水文径流预测方法及装置与流程

本技术涉及水文预报与人工智能，尤其涉及一种水文径流预测方法。

背景技术：

1、径流预测是防汛抗旱、水资源调度以及水生态保护的核心支撑技术，传统水文模型虽具备明确的物理机制，但是在实际应用中面临参数率定繁琐、跨流域泛化能力弱、且难以直接输出预测不确定性等问题。然而，现有预测模型通常侧重单站点时间依赖关系或同一任务内部不同变量之间的关系，难以同时、准确地利用河网中上下游站点之间的拓扑关联。一方面，若直接将多个站点数据混合训练，模型错误地聚合无水利联系站点的信息；另一方面，不同站点集水区面积导致径流量级差异明显，容易使模型优化偏向径流量较大的站点。此外，现有方法对多站点、多时间尺度径流过程及预测不确定性的联合刻画仍不充分。

2、因此，本技术要解决的技术问题是：在多站点径流预测中，如何以可控方式引入河网拓扑信息，区分站点内部特征关系与站点之间的径流传递关系，并降低流域面积差异对训练过程的影响，从而提高中长期日尺度径流预测的准确性、稳定性和不确定性表达能力。

技术实现思路

1、本技术提供一种水文径流预测方法及装置，用来解决现有技术中存在的缺陷，本技术将“站点内部的特征贡献关系”和“站点之间的径流影响关系”分离建模，前者由任务注意力模块处理，后者由上游径流协变量和/或带拓扑掩码的站点注意力模块处理，从而减少无关站点信息干扰并增强拓扑信息利用的可解释性。

2、第一方面，本发明提出一种水文径流模型训练方法，包括第一阶段训练和第二阶段训练，其特征在于获取目标流域同一批站点在第一时间区间内形成的第一数据集；

3、将第一数据集输入初始化水文径流大模型进行迭代更新得到第一水文径流大模型，此为第一阶段训练；

4、获取目标流域同一批站点在第二时间区间内形成的第二数据集；

5、将第二数据集输入第一水文径流大模型进行迭代更新得到第二水文径流大模型，此为第二阶段训练；第二水文径流大模型即训练完成的水文径流模型；

6、所述初始化水文径流大模型包括时间注意力模块和任务注意力模块；

7、在模型的训练过程中引入了任务索引。

8、优选地，第一数据集和第二数据集均来源于目标流域的同一批站点，用于使模型在不同时间区间或不同样本规模的数据上分阶段学习径流变化规律。

9、优选地，第一阶段的训练包括根据模型预测的站点径流深与对应真实径流深计算第一损失，通过前向传播获得预测结果和损失，并通过反向传播更新模型参数，得到第一水文径流大模型。

10、优选地，第二阶段的训练包括将第二数据集输入第一水文径流大模型进行第二阶段训练，根据第二阶段的预测径流深与真实径流深计算第二损失，并通过反向传播继续更新模型参数。

11、优选地，在模型训练过程中，引入站点的拓扑结构信息。

12、拓扑结构信息可以通过两种方式引入。

13、其一，将当前站点的上游站点历史径流显式加入当前站点的协变量，通过任务注意力学习上游径流对当前站点目标径流的贡献；

14、其二，在时间注意力模块和任务注意力模块之外设置站点注意力模块，通过河网拓扑掩码控制不同站点径流表示之间的信息传递。

15、上述两种引入站点的拓扑结构信息的方法，可单独使用，也可在同一模型中组合使用。

16、训练数据集中的每个站点的训练样本包括协变量和目标径流深。

17、当在模型训练过程中采用站点的上游径流作为协变量这种方式引入拓扑信息时，训练数据集中的站点协变量包括当前站点的历史水文特征和根据河网拓扑确定的上游站点历史径流深。这种情况下，模型依次对编码后的输入执行时间注意力运算和任务注意力运算。

18、当在模型训练过程中仅采用带拓扑掩码的站点注意力模块的方式引入拓扑信息时，训练数据集中的站点协变量仅包括当前站点的历史水文特征。这种情况下，模型依次对编码后的输入执行时间注意力运算、任务注意力运算和站点注意力运算。

19、优选地，将第一数据集输入初始化水文径流大模型，首先执行前向传播：编码器将各站点的水文特征、历史径流深及可选的上游径流协变量编码为隐向量；时间注意力模块沿时间维聚合历史信息；任务注意力模块在相同任务索引内聚合协变量与目标径流信息；当配置站点注意力模块时，该模块按照河网拓扑掩码聚合自身及上游站点的径流表示。

20、优选地，将第二数据集输入第一水文径流大模型，以第一阶段获得的模型参数作为第二阶段初始参数，按照相同的前向传播、组合损失计算和反向传播过程继续训练。

21、第二方面，本技术涉及一种水文径流预测方法，包括：

22、s1获取目标流域多个待预测站点在历史时间窗口内的水文特征、历史径流及河网拓扑关系；

23、s2将历史径流量换算为历史径流深；

24、s3根据所选拓扑信息配置，将上游站点历史径流作为当前站点的协变量和/或生成河网拓扑掩码；

25、s4为各站点输入附加对应的任务索引；

26、s5 将构造后的输入送入水文径流模型，输出未来预见期内各站点的径流深分位数预测结果。

27、优选地，在一种预测配置中，即通过上游站点径流作为协变量引入拓扑信息时，模型依次对编码后的输入执行时间注意力和任务注意力运算。

28、优选地，在另一种预测配置中，即通过生成河网拓扑掩码引入拓扑信息时，模型对各站点的径流表示执行带河网拓扑掩码的站点注意力运算。

29、优选地，在组合配置中，同时将上游径流深作为协变量并执行站点注意力运算。各注意力模块的输出经融合和前馈神经网络处理后，由全连接层输出未来各时间位置、各分位水平对应的预测径流深。随后，根据目标站点集水区面积将预测径流深换算为径流量。

30、在包含将上游站点历史径流作为当前站点的协变量引入拓扑信息时，此时的站点协变量包括站点的历史水文特征和该站点上游站点的历史水文径流。

31、优选地，以站点作为任务索引的赋值单位。设站点1、站点2和站点3的任务索引依次为0、1和2，则站点1的历史水文特征、作为站点1输入的上游径流协变量以及站点1的目标径流深均附加索引0；其他站点依此类推。当站点1的历史径流被作为站点2的协变量时，该协变量附加站点2的任务索引1。任务索引用于限定任务注意力的信息交互范围，使模型在计算某一站点的任务注意力时，重点聚合带有该站点任务索引的协变量和目标径流深表示。

32、例如，在学习站点2的目标径流时，任务注意力模块处理附加任务索引1的站点2历史水文特征、作为站点2协变量的上游径流以及站点2历史目标径流深，而不直接聚合附加其他任务索引的站点内部特征。

33、第三方面，本技术涉及一种水文径流模型训练装置，包括

34、获取模块，用于获取目标流域各站点的历史水文特征、历史径流、集水区面积及河网拓扑关系；

35、任务索引模块，用于为各站点输入附加对应的任务索引；

36、预测模块，用于对编码后的输入执行注意力运算，并输出各站点的径流深预测结果；

37、训练模块，用于根据预测径流深和真实径流深计算分位数损失与nse损失的加权和，并通过反向传播迭代更新模型参数。

38、优选地，当采用上游径流协变量这种方式引入河网拓扑关系时，此时预测模块执行时间注意力和任务注意力运算。

39、优选地，当通过河网拓扑掩码这种方式引入河网拓扑关系时，则预测模块执行时间注意力运算、任务注意力运算以及带河网拓扑掩码的站点注意力运算。

40、优选地，当采用上游径流协变量和河网拓扑掩码这两种方式同时引入河网拓扑关系时，则预测模块，需要执行时间注意力运算、任务注意力运算以及带河网拓扑掩码的站点注意力运算。

41、第四方面，本技术涉及一种水文径流预测装置，

42、包括获取模块、处理模块和输出模块；

43、获取模块，用于获取多个站点的历史水文特征、历史径流深、集水区面积和河网拓扑关系；

44、处理模块，用于将历史径流量换算为径流深，为各站点输入附加任务索引，并执行注意力运算。

45、输出模块，用于输出多个站点未来预见期的径流深分位数预测结果，并根据各站点集水区面积将预测径流深换算为径流量。

46、所述装置可按照以下任一种方式利用站点拓扑结构信息：将上游站点历史径流作为当前站点协变量；利用站点注意力模块在拓扑掩码约束下聚合各站点径流表示；或者同时采用上述两种方式。

47、当采用上游径流协变量时，该站点的上游站点径流附加当前预测站点的任务索引，并参与当前站点的任务注意力计算。即此时处理模块执行时间注意力和任务注意力运算。

48、当采用站点注意力模块时，所述站点注意力仅在各站点的径流表示之间计算，并通过河网拓扑掩码使下游站点仅关注自身及其上游站点。在当前实施方式中，站点注意力模块不考虑上下游传播时滞。即此时处理模块执行时间注意力运算、任务注意力运算以及带河网拓扑掩码的站点注意力运算。

49、第五方面，本技术涉及一种电子设备，包括存储器和处理器，存储器上存储有本技术第一方面涉及的水文径流模型训练方法的计算机程序或本技术第二方面涉及的水文径流预测方法的计算机程序；当处理器执行所述程序时，能够实现本技术的水文径流模型训练方法或水文径流预测方法。

50、第六方面，本技术涉及一种计算机可读存储介质，其上存储有本技术第一方面涉及的水文径流模型训练方法的计算机程序或本技术第二方面涉及的水文径流预测方法的计算机程序；当处理器执行所述程序时，能够实现本技术的水文径流模型训练方法或水文径流预测方法。

51、第七方面，本技术涉及一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行，以用于实现本技术的第一方面涉及的水文径流模型训练方法或第二方面涉及的水文径流预测方法。

52、与现有技术相比，本技术至少具有以下有益效果：

53、其一，通过上游径流协变量和/或带河网拓扑掩码的站点注意力模块，以显式或隐式方式引入拓扑信息，使下游站点重点利用自身及其上游站点的有效径流信息，减少无关站点干扰；

54、其二，通过任务索引限定站点内部的信息交互范围，将站点内部协变量贡献与站点之间径流影响分离建模，提高水文径流预测模型可解释性；

55、其三，以径流深作为训练目标并在输出阶段换算为径流量，减弱集水区面积差异导致的量级偏置；

56、其四，通过分位数损失与nse损失的加权优化，兼顾预测不确定性表达和径流过程拟合能力；

57、其五，通过同一批站点在不同时间区间或不同样本规模上的两阶段训练，提高模型对不同水文情景的适应能力和预测稳定性。