秦洪亮,秦昊,纪国良

• 1:中国长江三峡集团有限公司
• 2:长江水利委员会水文局
• 3:流域水模拟与预报调度智能技术创新中心

摘要(Abstract)：

为进一步提升水文报汛数据质量管理体系，实现水文报汛数据实时异常监测，拟结合深度学习算法在水文专业的交叉应用，通过分析水文报汛数据的时序特征，结合了卷积神经网络(CNN)和长短期记忆神经网络(LSTM)来增强对特征的处理，同时考虑河道水量传播过程，融合上下游水位、流量数据中隐含的空间关联特征，以实现多步时序预测，挑选长江流域上中下游典型监测站3年的数据构建数据集并进行模拟，结果表明，构建的CNN-LSTM时序预测模型在水位决定系数(R~2)达到0.77,流量模拟的决定系数(R~2)达到0.84,能较好拟合水文预测结果；在此基础上构建了“预测-残差-判别”一体化的水文数据异常检测框架，在三峡水库的水位模拟中异常值检出率为100%,决定系数(R~2)达到0.991,有效实现报汛异常值检测，能为提高流域水文报汛数据质量提供智能算法基础。

关键词(KeyWords)： 水位预测;流量预测;卷积神经网络;多步时序预测;异常检测

Abstract:

Keywords:

基金项目(Foundation): 中国长江三峡集团有限公司科研项目资助(0704218);; 国家重点研发计划(2023YFC3209103);; 国家自然科学基金项目(U2340211)

作者(Author): 秦洪亮,秦昊,纪国良

DOI: 10.13928/j.cnki.wrahe.2025.S2.026

参考文献(References)：

• [1] 程海云.智慧水文建设思考与长江实践[J].中国水利，2024(18):19-24.
• [2] 程海云，熊明，冯宝飞，等.长江现代水文水资源监测预报预警体系[J].水利水电快报，2023,44(7):6-7.
• [3] 程海云.推进新时代长江水文高质量发展体系建设构想[J].人民长江，2023,54(1):88-97.
• [4] 程海云，张俊.南水北调中线工程水源区水文水资源预报与调度研究[J].中国水利，2024(20):45-51.
• [5] 高熠飞，王建平，李林峰.基于柯西分布的水文序列异常值检测方法[J].河海大学学报(自然科学版),2020,48(4):307-313.
• [6] 张日新，朱跃龙，万定生，等.基于特征向量的两阶段异常检测方法研究[J].信息技术，2019,43(11):67-71.
• [7] 周研来，郭生练，张斐章，等.人工智能在水文预报中的应用研究[J].水资源研究，2019,8(1):1-12.
• [8] 倪宪汉，陈浙梁，李欢，等.基于联邦学习的水文遥测数据异常识别与修复[J].浙江工业大学学报，2023,51(6):610-618.
• [9] 李泽宇，乔钢柱，张苗苗.基于对偶对抗学习的多维时间序列异常检测[J].中北大学学报(自然科学版),2024,45(2):205-212.
• [10] KULANUWAT L,CHANTRAPORNCHAI C,MALEEWONG M,et al.Anomaly detection using a sliding window technique and data imputation with machine learning for hydrological time series[J].Water,2021,13(13):1862.
• [11] FARZAD A,GULLIVER T A .Log message anomaly detection with fuzzy C-means and MLP[J].Applied Intelligence,2022,52(15):17708-17717.
• [12] 李云霞，姚建国，万定生，等.一种水文时间序列异常模式检测方法研究[J].计算机技术与发展，2019,29(7):159-163.
• [13] LIU F,ZHANG L,LI H,et al.A weakly supervised time series anomaly detection method with dual-association discrepancy[J].Signal,Image and Video Processing,2024,18(5):4831-4839.
• [14] DING L,FANG W,LUO H,et al.A deep hybrid learning model to detect unsafe behavior:Integrating convolution neural networks and long short-term memory[J].Automation in Construction,2018,86:118-124.
• [15] FILHO J A P,NEVES C F,LOPES W T A,et al.Anomaly detection in hydrological network time series via multiresolution analysis[J].Journal of Hydrology,2024,640(000):15.
• [16] NGU H C V,LEE K M.CL-TAD:A contrastive-learning-based method for time series anomaly detection[J].Applied Sciences,2023,13(21):11938.
• [17] XI H,YUAN Y,DONG H,ZHANG X.Quantifying the effect of land use and land cover changes on spatial-temporal dynamics of water in Hanjiang River Basin[J].Remote Sensing,2024,16(22):4136.
• [18] ZHOU J J,LIN C S,HUAN Y C .Decreasing noise in magnetic anomaly detection basing on wavelet denoising[J].Applied Mechanics & Materials,2013,368-370(III):1860-1863.
• [19] ZERAATGARI F Z,HAFEZIANZADEH F,ZHANG Y-X,et al.Exploring galactic properties with machine learning:Predicting star formation,stellar mass,and metallicity from photometric data[J].Astronomy & Astrophysics,2024,688:A33.
• [20] VLACHAS P R,BYEON W,WAN Z Y,et al.Data-driven forecasting of high-dimensional chaotic systems with long short-term memory networks[J].Proceedings of the Royal Society A Mathematical Physical & Engineering Sciences,2018,474(2213):20170844.
• [21] 王婕婷，张泽珑，李飞江，等.基于图神经网络的时序信号异常检测方法[J].西北大学学报(自然科学版),2025,55(2):343-354.
• [22] KIM H,KIM H .Contextual anomaly detection for multivariate time series data[J].Quality Engineering,2023,35(4):686-695.
• [23] 张怡雯，朱冰.水情信息报送统计考评系统设计与应用[J].水资源研究，2023,12(1):92-97.
• [24] 李少恒，严新军，韩克武，等.融合注意力机制的CNN-LSTM模型预测蒸发皿蒸发量[J].人民长江，2025,56(2):75-81.
• [25] LIU S,ZHOU B,DING Q,et al.Time series anomaly detection with adversarial reconstruction networks[J].IEEE Transactions on Automatic Control,2023,35(4):14.
• [26] 彭玉洁，张冬冬，徐高洪，等.基于VMD-LSTM模型的三峡水库水面蒸发量预测研究[J].人民长江，2024,55(10):110-118.
• [27] LEE S Y,JEONG D Y,CHOI J,et al.LSTM model to predict missing data of dissolved oxygen in land‐based aquaculture farm[J].ETRI Journal,2024,46(6):1047-1060.
• [28] 霍纬纲，侯振环.基于多尺度卷积自注意力的多维时间序列预测[J].计算机工程与设计，2023,44(4):1250-1258.
• [29] MA T,CHEN X.Time series analysis for the adaptive prediction of total phosphorus in the Yangtze River:A machine learning approach[J].Water,2025,17(4):603.
• [30] WU G,ZHANG C.Analysis of water quality prediction in the Yangtze River Delta under the River Chief System[J].Sustainability,2024,16(13):5578.