雨洪水数据重新训练模型得到目标暴雨洪水数据生成模型，使得目标暴雨洪水数据生成模型兼顾雨型特征、时序真实性、数据分布一致性，提升目标暴雨洪水数据生成模型的精度。

4、在一种可选的实施方式中，对历史暴雨洪水数据中每场降雨事件进行雨型识别，得到每场降雨事件的雨型标签，包括：将历史暴雨洪水数据中每场降雨事件划分为多个等时间段，根据每个等时间段的雨量与总雨量的比值，得到每场降雨事件的雨型特征向量；获取多个标准雨型的模态向量，对每场降雨事件的雨型特征向量与每个标准雨型的模态向量进行相似度分析，得到多个相似度分析结果；根据多个相似度分析结果对每场降雨事件进行雨型识别，得到每场降雨事件的雨型标签。

5、本发明将单场降雨事件切分为多个等时间片段，利用分段雨量占总雨量比值构造雨型特征向量，把降雨时序形态转化为可计算的数值向量，预定义标准雨型模态向量，通过向量相似度计算完成待识别降雨与标准雨型的定量比对，实现雨型识别的自动化、定量化输出，依据相似度分析结果自动输出雨型标签，实现历史降雨样本的自动分类标记。

6、在一种可选的实施方式中，根据自编码网络、生成对抗网络以及自注意力机制，构建初始暴雨洪水数据生成模型，包括：根据自编码网络构建自编码器，根据生成对抗网络构建生成器和判别器，将自注意力机制嵌入生成器和判别器；自编码器用于将高维降雨时序数据压缩映射到低维隐空间；生成器用于接收随机噪声，输出合成的洪水隐特征，判别器用于确定对抗损失；将自编码器、嵌入自注意力机制的生成器和判别器进行组装，得到初始暴雨洪水数据生成模型。

7、本发明根据自编码网络构建自编码器，根据生成对抗网络构建生成器和判别器，将自注意力机制嵌入生成器和判别器，生成器借助注意力捕捉降雨、洪水长序列的远距离时序关联，判别器借助注意力识别时序细节的伪造缺陷，提升判别器对时序细节的鉴别能力，将自编码器、带自注意力的生成器、判别器组装形成完整初始模型，形成端到端可训练的初始暴雨洪水数据生成模型。

8、在一种可选的实施方式中，获取多组候选超参数集合，根据历史暴雨洪水数据、雨型标签、实际暴雨洪水数据以及每组候选超参数集合对初始暴雨洪水数据生成模型进行训练，包括：根据初始暴雨洪水数据生成模型的多个超参数，对多个超参数进行笛卡尔组合，得到多组候选超参数集合；将历史暴雨洪水数据、雨型标签、实际暴雨洪水数据以及每组候选超参数集合输入至初始暴雨洪水数据生成模型进行训练。

9、本发明对模型超参数执行笛卡尔组合，生成多组候选超参数集合，实现超参数空间的系统化遍历，将历史数据、雨型标签、实测洪水数据和每一组候选超参数共同输入初始暴雨洪水数据生成模型进行训练，雨型标签作为条件约束参与每一组超参数的训练过程，使不同超参数下的模型均学习雨型、洪水映射关系，保证多组训练结果具备公平可对比性。

10、在一种可选的实施方式中，对训练结果进行评估，根据评估结果在多组候选超参数集合中确定目标候选超参数集合，包括：获取每组候选超参数集合对应的训练结果，确定每组候选超参数集合对应的训练结果的重构损失以及降维重叠度；根据每组候选超参数集合对应的训练结果的重构损失以及降维重叠度，在多组候选超参数集合中选取目标候选超参数集合。

11、第二方面，本发明提供了一种暴雨洪水数据生成方法，包括：获取研究区域的实时暴雨洪水数据，对实时暴雨洪水数据中每场实时降雨事件进行雨型识别，得到每场实时降雨事件的实时雨型标签；将实时暴雨洪水数据、实时雨型标签输入至如第一方面的暴雨洪水数据生成模型的训练方法训练得到的目标暴雨洪水数据生成模型，得到暴雨洪水过程样本数据。

12、本发明的暴雨洪水数据生成方法，对实时降雨事件执行雨型识别得到实时雨型标签，将实时降雨的时序形态转化为模型可识别标签，实现对新发生实时降雨的雨型自动解析，把实时暴雨洪水数据和实时降雨的实时雨型标签作为条件输入目标暴雨洪水数据生成模型，输出暴雨洪水过程样本数据，可以基于实时降雨条件生成大量符合该雨型统计特征的洪水过程样本，在实测洪水样本稀缺场景下扩充水文样本库，可为洪涝模拟、风险评估提供大量仿真洪水工况数据。

13、第三方面，本发明提供了一种暴雨洪水数据生成模型的训练装置，雨型识别模块，用于获取研究区域的历史暴雨洪水数据，对历史暴雨洪水数据中每场降雨事件进行雨型识别，得到每场降雨事件的雨型标签；模型构建模块，用于根据自编码网络、生成对抗网络以及自注意力机制，构建初始暴雨洪水数据生成模型；模型初训练模块，用于获取多组候选超参数集合，根据历史暴雨洪水数据、雨型标签、实际暴雨洪水数据以及每组候选超参数集合对初始暴雨洪水数据生成模型进行训练；参数选取模块，用于对训练结果进行评估，根据评估结果在多组候选超参数集合中确定目标候选超参数集合；模型训练模块，用于根据历史暴雨洪水数据、雨型标签、实际暴雨洪水数据以及目标候选超参数集合对初始暴雨洪水数据生成模型进行训练，得到目标暴雨洪水数据生成模型。

14、第四方面，本发明提供了一种暴雨洪水数据生成模型的训练装置，包括：实时雨型识别模块，用于获取研究区域的实时暴雨洪水数据，对实时暴雨洪水数据中每场实时降雨事件进行雨型识别，得到每场实时降雨事件的实时雨型标签；数据生成模块，用于将实时暴雨洪水数据、实时雨型标签输入至如第一方面的暴雨洪水数据生成模型的训练方法训练得到的目标暴雨洪水数据生成模型，得到暴雨洪水过程样本数据。

15、第五方面，本发明提供了一种电子设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的暴雨洪水数据生成模型的训练方法或上述第二方面的暴雨洪水数据生成方法。

16、第六方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的暴雨洪水数据生成模型的训练方法或上述第二方面的暴雨洪水数据生成方法。