一种改进时间卷积网络的水库中长期月径流量预测方法与流程

1.本发明涉及水文预测技术领域，更确切地说，它涉及一种改进时间卷积网络的水库中长期月径流量预测方法。


背景技术：

2.水资源中流量大小是制定大部分有关水资源系统运行、管理方案的基础因素，其涉及的影响范围之广包括旱灾洪涝预防、自然生态环境保护、梯级水电站自动化运行、水库径流发电调度、轮渡航运管理以及工业需水的资源分配等领域中，具有十分重要的战略地位。
3.径流预测的实质是通过有效的技术手段对历史气象数据与水文数据进行采集和分析，实现对不同时间段内的径流趋势进行精准预测，其作为当今水资源研究领域中举足轻重的一环，对后续研究的开展具有关键的现实意义与指导作用。
4.时至今日，国内外相关领域专家及研究人员提出的各类水文模型日趋复杂化、多样化和实用化。从水循环动力学机制、水文历史成因及计算机技术层面上划分，水文预测模型可分为基于物理成因驱动分析模型、基于传统数理统计分析模型、人工智能分析模型。物理成因驱动分析模型通过探寻大气环流、全球气象、融雪特征等独特气象背景异常信号来与流域内的水文特征进行信息关联，但缺点是不具备可复制性，不同流域预报因子的物理要素分析是不具备通用性的，呈现因地制宜现象；数理统计分析方法依靠于大量流域历史水文相关数据，很大程度上依赖于水文数据的高度完整性，如若存在山区水文数据缺失、径流数据量不够充足、统计结果存在误导性情况，则利用该方法建立的统计模型不具备充分可信度的；人工智能方法在水文预报领域具有极大的应用前景，但目前仍存在缺乏近年来新提出的深度学习方法应用于复杂且耦合度高的多源水文、气象时空数据的应用经验，且现阶段各种深度学习模型、机器学习模型等均需根据不同的情况进行参数选择，需耗费大量的时间、精力对模型进行反复训练寻求最优解。


技术实现要素：

5.本发明的目的是克服现有技术中的不足，提供了一种改进时间卷积网络的水库中长期月径流量预测方法。
6.第一方面，提供了一种改进时间卷积网络的水库中长期月径流量预测方法，包括：
7.s1、确定目标流域，根据所述目标流域选取水文影响因子，并获取所述水文影响因子对应的水文源数据；
8.s2、对所述水文源数据进行预处理，所述预处理包括清洗、去噪、补齐；
9.s3、改进时间卷积网络模型，包括：
10.s3.1、构建扩张因果卷积并行网，对预处理后的水文源数据进行数据特征提取；
11.s3.2、重构残差连接方式，替换标准卷积为扩张卷积和因果卷积；
12.s3.3、将s3.1和s3.2整合构建的时间卷积网络模型进行输出保存；
13.s4、利用训练集对所述改进时间卷积网络模型进行训练，并保存训练后的改进时间卷积网络模型；
14.s5、根据经所述改进时间卷积网络模型计算后的水文源数据的数据特征，进行目标流域径流值输出。
15.作为优选，s1中，根据主成分分析方法对目标流域径流量物理性质具有相关性的自然影响因素进行筛选，确定所述目标流域对应的水文影响因子。
16.作为优选，s2中，将所述预处理后的水文源数据进行建模处理，并将所述预处理后的水文源数据进行数据降维。
17.作为优选，s3.1包括：
18.s3.1.1、构建基础因果卷积核；
19.s3.1.2、构建基础扩张卷积核；
20.s3.1.3、将所述基础因果卷积核和所述基础扩张卷积核进行并行连接，获取扩张因果卷积核并行网，输出经过多卷积处理后的特征结果。
21.作为优选，s3.1.3包括：
22.s3.1.3.1、在超参数中根据水文影响因子的数量，确定输入量、核网层数构建卷积核块，进行扩张因果卷积的并行连接；
23.s3.1.3.2、将输入数据i经过卷积层中大小为dx1，扩张因子为d的的卷积滤波fn作用之后，得到输出数据t；其中，所述输入数据i为由n种数据，总时间跨度为m的时间序列数据构成的n
×
m的矩阵，所述输出数据t为n个特征图；第n个特征图tn由输入in与卷积滤波fn进行扩张卷积运算获得，其计算公式如下：
24.tn＝fn×in
25.其感受野大小计算公式为：
26.r
n 1
＝(2
d 2-1)
×
(2
d 2-1)
27.改进时间卷积网络中多层多维卷积网的感受野大小计算递推公式为：
[0028][0029]
其中，si表示第i层步长，kn表示第n层卷积核尺寸，卷积核尺寸计算公式为：
[0030][0031]
其中，p表示模型中填充值padding；k表示卷积核尺寸；s表示步长；
[0032]
s3.1.3.3、根据既定的扩张因子大小、网络层数大小，待特征输入经过卷积操作后，利用最大池化操作max-pooling，得到融合后的特征结果；
[0033]
s3.1.3.4、将融合特征结果进行全连接层输入，进行随机丢弃dropout正则化操作，并对正则化后的融合特征进行softmax操作，得到输出的多影响因子输出特征值；
[0034]
s3.1.3.5、采用mse_loss函数作为损失函数评判所述多影响因子输出特征值，损失函数公式为：
[0035][0036]
其中，yi为各影响因子输出预测特征值，y
′i为各影响因子输出实际特征值。
[0037]
作为优选，s3.2包括：
[0038]
s3.2.1、构建基础残差连接，将模型的输入层与全连接层进行连接，一个残差块b包括直接映射部分与残差部分，表达公式为：
[0039][0040]
其中，xn表示第n层卷积层蕴含的依赖信息；c表示扩张卷积操作，即直接映射部分；f为不同层之间进行残差映射操作；ci表示第i层卷积层的卷积操作；xi表示第i层卷积层蕴含的依赖信息；
[0041]
s3.2.2、构建多层卷积核网相对应的多层并行连接的通用残差块，来进行水文源数据多维度特征提取；
[0042]
s3.2.3、对基础残差连接中的一维普通卷积进行重新构建，将s3.1.1和s3.1.2中构建的已有卷积类进行替换和数据传输的维度拼接；
[0043]
s3.2.4、经残差连接的源数据特征输入经过两组的卷积、归一化、激活和正则化操作，得到水文源数据的特征向量。
[0044]
作为优选，s3.2.2中，根据超参数中并行网层数进行循环构建通用残差块，每一层残差块中包含两层扩张因果卷积和激活函数relu，并应用权重归一化到卷积核，此外在每次扩张因果卷积后添加dropout进行正则化。
[0045]
第二方面，提供了一种改进时间卷积网络的水库中长期月径流量预测装置，用于执行第一方面任一所述的一种改进时间卷积网络的水库中长期月径流量预测方法，包括：
[0046]
获取模块，用于确定目标流域，根据所述目标流域选取水文影响因子，并获取所述水文影响因子对应的水文源数据；
[0047]
预处理模块，用于对所述水文源数据进行预处理，所述预处理包括清洗、去噪、补齐；
[0048]
改进模块，用于改进时间卷积网络模型，包括：构建扩张因果卷积并行网，对预处理后的水文源数据进行数据特征提取；重构残差连接方式，替换标准卷积为扩张卷积和因果卷积；将整合构建的时间卷积网络模型进行输出保存；
[0049]
训练模块，用于利用训练集对所述改进时间卷积网络模型进行训练，并保存训练后的改进时间卷积网络模型；
[0050]
输出模块，用于根据经所述改进时间卷积网络模型计算后的水文源数据的数据特征，进行目标流域径流值输出。
[0051]
第三方面，提供了一种计算机存储介质，所述计算机程序在计算机上运行时，使得计算机执行如第一方面任一所述的一种改进时间卷积网络的水库中长期月径流量预测方法。
[0052]
第四方面，提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行
时，使得计算机执行如第一方面任一所述的一种改进时间卷积网络的水库中长期月径流量预测方法。
[0053]
本发明的有益效果是：
[0054]
(1)本发明利用扩张卷积和因果卷积自身特点，通过构建多卷积核并行网进行多源水文特征并行提取，同时处理按时间尺度划分的多源水文数据、气象数据，使得预测结果更加贴近真实流域自然系统，提升了径流预测的精确性。
[0055]
(2)本发明结合扩张卷积特性，能通过控制扩张因子大小有效达到更少的层数传递更多的特征，简化模型结构，提升计算效率。
[0056]
(3)本发明重构了残差连接方式，将多组残差连接按层次划分构成多层残差连接网，避免数据特征多层传递导致的特征损失与抽象化，简化整体水文特征的学习过程。
[0057]
(4)本发明通过神经网络卷积运算，获得保持因果和长跨度的水文特征向量，保证预测结果的精确性和稳定性。
附图说明
[0058]
图1为一种改进时间卷积网络的水库中长期月径流量预测方法的流程图；
[0059]
图2为本发明提供的扩张因果卷积结构示意图；
[0060]
图3为本发明提供的n层卷积核网流程图；
[0061]
图4为本发明提供的n层扩张因果卷积核并行网结构图；
[0062]
图5为本发明提供的k层残差连接结构图；
[0063]
图6为采用本发明所提供方法的水库径流预测结果；
[0064]
图7为采用循环神经网络的水库径流预测结果；
[0065]
图8为采用长短时记忆网络的水库径流预测结果；
[0066]
图9为采用标准时间卷积网络的水库径流预测结果；
[0067]
图10为采用单隐层bp的人工神经网络的水库径流预测结果；
[0068]
图11为采用三层bp神经网络的水库径流预测结果；
[0069]
图12为采用支持向量机模型的水库径流预测结果；
[0070]
图13为一种改进时间卷积网络的水库中长期月径流量预测装置的结构框图。
具体实施方式
[0071]
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
[0072]
实施例1：
[0073]
在全球自然环境中，径流的形成受地表水资源、区域性降雨、地形等复杂因素影响，如何合理选取多源水文预报因子，有效提取水文特征，达到高效率、高准确度的月径流预测模型是当前水资源发展需求下迫切需要解决的问题。
[0074]
本发明分别针对已有径流预测方法所显现的预测精度难以提升、新兴深度学习技术缺乏引用经验以及多源水文特征冗杂的缺点进行改进。
[0075]
本发明采用改进时间卷积网络模型的方法，构建径流预测模型，以期能高效提取
水文特征并提升径流预测结果准确率。相较于普通卷积，扩张卷积能使得模型灵活接受任意尺寸的感受野，即使牺牲一定网络深度也能以较大感受野抽取数据特征，并将其映射到相同长度输出序列。同时，因果卷积，保证模型不能颠倒序列顺序，防止信息“泄露”，即该时刻的输出仅与上一层中该时刻对应输入及更早时刻输入进行卷积，与未来时刻无关。
[0076]
具体地，如图1所示，本发明提供的一种改进时间卷积网络的水库中长期月径流量预测方法，包括：
[0077]
s1、确定目标流域，根据所述目标流域选取水文影响因子，并获取所述水文影响因子对应的水文源数据。
[0078]
在s1中，可以根据目标流域的自然特点进行相应的水文影响因子选取比如常见降雨量、平均径流量、蒸发量等，部分流域根据潮汐现象或是大气环流因子影响可选取其他如太阳黑子量等作为影响因子在后续步骤中进行多维序列矩阵构建，作为输入层输入。
[0079]
示例地，本发明选取目标流域为三峡水库，根据主成分分析方法对目标流域径流量物理性质具有相关性的自然影响因素进行筛选，确定目标流域对应的水文影响因子包括：月平均径流量、平均气温、月平均降雨量、月平均蒸发量、月平均渗透量、月平均降雪量、月平均风速、月平均水汽压差和月平均湿度。
[0080]
在确定水文影响因子后，利用关系型数据库mysql及excel作为数据处理工具对所记录的数据按照行、列形式分批分类进行记录并批量导入，以及利用腾讯云图管理工具对数据进行可视化分析。
[0081]
s2、对水文源数据进行预处理，所述预处理包括清洗、去噪、补齐。
[0082]
s2.1、对水文源数据进行清洗。
[0083]
需要说明的是，模型所收集的数据具有不同的量纲与尺度，特定格式所表达的数值与其真实表示的含义值大不相同，在模型归一化后进行特征提取无法达到既定的特征效果，故需要对已有数据进行整理，将含有特殊含义的数据进行转换，方便特征值提取。依据中国气象局2020年4月实施的《气象要素特征值》标准进行研究，针对各不同气象要素特征值格式进行转换，从而使得数据数值合乎模型输入范畴，气象特征转换如下表1所示：
[0084]
表1
[0085][0086]
s2.2、对水文源数据进行去噪。
[0087]
本发明采用的数据中存在噪声影响会导致较为严重的影响，考虑到本发明数据的多源性、趋势性特点，选用滚动平均值方法，通过预先计算窗口范围内的平均值，选用来自窗口期的一系列历史数据，并且为每个有序窗口计算平均值，以此来进行去噪操作，极大帮助去除时间序列中的噪声影响。
[0088]
s2.3、对水文源数据进行补齐。
[0089]
现存时间序列数据通常以非结构化格式存在，因保存方法不当或是记录有误等情况存在记录不完整、记录出错等问题存在。针对上述的情况，通过相关脚本工具、文档处理工具、数据存储工具等进行快速筛选，将不符合现实际记录区间、与字段不符的数据进行筛选剔除。对于数据中以月和日为单位的数据进行平均值拼接得到，对于部分重要的缺失数据，分析同源数据进行数据填补，并按照日、月的尺度进行信息组合。每条样本的数据类型中包括水文数据、气象数据、土地类型等。
[0090]
s2.4、将已处理好的水文数据在输入层进行建模处理，使得模型输入层能够以既定损失函数来评判数据模型，并根据任务所需如预测差值最小化、调度时间最小化、数据分配最大化等目标进行优化选择，调控输入数据进行特征选取。
[0091]
s2.5、为避免各因子之间高相关性造成的预报有误，本模型在输入层处理时运用主成分分析方法对初定的影响因子进行数据降维，降低数据之间的相关性。
[0092]
s2.6、输入多维序列为dn,可用式(1)表示，模型预测得到的理想输出序列为y1,y2,...yn，为了预测未来一段时间内的输出y
n m
，模型应合理运用该时间段前的数据序列d
n m-1
，该过程可用式(2)表示，其中x、t、s代表前文选取的影响因子随时间序列的量化值，f
代表抽象的神经网络模型处理过程。
[0093][0094][0095]
其中根据前文所分析时间卷积网络模型结构特征可知预测输出y
n m
仅仅与输入的多维矩阵d
n m-1
有关，而并不受其他“未来”时间段的影响。
[0096]
s3、在已建立数据模型基础上，将其作为输入层输入，改进时间卷积网络模型，包括：
[0097]
s3.1、构建扩张因果卷积并行网，对预处理后的水文源数据进行数据特征提取。
[0098]
s3.1包括：
[0099]
s3.1.1、构建基础因果卷积核。
[0100]
在一种可选的实现方式中，本发明利用torch库中已有的相关包类，构建基础的因果卷积核，因果卷积结构如图2所示，该时刻的输出仅与上一层中该时刻对应输入及更早时刻输入进行卷积，与未来时刻无关。当卷积核尺寸k取值为3，每一层的该时刻输出都是由前一层对应的位置及前两个位置的输入共同计算得到，并且随着隐藏层层数的增加，一个输出所对应的输入越多，如图2中隐藏d＝1时对应时刻点为三个，当d＝2时对应d＝1层的时刻点为三个，但是对应原始输入层的点数为9个，即随着层数加深，一个输出对应的的最底层输入特征是综合包含了几何倍数数量的输入，则所需要考虑的时间序列数据时刻越久。
[0101]
s3.1.2、构建基础扩张卷积核。
[0102]
同样利用torch.nn包中提供相关类，构建扩张卷积核的基础类，请继续参考图2，图2中隐藏层最下层扩张系数大小为d＝1，表示输入时每个时间点都进行采样，下一层d＝2表示每两个时间点作为一个输入，当隐藏层d＝8时，时刻t感受野大小为最下层时刻t-17至t时刻数据，而此时隐藏层仅3层结构，这样随着层数加深，有效窗口的大小呈指数增长，则能以更少的层数获取更大的感受野以及更低的网络复杂度。
[0103]
需要说明的是，图2中的结构是因果卷积和扩张卷积均体现的，因果卷积的体现是按照时间序列依次提取特征，扩张卷积的体现是多层之间提取特征时候特征感受具有几何倍数增加而不是按时间步长一对一特征抽象。
[0104]
s3.1.3、将基础因果卷积核和基础扩张卷积核进行并行连接，获取扩张因果卷积核并行网，输出经过多卷积处理后的特征结果。
[0105]
如图3所示，其中d
mxn
表示经过预处理过后的序列建模结果，i表示输入层输入，w
(n，0)
代表多卷积核网中第0行n列的卷积核权重，w
(n-1，0)
同理，n层多卷积核网使得其在面对多维、多源水文数据时能够并行处理相应数据，卷积提取隐含特征。通过组成卷积核并行网的方式进行卷积运算，类似于并行矩阵乘法规则，中间需要包含数次的乘加操作，具体地如经输入层处理后的数据表示为一个n阶张量，然后在卷积层中处理时将该张量依次按照mode进行分离，每次分离时单独对该mode进行一维卷积滤波，待操作后输出的特征再重新
融合形成卷积后的张量，接着按后续的网络层结构设定继续后续操作，最后输出一组经过多卷积处理后的特征结果。
[0106]
具体地，s3.1.3包括：
[0107]
s3.1.3.1、在超参数中根据水文影响因子的数量，确定输入量、核网层数构建卷积核块，进行扩张因果卷积的并行连接。
[0108]
s3.1.3.2、将输入数据i经过卷积层中大小为dx1，扩张因子d为2的的卷积滤波fn作用之后，得到输出数据t；其中，输入数据i为由n种数据，总时间跨度为m的时间序列数据构成的n
×
m的矩阵，输出数据t为n个特征图；第n个特征图tn由输入in与卷积滤波fn进行扩张卷积运算获得，其计算公式如下：
[0109]
tn＝fn×in
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0110]
其感受野大小计算公式为公式(4)，即该层卷积核感受野为15x15＝225。
[0111]rn 1
＝(2
d 2-1)
×
(2
d 2-1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0112]
根据设定参数进行并行结构构造后，改进后的网络结构如附图4所示。需要说明的是，图3中的w(n，0)和图4中的0表达意思一致。这是因为一般扩张卷积除了正常卷积核(图4中的黑色部分)，需要用到0(图4中的白色部分)作为填充，w(n，0)表示的是第0行n-1列的卷积核权重，在图3的环境和图4的环境观察粒度不同，所以用不同方式表示，但是在本发明中都是用0填充，所以在图4中粒度更细的情况下，可以直接用0表示。
[0113]
改进时间卷积网络中多层多维卷积网，感受野大小计算递推公式如(5)所示。
[0114][0115]
式中，si表示第i层步长，kn表示第n层卷积核尺寸。卷积核尺寸计算公式如(6)。
[0116][0117]
其中，p表示网络模型中padding值，k表示卷积核尺寸；s表示步长。输入数据经过此类多次卷积操作后，其水文数据中包含的抽象特征被有效提取，且仍可保持各种类数据的内联性，经过多层卷积操作后通过tcn中全卷积层获得与输入维度相同的输出矩阵。
[0118]
s3.1.3.3、根据既定的扩张因子大小、网络层数大小，待特征输入经过卷积操作后，利用max-pooling池化操作，得到融合后的特征结果；
[0119]
s3.1.3.4、将融合特征结果进行全连接层输入，进行dropout正则化操作，并对正则化后的融合特征进行softmax操作，得到输出的多影响因子输出特征值；softmax是现有的一种函数；
[0120]
s3.1.3.5、模型中训练样本损失函数采用mse_loss函数，可直接利用torch中提供的torch.nn.mse_loss方法，损失函数公式为(7)所示。
[0121][0122]
其中，yi代表了各影响因子输出特征值，y
′i为各影响因子输出实际特征值。激活函
数采用relu函数。
[0123]
s3.1.3.6、整体模型参数更新利用梯度裁剪方式进行更新，可直接利用torch库中提供的torch.nn.utils.clip_grad_norm方法，其计算公式如(8)。
[0124]gnew
＝g
old
*(clip/g
l2
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0125]
其中，g
new
，g
old
代表迭代前后梯度值，g
l2
代表经l2正则化的梯度值，clip代表预先设定的裁剪值。
[0126]
s3.2、重构残差连接方式，替换标准卷积为扩张卷积和因果卷积。
[0127]
考虑到改进tcn径流预测模型需要学习长时间跨度下多维度水文数据，网络卷积层仍然具有非常庞大的数量，且经过多层卷积、压缩操作，依赖信息较原始信息仍有一定差别与丢失，故在网络模型中引入残差连接方式，使得网络能够跨层传输底层依赖信息，最大限度让输出层融合高阶特征与详细的底层特征，提升径流预测精确度。具体包括：
[0128]
s3.2.1、利用torch库中已提供相关类，构建基础残差连接，将模型的输入层与全连接层进行连接，保证数据通道，一个残差块b包括直接映射部分与残差部分，其表达公式为(9)所示。
[0129][0130]
其中，xn表示第n层卷积层蕴含的依赖信息；c表示扩张卷积操作，即直接映射部分；f为不同层之间进行残差映射操作。
[0131]
s3.2.2、为适应多层卷积核网，建多层卷积核网相对应的多层并行连接的通用残差块，来进行水文源数据多维度特征提取。
[0132]
s3.2.2中，根据超参数中并行网层数进行循环构建通用残差块，每一层残差块中包含两层扩张因果卷积和激活函数relu，并应用权重归一化到卷积核，此外在每次扩张因果卷积后添加dropout进行正则化。其结构图如图5示，其中公式代表第n-1层残差网络中输出从时刻1至时刻t经公式(9)计算出的特征值，针对k层并行残差块，源数据输入各层残差函数中，为解决不同的输入输出宽度，额外利用一层扩张卷积确保得到相同形状的张量。
[0133]
s3.2.3、为利用扩张卷积与因果卷积的性能优势，对基础残差连接中的一维普通卷积进行重新构建，将s3.1.1和s3.1.2中构建的已有卷积类进行替换和数据传输的维度拼接。
[0134]
在图5中，在网络层接收的特征数据在经过k层并行连接的残差连接后以两部分形式进行传递，第一部分为图5中正常经过tcn模型卷积层、全连接层等处理后的融合特征，用于作为主要影响特征作为后续径流预测支持；第二部分是图5中右边经过残差连接，将底层完整数据直接进行单层数据特征压缩和提取，并在最终结果中作为补充支持。
[0135]
s3.2.4、经残差连接的源数据特征输入经过两组的卷积、归一化、激活和正则化操作，得到水文源数据的特征向量。
[0136]
s3.3、将s3.1和s3.2整合构建的时间卷积网络模型进行输出保存。
[0137]
s4、利用训练集对改进时间卷积网络模型进行训练，并保存训练后的改进时间卷积网络模型。
[0138]
示例地，在torch中model类中提供相应的train和save方法来进行模型训练和保存，得到最优结果。
[0139]
s5、根据经改进时间卷积网络模型计算后的水文源数据的数据特征，进行目标流域径流值输出。
[0140]
需要说明的是，模型预测结果为多因子(即s1选取的多个水文影响因子)的综合结果，最终输出为单因子的径流值，根据实际需要可在s3.1.3.4的综合特征阶段进行特征分解输出，即可得到多因子水文结果。这对于目标流域未来一段时间内水文情况展示具有积极意义，如温湿度变化情况、风速、降雨降雪变化情况等，便于观测者更加直观感受到径流趋势与各个影响因子之间的关联性。
[0141]
实施例2：
[0142]
图3是步骤s2.6及s3.1.3所述的将所选取相关影响因子进行建模并输入进行扩张因果卷积并行网的一个实例流程演示，包括下面几个部分：
[0143]
n层输入数据：以时间序列为根维度，将不同类型的数据序列进行多层输入数据汇总；
[0144]
序列建模：在数据抽象化之后，构建mxn的数据矩阵；
[0145]
n层多卷积核网：将扩张卷积核与因果卷积核进行并行连接，对mxn矩阵进行特征转换，矩阵中不足区域用0进行填充。
[0146]
实施例3：
[0147]
《水文情报预报规范》中规定预见期超过流域最大汇流时间，且在三天以上一年以内的水文径流预报允许误差范围为变幅的20％内，其中相对误差计算公式如(10)所示：
[0148][0149]
为了验证本发明提出的模型有效性和计算性能，评估预测结果的精确性和有效性，采用均方根误差(root mean squared error，rmse)、平均绝对误差(mean absolute error，mae)及纳什系数(nash sutcliffe，nse)评价指标来进行预测精度的评价，具体计算公式分别如下(11)、(12)、(13)所示。
[0150][0151][0152][0153]
式中y(i)表示第i月径流实测值，y’(i)表示第i月径流预测值，y表示实测月径流平均值，n为径流时间序列长度。
[0154]
rmse为均方根误差的算术平方根，取值范围为0到正无穷，其取值越小表明模型拟合越优，越具有更高的精确度。mae是平均绝对误差，是绝对误差的平均值，能很好反映预测值误差的实际情况，其取值范围为0到正无穷，值越小表明模型误差越小。纳什系数nse用于评价模型精度，一般用于验证水文模型模拟结果好坏，其范围为负无穷到1，数值越接近1，代表模型精确度越高，若nse数值为负数则表明模型无法正常完成模拟。
[0155]
实验一、径流预测模型在实际预测中，根据国家出版的水文情报规范所规定需进行模型可行性分析，一般实验开展需根据某水库或水文站某时间段内径流预测结果进行抽样实验结果合格情况检查，示例地，表2为三峡水库径流量数据抽样实验结果。
[0156]
表2
[0157]
[0158][0159]
由实验结果发现，改进tcn模型得出的预测值在相对误差值上是完全符合水文情报规范中要求的中长期径流预测要求的。
[0160]
实验二、为更好地展现本发明提出的改进模型在中长期月径流预测中的精确性，同时选用日前径流预测领域技术选型较多的三层bp模型、svm模型、rnn模型、tcn模型、基于单隐藏层bp构建的ann模型、lstm模型以及本发明方法对数据样本进行拟合实验，进一步对
比八种模型在水文径流变化趋势中的差异。考虑到各模型间不同超参数设置会对预测结果有一定影响，本文在原模型的基础上经过交叉验证、多次试错以及以往经验参考得出针对本文数据集的最佳参数。各模型主要设置如下：
[0161]
1)bp神经网络选用单隐藏层结构的三层模型。考虑到输入层及输出层节点数分别为9、1通过经验公式计算可得隐藏层节点数最佳为8，误差控制率为0.001，学习系数为0.01，隐含层传递函数为poslin，输出层传递函数为purelin，学习函数采用trainlm。
[0162]
2)svm模型确定最佳惩罚系数为500，ε值为1.5，γ值为0.001。
[0163]
3)rnn与lstm采用单层模型，隐藏层节点数为32，学习率0.001，网络层神经元数128、64，优化器adam，损失函数均方误差。
[0164]
4)基于单隐藏层bp构建的ann模型，隐藏层节点数为32，隐藏层层数为3，学习率为0.01，激活函数为relu，损失系数为0.3，学习率为0.01。
[0165]
5)tcn模型每层扩张系数为[1，2，4，8，16]，每层卷积核大小设置为5*5，卷积核个数为32，学习率0.001，优化器adam。
[0166]
示例地，三峡水库不同模型径流预测标准差对比结果如表3所示。
[0167]
表3
[0168][0169]
所选取的七个模型中，改进tcn模型的nse值、rmse、mae值均是最优结果，在测试站点中，rnn模型、lstm模型和单隐层bp的ann模型等常规热门水文预测模型的表现差强人意，其平均预测精度远远低于改进tcn模型和原生tcn模型，而相较于今年常用于组合模型中的bp模型、svm模型，模型拟合程度更优。这种实验结果也证实了代表新兴深度学习模型较其他浅层神经网络、机器学习模型更具有强相关性，预测精度表现更高。
[0170]
拟合实验结果如图6、7、8、9、10、11、12所示。
[0171]
对比观察图6与图7、8可得，三种模型对于时间序列数据处理均表现出优良的趋势拟合，选取观测时间段正值降雨高发期，径流变化趋势明显，往往单纯依靠历史气象、水文数据分析难以拟合多变的径流趋势，因此预测结果虽然实际结果仍有一定差距，但基本趋势符合径流变化态势。从rnn与lstm对于长时间序列的处理象性上进行分析，其虽然利用自
身链式递归结构和门控循环单元结构优势对于数据的时间性特征具有较强分析能力，更加利于周期性更长、更稳定的时间段，但面对周期性趋势不明显，变化性更强的时间区间中反而导致进一步强化了对于短期时间的特征局部具象化。
[0172]
对比图6、图9与图10，相较于原生时间卷积网络在面对多源数据处理阶段需要单独进行并在最终预测结果上进行特征融合，改进时间卷积网络在数据特征提取阶段上能更早的直接融合多源水文数据特征，在后续处理过程始终保持所处理的特征是已经在卷积层进行融合抽取后的特征结果，使得最终预测结果相较于原生时间卷积网络更准确，拟合性更高，且从nse值上观察，改进tcn较原始tcn精度更高，更能应对实际生产生活中径流预测需要。
[0173]
对比观察图6、图11和图12，bp模型本身属于人工神经网络的一种，本实验中所用的三层神经结构相较于选用的庞大数据量特征提取仍具有一定困难，对于水文系统的映射表现欠佳，且在模型训练过程也表现出模型收敛速度更慢，周期更长等特点。
[0174]
综上所述，本发明首先利用扩张卷积和因果卷积自身特点，构建多卷积核并行网进行多源水文特征并行提取，达到高效率和精确性；其次，优化残差连接结构，避免数据特征多层传递导致的特征损失与抽象化，简化整体水文特征的学习过程；最后，通过神经网络卷积运算，获得保持因果和长跨度的水文特征向量，保证预测结果的精确性和稳定性。