Page 64 - 2023年第54卷第9期

测径流量的平均值。

４ 结果分析

４．１ 模型构建 通过调整模型不同隐藏层卷积核的数量、大小、步长和填充参数，减小数据的时间分
辨率（序列长 度 ）并 增 加 数 据 的 通 道 深 度， 以 提 高 模 型 对 数 据 全 局 特 征 的 学 习 能 力。 同 时 选 用
ＬｅａｋｙＲｅＬＵ作为激活函数，ＬｅａｋｙＲｅＬＵ解决了 Ｓｉｇｍｏｉｄ容易梯度消失和 ＲｅＬＵ神经元死亡的问题，且相
比 ＥＬＵ在 训 练 中 速 度 更 快 ［２５］ 。选 用 ＳｍｏｏｔｈＬ１Ｌｏｓｓ作 为 损 失 函 数，ＳｍｏｏｔｈＬ１Ｌｏｓｓ与 平 均 绝 对 误 差
Ｌ１Ｌｏｓｓ相比平滑了趋近于 ０时的误差，与均方误差 ＭＳＥ相比对离群点更不敏感，增加了训练过程的稳
定性 ［２６］ 。
结合黄台桥水文站汇水区域特点与历史洪水资料，选取洪峰前后各 ２４ｈ的降雨数据 ４８维、流量
数据 ４８维共计 ９６维向量作为 ＡＥ数据降维模型的编码器输入，输出 ５维隐藏向量到解码器中进行数
据重构。选取预报时刻前 １２ｈ的降雨流量数据和预见期（２４ｈ）内的降雨数据作为洪水预报模型输入，
通过两个 ＲＣＮＮ网络提取前期降雨流量特征和预见期内降雨特征，将两类特征拼接后通过反卷积层实
现对预见期内流量过程的预报。具体模型结构参数如表 １、表 ２所示。
４．２ 数据降维结果分析 在对构建的 ＡＥ数据降维模型进行 ５００次训练后，通过 ５维隐藏向量解码得
到的重构流量数据误差为 ８％，重构降雨数据误差为 １１％，部分重构降雨流量数据与原始数据对比如
图 ６所示，其中重构流量数据能够反映原始数据的整体趋势，且在散点图中不同量级流量条件下表现
出较为一致的重构效果。而重构降雨数据能够基本还原主要降雨过程，但降雨量较小时的重构效果略
显不佳，其散点图也表现出相同的特点，部分较小的降雨存在重构值等于 ０的情况，但仍能保留原始
数据大部分的降雨特征。由此可见，ＡＥ数据降维模型能够利用编码器得到的隐藏向量实现对原始降
雨流量数据的基本还原，可以使用隐藏向量作为降维后的原始数据进行聚类分析。
４．３ 洪水聚类结果分析 对 ＡＥ数据降维模型中编码器得到的隐藏向量进行不同数量聚类中心的 Ｋ均
值聚类，计算其 ＳＳＥ和 ＳＣ，并将 ＳＣ同直接应用原始降雨数据的聚类结果进行对比，如图 ７所示。其
中 ＳＳＥ下降速度突然变缓的拐点处对应的聚类中心数量被认为具有更好的聚类效果（肘部法则），ＳＣ
则用于描述聚类后的轮廓清晰度，ＳＣ＞０即代表聚类结果是相对紧凑的，ＳＣ越大则轮廓越清晰。在不
同聚类中心数下，ＳＣ１均大于 ＳＣ２，表明应用 ＡＥ降维数据的聚类效果优于直接应用原始降雨数据。
且当聚类中心为 ３时，ＳＳＥ下降速度突然变缓且 ＳＣ１最大，因此确定聚类中心 Ｋ为 ３。

表 １ ＡＥ数据降维模型结构参数
功能 网络层 卷积核参数（ｎｕｍ、ｓｉｚｅ、ｓｔｒｉｄｅ、ｐａｄｄｉｎｇ） 数据维度（通道× 序列）
输入层 ２ × ４８
卷积层 １６、３、２、０ １６ × ２３
卷积层 ６４、３、２、０ ６４ × １１
编码器 卷积层 ２５６、３、１、０ ２５６ × ９
卷积层 ６４、３、１、０ ６４ × ７
卷积层 １０、３、２、０ １０ × ３
卷积层 ５、３、１、０ ５ × １
输入层 ５ × １
反卷积层 ６４、４、２、０ ６４ × ４
反卷积层 ２５６、４、２、０ ２５６ × １０
解码器
反卷积层 ２５６、４、２、０ ２５６ × ２２
反卷积层 ３２、４、２、０ ３２ × ４６
反卷积层 ２、３、１、０ ２ × ４８

— １ ０ ４ —
７