基于水位联动的水位预测方法及其系统与流程

1.本技术涉及水位智能预测的领域，且更为具体地，涉及一种基于水位联动的水位预测方法及其系统。


背景技术：

2.我国内河水资源十分丰富，内河水路运输发达。内河水路运输系统与其他运输领域相比，具有能耗低，污染小，投资少，产量高，占地少，运输量大，成本低等优点，同时是我国水利资源综合利用和交通运输体系重要组成部分。特别是与其他传统交通方式相比，内河水运具有很大的经济优势。与此同时，为了提高内河航行的导航效率和内河航行的航行安全，对内河航道智能服务的需求日益迫切。
3.受水库群联合调度、流域降水变化等因素影响，航道水位变化呈现非平稳、非线性等特征。此外，航道作为水运的首位要素，水位是最为重要的航道要素之一，水位的高低作为航道尺度维护的重要指标，它直接决定了航道的大小，是指导船舶合理装载，确保船舶安全航行的重要参考因素。水位短期预测已成为航道科技工作者亟需解决的关键问题之一。
4.因此，为了提高对于水位预测的准确性和合理性，需要一种基于水位联动的水位预测方法。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于水位联动的水位预测方法及其系统，其采用基于上下文的编码器模型对每个水位站在各个时间点的水位数据进行编码处理，同时使用卷积神经网络对所述各个水位站的拓扑矩阵进行特征提取，进一步再将所述各个水位站的水位特征映射到拓扑特征空间中，并且采用基于序列进化的约束因数来构造损失函数，从而使得通过更新第二卷积神经网络的参数来促进信息融合，以对于所述水位特征信息与所述拓扑特征信息的融合程度进行判定。这样，可以提高对于水位预测的准确性，以确保船舶的安全航行。
6.根据本技术的一个方面，提供了一种基于水位联动的水位预测方法，其包括：
7.训练阶段，包括：
8.获取各个水位站在各个时间点的水位数据；
9.将各个所述水位站在各个时间点的水位数据通过包含嵌入层的基于上下文的编码器模型以获得对应于各个所述水位站的特征向量的序列，并将各个所述水位站的特征向量的序列中各个特征向量进行级联以获得各个所述水位站的水位特征向量；
10.获取所述多个水位站的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的特征值表示对应两个水位站之间的距离，所述拓扑矩阵中对角线位置上的各个位置的特征值为0；
11.将所述拓扑矩阵通过第一卷积神经网络以获得拓扑特征矩阵；
12.将各个所述水位站的水位特征向量进行二维拼接以获得各个所述水位站的水位
特征矩阵；
13.融合所述拓扑特征矩阵和所述水位特征矩阵以获得映射特征矩阵；
14.将所述映射特征矩阵通过第二卷积神经网络以获得融合特征矩阵；
15.从各个所述水位站的水位特征向量中获取待预测的水位站的水位特征向量；
16.将所述待预测的水位站的水位特征向量作为查询向量分别与所述映射特征矩阵和所述融合特征矩阵进行矩阵相乘以获得第一特征向量和第二特征向量；
17.计算所述第一特征向量和所述第二特征向量之间的序列进化的约束因数，其中，所述序列进化的约束因数包含两项，第一项为所述第一特征向量与第二特征向量之间的交叉熵数值，第二项为所述第一特征向量和所述第二特征向量分别通过分类器获得的第一类别概率值与第二类别概率值之商的对数函数值；
18.将所述第二特征向量通过分类器以获得分类损失函数值；以及
19.以所述分类损失函数值和所述序列进化的约束因数之间的加权和作为损失函数值来训练所述第二卷积神经网络；以及
20.推断阶段，包括：
21.获取各个水位站在各个时间点的水位数据；
22.将各个所述水位站在各个时间点的水位数据通过包含嵌入层的基于上下文的编码器模型以获得对应于各个所述水位站的特征向量的序列，并将各个所述水位站的特征向量的序列中各个特征向量进行级联以获得各个所述水位站的水位特征向量；
23.获取所述多个水位站的拓扑矩阵，所述拓扑矩阵的除对角线位置以外的各个位置的特征值表示对应两个水位站之间的距离，所述拓扑矩阵的对角线位置上的各个位置的特征值为0；
24.将所述拓扑矩阵通过第一卷积神经网络以获得拓扑特征矩阵；
25.将各个所述水位站的水位特征向量进行二维拼接以获得水位特征矩阵；
26.融合所述拓扑特征矩阵和所述水位特征矩阵以获得映射特征矩阵；
27.将所述映射特征矩阵通过经训练阶段训练完成的所述第二卷积神经网络以获得融合特征矩阵；
28.获取待预测的水位站的水位特征向量；
29.将所述待预测的水位站的水位特征向量作为查询向量与所述融合特征矩阵进行矩阵相乘以获得分类特征向量；以及
30.将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示带预测的水位站的水位变化情况。
31.根据本技术提供的基于水位联动的水位预测方法及其系统，其采用基于上下文的编码器模型对每个水位站在各个时间点的水位数据进行编码处理，同时使用卷积神经网络对所述各个水位站的拓扑矩阵进行特征提取，进一步再将所述各个水位站的水位特征映射到拓扑特征空间中，并且采用基于序列进化的约束因数来构造损失函数，从而使得通过更新第二卷积神经网络的参数来促进信息融合，以对于所述水位特征信息与所述拓扑特征信息的融合程度进行判定。这样，可以提高对于水位预测的准确性，以确保船舶的安全航行。
附图说明
32.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
33.图1为根据本技术实施例的基于水位联动的水位预测方法的场景示意图。
34.图2为根据本技术实施例的基于水位联动的水位预测方法中训练阶段的流程图。
35.图3为根据本技术实施例的基于水位联动的水位预测方法中推断阶段的流程图。
36.图4为根据本技术实施例的基于水位联动的水位预测方法中训练阶段的架构示意图。
37.图5为根据本技术实施例的基于水位联动的水位预测方法中推断阶段的架构示意图。
38.图6为根据本技术实施例的基于水位联动的水位预测系统的框图。
具体实施方式
39.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
40.场景概述
41.如前所述，我国内河水资源十分丰富，内河水路运输发达。内河水路运输系统与其他运输领域相比，具有能耗低，污染小，投资少，产量高，占地少，运输量大，成本低等优点，同时是我国水利资源综合利用和交通运输体系重要组成部分。特别是与其他传统交通方式相比，内河水运具有很大的经济优势。与此同时，为了提高内河航行的导航效率和内河航行的航行安全，对内河航道智能服务的需求日益迫切。
42.受水库群联合调度、流域降水变化等因素影响，航道水位变化呈现非平稳、非线性等特征。此外，航道作为水运的首位要素，水位是最为重要的航道要素之一，水位的高低作为航道尺度维护的重要指标，它直接决定了航道的大小，是指导船舶合理装载，确保船舶安全航行的重要参考因素。水位短期预测已成为航道科技工作者亟需解决的关键问题之一。因此，为了提高对于水位预测的准确性和合理性，需要一种基于水位联动的水位预测方法。
43.基于此，在本技术的技术方案中，首先获取每个水位站在各个时间点的水位数据，并通过包含嵌入层的基于上下文的编码器模型获得特征向量的序列，再将多个特征向量级联得到每个水位站的水位特征向量。
44.获取各个水位站的拓扑矩阵，并通过第一卷积神经网络得到拓扑特征矩阵。
45.再将各个水位站的水位特征向量进行二维拼接得到水位特征矩阵，并将拓扑特征矩阵乘以水位特征矩阵得到映射特征矩阵，再通过第二卷积神经网络得到融合特征矩阵。
46.为了训练第二卷积神经网络的特征提取，期望对于水位特征信息与拓扑特征信息的融合程度进行判定，采用基于序列进化的约束因数来构造损失函数，从而使得通过更新第二卷积神经网络的参数来促进信息融合。
47.具体地，首先获取待预测的水位站的水位特征向量，并将其作为查询向量分别与
映射特征矩阵和融合特征矩阵相乘以得到第一特征向量和第二特征向量，然后计算第一特征向量与第二特征向量之间的序列进化的约束因数。该序列进化的约束因数包含两项，第一项为第一特征向量与第二特征向量之间的交叉熵数值，用于表示两个特征向量之间的一致性程度，通过最小化该项来使得序列进化保持位置间的依赖关系的一致性。而第二项为第一特征向量和第二特征向量分别通过分类器获得的第一类别概率值与第二类别概率值之商的对数函数，通过该项的绝对值来获得分类进化效果的最大化，因此序列进化的约束因数表示为：
[0048][0049]
在推断时，将待预测的水位站的水位特征向量乘以融合特征矩阵得到分类特征向量，再获得分类结果。
[0050]
基于此，本技术提出了一种基于水位联动的水位预测方法，其包括：训练阶段和推断阶段。其中，训练阶段包括步骤：获取各个水位站在各个时间点的水位数据；将各个所述水位站在各个时间点的水位数据通过包含嵌入层的基于上下文的编码器模型以获得对应于各个所述水位站的特征向量的序列，并将各个所述水位站的特征向量的序列中各个特征向量进行级联以获得各个所述水位站的水位特征向量；获取所述多个水位站的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的特征值表示对应两个水位站之间的距离，所述拓扑矩阵中对角线位置上的各个位置的特征值为0；将所述拓扑矩阵通过第一卷积神经网络以获得拓扑特征矩阵；将各个所述水位站的水位特征向量进行二维拼接以获得各个所述水位站的水位特征矩阵；融合所述拓扑特征矩阵和所述水位特征矩阵以获得映射特征矩阵；将所述映射特征矩阵通过第二卷积神经网络以获得融合特征矩阵；从各个所述水位站的水位特征向量中获取待预测的水位站的水位特征向量；将所述待预测的水位站的水位特征向量作为查询向量分别与所述映射特征矩阵和所述融合特征矩阵进行矩阵相乘以获得第一特征向量和第二特征向量；计算所述第一特征向量和所述第二特征向量之间的序列进化的约束因数，其中，所述序列进化的约束因数包含两项，第一项为所述第一特征向量与第二特征向量之间的交叉熵数值，第二项为所述第一特征向量和所述第二特征向量分别通过分类器获得的第一类别概率值与第二类别概率值之商的对数函数值；将所述第二特征向量通过分类器以获得分类损失函数值；以及，以所述分类损失函数值和所述序列进化的约束因数之间的加权和作为损失函数值来训练所述第二卷积神经网络。其中，推断阶段包括步骤：获取各个水位站在各个时间点的水位数据；将各个所述水位站在各个时间点的水位数据通过包含嵌入层的基于上下文的编码器模型以获得对应于各个所述水位站的特征向量的序列，并将各个所述水位站的特征向量的序列中各个特征向量进行级联以获得各个所述水位站的水位特征向量；获取所述多个水位站的拓扑矩阵，所述拓扑矩阵的除对角线位置以外的各个位置的特征值表示对应两个水位站之间的距离，所述拓扑矩阵的对角线位置上的各个位置的特征值为0；将所述拓扑矩阵通过第一卷积神经网络以获得拓扑特征矩阵；将各个所述水位站的水位特征向量进行二维拼接以获得水位特征矩阵；融合所述拓扑特征矩阵和所述水位特征矩阵以获得映射特征矩阵；将所述映射特征矩阵通过经训练阶段训练完成的所述第二卷积神经网络以获得融合特征矩阵；获取待预测的水位站的水位特征向量；将所述待预测的水位站的水位特征向量作为查询向量与所述融合特征矩阵进行矩阵相乘
以获得分类特征向量；以及，将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示带预测的水位站的水位变化情况。
[0051]
图1图示了根据本技术实施例的基于水位联动的水位预测方法的场景示意图。如图1所示，在该应用场景的训练阶段中，首先，通过部署在水位站(例如，如图1中所示意的r)的水位计(例如，如图1中所示意的g)来采集所述各个水位站在各个时间点的水位数据，并且根据所述各个水位站之间的距离来获取所述多个水位站的拓扑矩阵。然后，将所述各个水位站在各个时间点的水位数据以及所述多个水位站的拓扑矩阵输入至部署有基于水位联动的水位预测算法的服务器(例如，如图1中所示意的s)中，其中，所述服务器能够基于基于水位联动的水位预测算法以所述各个水位站在各个时间点的水位数据以及所述多个水位站的拓扑矩阵对基于水位联动的水位预测的所述第二卷积神经网络进行训练。
[0052]
在训练完成后，在推断阶段中，首先，通过部署在水位站(例如，如图1中所示意的r)的水位计(例如，如图1中所示意的g)来采集所述各个水位站在各个时间点的水位数据，并且根据所述各个水位站之间的距离来获取所述多个水位站的拓扑矩阵。然后，将所述各个水位站在各个时间点的水位数据以及所述多个水位站的拓扑矩阵输入至部署有基于水位联动的水位预测算法的服务器(例如，如图1中所示意的s)中，其中，所述服务器能够以基于水位联动的水位预测算法对所述各个水位站在各个时间点的水位数据以及所述多个水位站的拓扑矩阵进行处理，以生成用于表示带预测的水位站的水位变化情况的分类结果。
[0053]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0054]
示例性方法
[0055]
图2图示了根据本技术实施例的基于水位联动的水位预测方法中训练阶段的流程图。如图2所示，根据本技术实施例的基于水位联动的水位预测方法，包括：训练阶段，包括步骤：s110，获取各个水位站在各个时间点的水位数据；s120，将各个所述水位站在各个时间点的水位数据通过包含嵌入层的基于上下文的编码器模型以获得对应于各个所述水位站的特征向量的序列，并将各个所述水位站的特征向量的序列中各个特征向量进行级联以获得各个所述水位站的水位特征向量；s130，获取所述多个水位站的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的特征值表示对应两个水位站之间的距离，所述拓扑矩阵中对角线位置上的各个位置的特征值为0；s140，将所述拓扑矩阵通过第一卷积神经网络以获得拓扑特征矩阵；s150，将各个所述水位站的水位特征向量进行二维拼接以获得各个所述水位站的水位特征矩阵；s160，融合所述拓扑特征矩阵和所述水位特征矩阵以获得映射特征矩阵；s170，将所述映射特征矩阵通过第二卷积神经网络以获得融合特征矩阵；s180，从各个所述水位站的水位特征向量中获取待预测的水位站的水位特征向量；s190，将所述待预测的水位站的水位特征向量作为查询向量分别与所述映射特征矩阵和所述融合特征矩阵进行矩阵相乘以获得第一特征向量和第二特征向量；s200，计算所述第一特征向量和所述第二特征向量之间的序列进化的约束因数，其中，所述序列进化的约束因数包含两项，第一项为所述第一特征向量与第二特征向量之间的交叉熵数值，第二项为所述第一特征向量和所述第二特征向量分别通过分类器获得的第一类别概率值与第二类别概率值之商的对数函数值；s210，将所述第二特征向量通过分类器以获得分类损失函数值；以及，s220，以所述分类损失函数值和所述序列进化的约束因数之间的加权和作为损失函数值来训练所述
第二卷积神经网络。
[0056]
图3图示了根据本技术实施例的基于水位联动的水位预测方法中推断阶段的流程图。如图3所示，根据本技术实施例的基于水位联动的水位预测方法，还包括：推断阶段，包括步骤：s310，获取各个水位站在各个时间点的水位数据；s320，将各个所述水位站在各个时间点的水位数据通过包含嵌入层的基于上下文的编码器模型以获得对应于各个所述水位站的特征向量的序列，并将各个所述水位站的特征向量的序列中各个特征向量进行级联以获得各个所述水位站的水位特征向量；s330，获取所述多个水位站的拓扑矩阵，所述拓扑矩阵的除对角线位置以外的各个位置的特征值表示对应两个水位站之间的距离，所述拓扑矩阵的对角线位置上的各个位置的特征值为0；s340，将所述拓扑矩阵通过第一卷积神经网络以获得拓扑特征矩阵；s350，将各个所述水位站的水位特征向量进行二维拼接以获得水位特征矩阵；s360，融合所述拓扑特征矩阵和所述水位特征矩阵以获得映射特征矩阵；s370，将所述映射特征矩阵通过经训练阶段训练完成的所述第二卷积神经网络以获得融合特征矩阵；s380，获取待预测的水位站的水位特征向量；s390，将所述待预测的水位站的水位特征向量作为查询向量与所述融合特征矩阵进行矩阵相乘以获得分类特征向量；以及，s400，将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示带预测的水位站的水位变化情况。
[0057]
图4图示了根据本技术实施例的基于水位联动的水位预测方法中训练阶段的架构示意图。如图4所示，在训练阶段中，在该网络架构中，首先，将获取的各个所述水位站在各个时间点的水位数据(例如，如图4中所示意的p)通过包含嵌入层的基于上下文的编码器模型(例如，如图4中所示意的e)以获得对应于各个所述水位站的特征向量的序列(例如，如图4中所示意的vf1)，并将各个所述水位站的特征向量的序列中各个特征向量进行级联以获得各个所述水位站的水位特征向量(例如，如图4中所示意的vf2)；接着，将获取的所述拓扑矩阵(例如，如图4中所示意的m1)通过第一卷积神经网络(例如，如图4中所示意的cnn1)以获得拓扑特征矩阵(例如，如图4中所示意的mf1)；然后，将各个所述水位站的水位特征向量进行二维拼接以获得各个所述水位站的水位特征矩阵(例如，如图4中所示意的mf2)；接着，融合所述拓扑特征矩阵和所述水位特征矩阵以获得映射特征矩阵(例如，如图4中所示意的mf3)；然后，将所述映射特征矩阵通过第二卷积神经网络(例如，如图4中所示意的cnn2)以获得融合特征矩阵(例如，如图4中所示意的mf4)；接着，从各个所述水位站的水位特征向量中获取待预测的水位站的水位特征向量(例如，如图4中所示意的vf3)；然后，将所述待预测的水位站的水位特征向量作为查询向量分别与所述映射特征矩阵和所述融合特征矩阵进行矩阵相乘以获得第一特征向量(例如，如图4中所示意的v1)和第二特征向量(例如，如图4中所示意的v2)；接着，计算所述第一特征向量和所述第二特征向量之间的序列进化的约束因数(例如，如图4中所示意的c)；然后，将所述第二特征向量通过分类器(例如，如图4中所示意的圈s)以获得分类损失函数值(例如，如图4中所示意的clv)；以及，最后，以所述分类损失函数值和所述序列进化的约束因数之间的加权和作为损失函数值来训练所述第二卷积神经网络。
[0058]
图5图示了根据本技术实施例的基于水位联动的水位预测方法中推断阶段的架构示意图。如图5所示，在推断阶段中，在该网络结构中，首先，将获取的各个所述水位站在各个时间点的水位数据(例如，如图5中所示意的q)通过包含嵌入层的基于上下文的编码器模
型(例如，如图5中所示意的e)以获得对应于各个所述水位站的特征向量的序列(例如，如图5中所示意的vf1)，并将各个所述水位站的特征向量的序列中各个特征向量进行级联以获得各个所述水位站的水位特征向量(例如，如图5中所示意的vf2)；接着，将获取的所述拓扑矩阵(例如，如图5中所示意的m1)通过第一卷积神经网络(例如，如图5中所示意的cnn1)以获得拓扑特征矩阵(例如，如图5中所示意的mf1)；然后，将各个所述水位站的水位特征向量进行二维拼接以获得水位特征矩阵(例如，如图5中所示意的mf2)；接着，融合所述拓扑特征矩阵和所述水位特征矩阵以获得映射特征矩阵(例如，如图5中所示意的mf3)；然后，将所述映射特征矩阵通过经训练阶段训练完成的所述第二卷积神经网络(例如，如图5中所示意的cnn)以获得融合特征矩阵(例如，如图5中所示意的mf4)；接着，获取待预测的水位站的水位特征向量(例如，如图5中所示意的vf)；然后，将所述待预测的水位站的水位特征向量作为查询向量与所述融合特征矩阵进行矩阵相乘以获得分类特征向量(例如，如图5中所示意的vfc)；以及，最后，将所述分类特征向量通过分类器(例如，如图5中所示意的圈s)以获得分类结果，所述分类结果用于表示带预测的水位站的水位变化情况。
[0059]
更具体地，在训练阶段中，在步骤s110和步骤s120中，获取各个水位站在各个时间点的水位数据，并将各个所述水位站在各个时间点的水位数据通过包含嵌入层的基于上下文的编码器模型以获得对应于各个所述水位站的特征向量的序列，并将各个所述水位站的特征向量的序列中各个特征向量进行级联以获得各个所述水位站的水位特征向量。如前所述，应可以理解，考虑到各个水位站的水位存在联动性，也就是，所述各个水位站的在各个时间点的水位数据之间存在预定模式，且这种预设模式的关联性会随着所述水位站的空间距离的变化而变得不明显，例如，与待预测的水位站关联的上下游水位站的水位与待预测的水位站的水位之间的关联很强。因此，在本技术的技术方案中，期望通过所述各个水位站的水位之间的联动性来对水位进行准确地预测。也就是，具体地，在本技术的技术方案中，首先，通过部署在水位站的水位计来采集所述各个水位站在各个时间点的水位数据。接着，将各个所述水位站在各个时间点的水位数据通过包含嵌入层的基于上下文的编码器模型中进行编码处理，以获得对应于各个所述水位站的特征向量的序列。然后，再将各个所述水位站的特征向量的序列中各个特征向量进行级联以获得各个所述水位站的水位特征向量。
[0060]
具体地，在本技术实施例中，将各个所述水位站在各个时间点的水位数据通过包含嵌入层的基于上下文的编码器模型以获得对应于各个所述水位站的特征向量的序列，并将各个所述水位站的特征向量的序列中各个特征向量进行级联以获得各个所述水位站的水位特征向量的过程，包括：首先，使用所述编码器模型的嵌入层将各个所述水位站在各个时间点的水位数据分别映射为嵌入向量以获得对应于每个所述水位站的嵌入向量的序列。接着，将各个所述水位站的嵌入向量的序列输入所述转换器模型的转换器以获得对应于各个所述水位站的特征向量的序列。应可以理解，因为基于转换器的编码器模型能够基于上下文对所述嵌入向量进行编码，因此所获得的特征向量具有全局性的水位数据关联信息。最后，将各个所述水位站的特征向量的序列中各个特征向量进行级联以获得各个所述水位站的水位特征向量。
[0061]
更具体地，在训练阶段中，在步骤s130和步骤s140中，获取所述多个水位站的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的特征值表示对应两个水位站之间的距离，所述拓扑矩阵中对角线位置上的各个位置的特征值为0，并将所述拓扑矩阵通过第一卷
积神经网络以获得拓扑特征矩阵。也就是，为了更准确地对水位进行预测，在本技术的技术方案中，进一步根据所述各个水位站之间的距离来获取所述多个水位站的拓扑矩阵。这里，所述拓扑矩阵中非对角线位置上各个位置的特征值表示对应两个水位站之间的距离，所述拓扑矩阵中对角线位置上的各个位置的特征值为0。然后，将所述拓扑矩阵通过第一卷积神经网络中进行处理，以提取出所述拓扑矩阵中各个位置的高维关联特征，从而获得拓扑特征矩阵。相应地，在一个具体示例中，在所述第一卷积神经网络的各层的层正向传递过程中对来自上一层的输入数据进行卷积处理，沿通道维度的均值池化处理和激活处理以获得所述拓扑特征矩阵，其中，所述第一卷积神经网络的第一层的输入数据为所述拓扑矩阵。
[0062]
更具体地，在训练阶段中，在步骤s150和步骤s160中，将各个所述水位站的水位特征向量进行二维拼接以获得各个所述水位站的水位特征矩阵，并融合所述拓扑特征矩阵和所述水位特征矩阵以获得映射特征矩阵。也就是，在本技术的技术方案中，为了将水位特征信息映射到全局拓扑结构里，以更为准确地对水位进行预测，因此，需要将各个所述水位站的水位特征向量进行二维拼接以获得各个所述水位站的水位特征矩阵。然后，融合所述拓扑特征矩阵和所述水位特征矩阵以获得映射特征矩阵。在一个具体示例中，可以将所述拓扑特征矩阵与所述水位特征矩阵进行矩阵相乘，以将所述水位特征信息映射到全局拓扑结构特征空间中，从而得到映射特征矩阵。
[0063]
更具体地，在训练阶段中，在步骤s170中，将所述映射特征矩阵通过第二卷积神经网络以获得融合特征矩阵。也就是，进一步再将所述映射特征矩阵通过第二卷积神经网络中进行处理，以提取出所述映射特征矩阵中的各个位置的特征值之间的高维关联特征，从而获得融合特征矩阵。
[0064]
具体地，在本技术实施例中，将所述映射特征矩阵通过第二卷积神经网络以获得融合特征矩阵的过程，包括：首先，所述第二卷积神经网络中除最后一层以外的各层在层的正向传递中对输入数据进行卷积处理、池化处理和激活处理以由所述第二卷积神经网络的最后第二层输出特征图，其中，所述第二卷积神经网络的第一层的输入数据为所述映射特征矩阵。然后，所述第二卷积神经网络的最后一层对所述特征图进行卷积处理、沿通道维度的全局均值池化处理和激活处理以获得所述融合特征矩阵。应可以理解，通过全局均值池化处理，可以减少参数的数量，进而减小过拟合。
[0065]
更具体地，在训练阶段中，在步骤s180和步骤s190中，从各个所述水位站的水位特征向量中获取待预测的水位站的水位特征向量，并将所述待预测的水位站的水位特征向量作为查询向量分别与所述映射特征矩阵和所述融合特征矩阵进行矩阵相乘以获得第一特征向量和第二特征向量。应可以理解，为了训练所述第二卷积神经网络的特征提取，期望对于所述水位特征信息与所述拓扑特征信息的融合程度进行判定，在本技术的技术方案中，采用基于序列进化的约束因数来构造损失函数，从而使得通过更新所述第二卷积神经网络的参数来促进信息融合。也就是，具体地，在本技术的技术方案中，首先从各个所述水位站的水位特征向量中获取待预测的水位站的水位特征向量。然后，将所述待预测的水位站的水位特征向量作为查询向量分别与所述映射特征矩阵和所述融合特征矩阵进行矩阵相乘，以获得具有待预测的水位站的水位特征信息的第一特征向量和第二特征向量。
[0066]
更具体地，在训练阶段中，在步骤s200中，计算所述第一特征向量和所述第二特征向量之间的序列进化的约束因数，其中，所述序列进化的约束因数包含两项，第一项为所述
第一特征向量与第二特征向量之间的交叉熵数值，第二项为所述第一特征向量和所述第二特征向量分别通过分类器获得的第一类别概率值与第二类别概率值之商的对数函数值。也就是，在本技术的技术方案中，进一步再计算所述第一特征向量和所述第二特征向量之间的序列进化的约束因数。应可以理解，值得一提的是，该所述序列进化的约束因数包含两项，第一项为所述第一特征向量与所述第二特征向量之间的交叉熵数值，用于表示两个特征向量之间的一致性程度，通过最小化该项来使得序列进化保持位置间的依赖关系的一致性。而第二项为所述第一特征向量和所述第二特征向量分别通过分类器获得的第一类别概率值与第二类别概率值之商的对数函数，通过该项的绝对值来获得分类进化效果的最大化。
[0067]
具体地，在本技术实施例中，计算所述第一特征向量和所述第二特征向量之间的序列进化的约束因数的过程，包括：以如下公式来计算所述第一特征向量和所述第二特征向量之间的序列进化的约束因数；其中，所述公式为：
[0068][0069]
更具体地，在训练阶段中，在步骤s210和步骤s220中，将所述第二特征向量通过分类器以获得分类损失函数值，并以所述分类损失函数值和所述序列进化的约束因数之间的加权和作为损失函数值来训练所述第二卷积神经网络。也就是，在得到所述所述序列进化的约束因数后，再将所述第二特征向量通过分类器以获得分类损失函数值，以便于后续对所述第二卷积神经网络进行训练。接着，以所述分类损失函数值和所述序列进化的约束因数之间的加权和作为损失函数值来训练所述第二卷积神经网络。
[0070]
具体地，在本技术实施例中，将所述第二特征向量通过分类器以获得分类损失函数值的过程，包括：首先，所述分类器以如下公式对所述第二特征向量进行处理以获得分类结果，其中，所述公式为：softmax{(wn，bn):...:(w1，b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为第二特征向量。然后，计算所述分类结果和真实值之间的交叉熵值作为所述分类损失函数值。
[0071]
在训练完成后，进入推断阶段。也就是，在使用基于水位联动的水位预测算法来训练所述第二卷积神经网络后，将训练完成的所述第二卷积神经网络用于实际的推断中。
[0072]
更具体地，在推断阶段中，类似地，首先，获取各个水位站在各个时间点的水位数据，并将各个所述水位站在各个时间点的水位数据通过包含嵌入层的基于上下文的编码器模型以获得对应于各个所述水位站的特征向量的序列。接着，将各个所述水位站的特征向量的序列中各个特征向量进行级联以获得各个所述水位站的水位特征向量。然后，获取所述多个水位站的拓扑矩阵，所述拓扑矩阵的除对角线位置以外的各个位置的特征值表示对应两个水位站之间的距离，所述拓扑矩阵的对角线位置上的各个位置的特征值为0。接着，将所述拓扑矩阵通过第一卷积神经网络以获得拓扑特征矩阵。然后，将各个所述水位站的水位特征向量进行二维拼接以获得水位特征矩阵。接着，融合所述拓扑特征矩阵和所述水位特征矩阵以获得映射特征矩阵。然后，将所述映射特征矩阵通过经训练阶段训练完成的所述第二卷积神经网络以获得融合特征矩阵。接着，获取待预测的水位站的水位特征向量。然后，将所述待预测的水位站的水位特征向量作为查询向量与所述融合特征矩阵进行矩阵相乘以获得分类特征向量。最后，将所述分类特征向量通过分类器以获得分类结果，所述分
类结果用于表示带预测的水位站的水位变化情况。
[0073]
综上，基于本技术实施例的基于水位联动的水位预测方法被阐明，其采用基于上下文的编码器模型对每个水位站在各个时间点的水位数据进行编码处理，同时使用卷积神经网络对所述各个水位站的拓扑矩阵进行特征提取，进一步再将所述各个水位站的水位特征映射到拓扑特征空间中，并且采用基于序列进化的约束因数来构造损失函数，从而使得通过更新第二卷积神经网络的参数来促进信息融合，以对于所述水位特征信息与所述拓扑特征信息的融合程度进行判定。这样，可以提高对于水位预测的准确性，以确保船舶的安全航行。
[0074]
示例性系统
[0075]
图6图示了根据本技术实施例的基于水位联动的水位预测系统的框图。如图6所示，根据本技术实施例的基于水位联动的水位预测系统600，包括：训练模块610和推断模块620。
[0076]
如图6所示，所述训练模块610，包括：水位数据获取单元6101，用于获取各个水位站在各个时间点的水位数据；编码单元6102，用于将各个所述水位数据获取单元6101获得的所述水位站在各个时间点的水位数据通过包含嵌入层的基于上下文的编码器模型以获得对应于各个所述水位站的特征向量的序列，并将各个所述水位站的特征向量的序列中各个特征向量进行级联以获得各个所述水位站的水位特征向量；拓扑矩阵获取单元6103，用于获取所述多个水位站的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的特征值表示对应两个水位站之间的距离，所述拓扑矩阵中对角线位置上的各个位置的特征值为0；第一卷积单元6104，用于将所述拓扑矩阵获取单元6103获得的所述拓扑矩阵通过第一卷积神经网络以获得拓扑特征矩阵；二维拼接单元6105，用于将各个所述编码单元6102获得的所述水位站的水位特征向量进行二维拼接以获得各个所述水位站的水位特征矩阵；融合单元6106，用于融合所述第一卷积单元6104获得的所述拓扑特征矩阵和所述二维拼接单元6105获得的所述水位特征矩阵以获得映射特征矩阵；第二卷积单元6107，用于将所述融合单元6106获得的所述映射特征矩阵通过第二卷积神经网络以获得融合特征矩阵；待预测水位特征向量生成单元6108，用于从各个所述编码单元6102获得的所述水位站的水位特征向量中获取待预测的水位站的水位特征向量；矩阵相乘单元6109，用于将所述待预测水位特征向量生成单元6108获得的所述待预测的水位站的水位特征向量作为查询向量分别与所述融合单元6106获得的所述映射特征矩阵和所述第二卷积单元6107获得的所述融合特征矩阵进行矩阵相乘以获得第一特征向量和第二特征向量；约束因数计算单元6110，用于计算所述矩阵相乘单元6109获得的所述第一特征向量和所述矩阵相乘单元6109获得的所述第二特征向量之间的序列进化的约束因数，其中，所述序列进化的约束因数包含两项，第一项为所述第一特征向量与第二特征向量之间的交叉熵数值，第二项为所述第一特征向量和所述第二特征向量分别通过分类器获得的第一类别概率值与第二类别概率值之商的对数函数值；分类损失函数计算单元6111，用于将所述矩阵相乘单元6109获得的所述第二特征向量通过分类器以获得分类损失函数值；以及训练单元6112，用于以所述分类损失函数计算单元6111获得的所述分类损失函数值和所述约束因数计算单元6110获得的所述序列进化的约束因数之间的加权和作为损失函数值来训练所述第二卷积神经网络。
[0077]
如图6所示，所述推断模块620，包括：推断数据获取单元6201，用于获取各个水位
站在各个时间点的水位数据；特征向量生成单元6202，用于将各个所述推断数据获取单元6201获得的所述水位站在各个时间点的水位数据通过包含嵌入层的基于上下文的编码器模型以获得对应于各个所述水位站的特征向量的序列，并将各个所述水位站的特征向量的序列中各个特征向量进行级联以获得各个所述水位站的水位特征向量；水位站拓扑获取单元6203，用于获取所述多个水位站的拓扑矩阵，所述拓扑矩阵的除对角线位置以外的各个位置的特征值表示对应两个水位站之间的距离，所述拓扑矩阵的对角线位置上的各个位置的特征值为0；拓扑特征矩阵生成单元6204，用于将所述水位站拓扑获取单元6203获得的所述拓扑矩阵通过第一卷积神经网络以获得拓扑特征矩阵；水位特征矩阵生成单元6205，用于将各个所述特征向量生成单元6202获得的所述水位站的水位特征向量进行二维拼接以获得水位特征矩阵；映射特征矩阵生成单元6206，用于融合所述拓扑特征矩阵生成单元6204获得的所述拓扑特征矩阵和所述水位特征矩阵生成单元获得的所述水位特征矩阵以获得映射特征矩阵；融合特征矩阵生成单元6207，用于将所述映射特征矩阵生成单元6206获得的所述映射特征矩阵通过经训练阶段训练完成的所述第二卷积神经网络以获得融合特征矩阵；待预测水位获取单元6208，用于获取待预测的水位站的水位特征向量；分类特征向量生成单元6209，用于将所述待预测水位获取单元6208获得的所述待预测的水位站的水位特征向量作为查询向量与所述融合特征矩阵生成单元6207获得的所述融合特征矩阵进行矩阵相乘以获得分类特征向量；以及，分类单元6220，用于将所述分类特征向量生成单元6209获得的所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示带预测的水位站的水位变化情况。
[0078]
这里，本领域技术人员可以理解，上述基于水位联动的水位预测系统600中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的基于水位联动的水位预测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0079]
如上所述，根据本技术实施例的基于水位联动的水位预测系统600可以实现在各种终端设备中，例如基于水位联动的水位预测算法的服务器等。在一个示例中，根据本技术实施例的基于水位联动的水位预测系统600可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于水位联动的水位预测系统600可以是该终端设备的操作装置中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于水位联动的水位预测系统600同样可以是该终端设备的众多硬件模块之一。
[0080]
替换地，在另一示例中，该基于水位联动的水位预测系统600与该终端设备也可以是分立的设备，并且该基于水位联动的水位预测系统600可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0081]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0082]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0083]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0084]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0085]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。