基于时空图网络的流域水位动态预测方法

本发明涉及水文信息学预测，具体涉及基于时空图网络的流域水位动态预测方法。

背景技术：

1、流域水位动态预测是防洪减灾、水库群联合调度和水资源优化配置的关键环节。准确预测各水文监测断面的水位时间序列演变，需要综合考虑流域下垫面条件、河网拓扑结构、气象强迫以及水流运动的非线性物理过程。

2、目前，流域水位预测主要采用水动力学物理模型和数据驱动预测模型。水动力学物理模型基于圣维南方程组求解质量守恒方程和动量守恒方程，需要输入高精度的河床地形数据、糙率分布参数和复杂的边界条件。在大量无资料或少资料流域，参数率定困难、计算开销大。数据驱动预测模型利用长短期记忆网络处理各个水文监测站点的历史时间序列，常规的长短期记忆网络仅在时间维度挖掘演变规律，忽略了流域上下游水文监测站点之间存在的水力连通和汇流延滞效应。

3、为融合空间拓扑关联，时空图神经网络被引入水文预测领域。现有的时空图神经网络多以水文监测站点之间的欧氏空间直线距离或历史水位序列的皮尔逊相关系数构建静态图网络。这种构建方式存在不足：真实河网中水流的传播受限于干支流的物理河道走向，欧氏空间直线距离无法表征水流沿弯曲河道运动的水力传导路径距离，导致空间信息聚合方向不符合水流的实际物理路径；此外，自然水文系统的拓扑连通性并非恒定不变，在发生极端暴雨、洪水漫堤或启用行洪蓄滞洪区等突发工况时，流域内部的水力传导路径发生瞬态变化。现有技术中采用固定邻接权重的静态图网络难以反映气象强迫引起的水文情势变化，在应对极端洪水事件时，预测模型仍按照枯水期确定的水力传导权重进行图卷积信息传递，可能导致洪峰水位预测出现滞后、洪峰水位值预测偏低。

技术实现思路

1、本发明的目的在于提供基于时空图网络的流域水位动态预测方法，解决了静态图网络难以反映真实水力传导路径以及难以自适应极端降雨引起的水文拓扑变化的技术问题。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、基于时空图网络的流域水位动态预测方法，包括：

4、步骤s1，获取流域内多个水文监测站点的水位观测数据和对应的气象数据；对水位观测数据和气象数据进行时间对齐和缺失值插值处理，生成多源水文时间序列数据；

5、步骤s2，基于流域河网结构和汇水关系，确定各个水文监测站点之间的物理拓扑连接；计算相邻水文监测站点之间的水力传导特性指标和历史水位相关系数；根据所述物理拓扑连接、所述水力传导特性指标和所述历史水位相关系数，构建静态流域水文拓扑图网络；

6、步骤s3，将所述多源水文时间序列数据输入至时序特征提取网络，所述时序特征提取网络包含时间卷积运算模块和长短期记忆运算模块，提取各个水文监测站点的时序演变特征；将所述静态流域水文拓扑图网络输入至图卷积运算模块，提取各个水文监测站点之间的空间依赖特征；对时序演变特征和空间依赖特征进行特征拼接和线性空间映射，生成时空融合特征矩阵；

7、步骤s4，将所述时空融合特征矩阵输入至多头自注意力运算模块，计算各个水文监测站点之间的初始关联得分；提取所述气象数据中的降雨强度数据作为外强迫因子，利用所述外强迫因子对初始关联得分进行非线性扰动指数映射，生成动态图邻接矩阵；利用所述动态图邻接矩阵对所述时空融合特征矩阵进行动态图卷积聚合计算，得到前置特征状态矩阵；将所述前置特征状态矩阵输入至全连接水位预测层，输出各个水文监测站点的未来水位预测结果；

8、步骤s5，获取历史水文监测数据并按预设比例划分为训练集和验证集，采用误差损失评估函数和自适应优化算法对动态图邻接矩阵的生成参数及网络权重进行迭代寻优；将实时采集的多源水文时间序列数据输入至寻优完毕的动态预测网络，进行滚动水位预报。

9、与现有技术相比，本发明具有以下有益效果：

10、本发明将水动力学物理先验知识与动态注意力运算相结合。在构建空间特征提取底图时，采用包含河床无量纲比降和断面平均水深实际观测值的水力传导特性指标替代常规的欧氏距离，排除了不具有物理汇流关系的伪相关连接，使图卷积运算中的信息传递方向与水流演进路径保持一致。在此基础上，将降雨强度作为外强迫因子，对多头自注意力运算得到的初始关联得分进行指数和对数联合的非线性映射，从而生成动态图邻接矩阵。在遭遇突发极端暴雨时，动态图邻接矩阵能够根据降雨强度的空间分布，快速增强暴雨中心站点向周围汇流站点的特征传递权重，削弱固定权重引起的响应迟滞，有利于减小洪峰预测的滞后和预测误差。

1.基于时空图网络的流域水位动态预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于时空图网络的流域水位动态预测方法，其特征在于：步骤s2中，所述水力传导特性指标的计算方式为：根据重力加速度物理常量、水文监测站点i与水文监测站点j所夹河段的断面平均水深实际观测值、河床无量纲比降参数，以及水流由水文监测站点i演进至水文监测站点j所经过的物理河网拓扑绝对距离，计算水文监测站点i至水文监测站点j之间的水流传导速率。

3.根据权利要求2所述的基于时空图网络的流域水位动态预测方法，其特征在于：构建所述静态流域水文拓扑图网络时，静态图邻接元素数值的组合判定公式为：；

4.根据权利要求1所述的基于时空图网络的流域水位动态预测方法，其特征在于：步骤s3中，所述时间卷积运算模块对多源水文时间序列数据进行一维膨胀因果卷积操作，通过设置呈指数级增长的膨胀间隔比率扩大感受野，以捕获不同水文监测站点之间的滞后响应，提取时序局部初筛特征。

5.根据权利要求4所述的基于时空图网络的流域水位动态预测方法，其特征在于：步骤s3中，将所述时序局部初筛特征输入至所述长短期记忆运算模块，所述长短期记忆运算模块通过遗忘截断门对当前时刻时序局部初筛特征和上一时间步的记忆状态向量进行加权映射与非线性变换，决定历史信息的保留比例，输出时序演变特征。

6.根据权利要求1所述的基于时空图网络的流域水位动态预测方法，其特征在于：步骤s3中，所述图卷积运算模块利用所述静态流域水文拓扑图网络，对叠加单位矩阵自环运算后的静态邻接矩阵进行对称归一化处理，并与输入节点特征和可学习权值核矩阵进行逐层图卷积运算，提取空间依赖特征。

7.根据权利要求1所述的基于时空图网络的流域水位动态预测方法，其特征在于：步骤s4中，利用所述多头自注意力运算模块计算初始关联得分的方式为：将所述时空融合特征矩阵中第i个水文监测站点和第j个水文监测站点的特征状态行向量，分别与询问空间变换权重方阵和匹配空间变换权重方阵进行线性映射，计算内积并除以通道维度缩放比例常数，得到初始关联得分标量。

8.根据权利要求7所述的基于时空图网络的流域水位动态预测方法，其特征在于：步骤s4中，利用所述外强迫因子对初始关联得分进行非线性扰动指数映射的重构公式为：

9.根据权利要求8所述的基于时空图网络的流域水位动态预测方法，其特征在于：步骤s4中，将所述前置特征状态矩阵输入至所述全连接水位预测层执行最终预测的方式为：通过末端降维映射权重方阵对所述前置特征状态矩阵中水文监测站点i对应的深层聚合状态行向量进行线性变换，叠加拦截偏置常数，生成未来预见期内水文监测站点i的水位时序演变预测序列张量。

10.根据权利要求1所述的基于时空图网络的流域水位动态预测方法，其特征在于：步骤s5中，所述误差损失评估函数由均方根误差项与纳什效率系数联合惩罚项加权求和构成，均方根误差项根据预测水位序列与真实水位标签的均方根偏差确定，纳什效率系数联合惩罚项根据预测水位序列与真实水位标签的拟合程度确定。