(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211181400.8 (22)申请日 2022.09.27 (71)申请人 山东省地质矿产勘查 开发局八〇 一 水文地质工程 地质大队 （山 东省地 矿工程勘察院） 地址 250014 山东省济南市历下区经十路 13632号 (72)发明人 刘东义　李欣　冯泉霖　韩鎏　 贾超　赵振伟　邢立亭　王海焦　 岳伟佳　栾元滇　薛峰　齐树明　 谢筱建　石艳　杨硕　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 黄海丽(51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) G16H 50/30(2018.01) G06F 16/2458(2019.01) G06N 3/00(2006.01) G06N 3/04(2006.01) (54)发明名称 地下水水位动态预测方法及系统 (57)摘要 本发明涉及适用于预测目的的数据处理技 术领域， 本发 明公开了地下水水位动态预测方法 及系统； 所述方法， 包括： 获取地下水位历史时序 数据； 对所获取的地下水位历史时序数据进行指 标设定； 对设定的指标赋予相应的权重， 根据赋 予的权重对指标进行筛选； 根据筛选的指标和历 史时序数据， 构建训练集； 基于训练集， 对第一、 第二和第三地下水水位动态预测模型分别进行 训练， 得到训练后的三个模型； 基于地下水水位 历史真实值， 对三个模型的预测值进行比较， 筛 选出误差最小的一个模型作为最优的下水水位 动态预测模 型； 采用最优的地下水水位动态预测 模型， 对待预测的地下水水位进行预测。 本发明 采用机器学习算法来对地下水温的变化趋势进 行预测。 权利要求书2页 说明书13页 附图2页 CN 115271266 A 2022.11.01 CN 115271266 A 1.地下水水位动态预测方法， 其特 征是， 包括： 获取地下水位历史时序数据； 对所获取的地下水位历史时序数据进行指标设定； 对设 定的指标赋予相 应的权重， 根据赋予的权重对指标进行筛选； 根据筛选的指标和历史时序 数据， 构建训练集； 基于训练集， 对第一、 第 二和第三地下水水位动态预测模型分别进行训练， 得到训练后 的三个模型； 基于地下水水位历史真实值， 对三个模型的预测值进行比较， 筛选出误差最小的一个 模型作为 最优的下 水水位动态预测模型； 采用最优的地下 水水位动态预测模型， 对待预测的地下 水水位进行 预测。 2.如权利要求1所述的地下水水位动态预测方法， 其特征是， 所述对所获取的地下水位 历史时序数据进行指标设定； 其中， 设定的指标 具体包括： 地下水质量等级、 渗透能力、 降水入渗补给量、 时序数据、 建设环境用途、 建筑密度、 地 层完整度和地下 水开采量。 3.如权利要求1所述的地下水水位动态预测方法， 其特征是， 对设定的指标赋予相应的 权重， 根据赋予的权 重对指标进行筛 选； 具体包括： 根据主成分 分析算法， 计算出 所有指标的客观权 重； 根据模糊层次分析算法， 计算出 所有指标的主观权 重； 根据所有指标的客观权 重和所有指标的主观权 重， 计算出 所有指标的组合权 重； 基于设定阈值对指标进行筛选， 将组合权重中， 小于设定阈值的组合权重所对应的指 标进行删除； 将筛选出来的所有指标作为 新的指标集， 对新的指标集进行权 重的重新分配； 将新的指标集里面的每个指标的指标值乘以重新分配的权重， 得到每个指标的更新后 指标值。 4.如权利要求1所述的地下水水位动态预测方法， 其特征是， 基于训练集， 对第 一、 第二 和第三地下水水位动态预测模型分别进行训练， 得到训练后的三个模型； 包括： 构建第一训练集； 第一训练集， 包括： 待预测年份之前若干年的地下 水位真实值； 构建第一 地下水位动态预测模型； 第一 地下水位动态预测模型选用回归分析模型； 将第一训练集， 输入到回归分析模型中； 回归分析模型对输入数据进行拟合， 得到待预 测年份的地下 水水位预测值。 5.如权利要求1所述的地下水水位动态预测方法， 其特征是， 基于训练集， 对第 一、 第二 和第三地下水水位动态预测模型分别进行训练， 得到训练后的三个模型； 包括： 构建第二训练集； 其中， 第二训练集， 包括： 若干年的地下水水位数据； 其中， 每一年地 下水水位真实值和每一 年已筛选指标的更新后指标值均为已知量； 构建第二 地下水位动态预测模型； 第二 地下水位动态预测模型选用BP神经网络模型； 将第二训练集， 输入到BP神经网络模型中， 对BP神经网络模型进行训练， 得到训练后的 BP神经网络模型。 6.如权利要求1所述的地下水水位动态预测方法， 其特征是， 基于训练集， 对第 一、 第二 和第三地下水水位动态预测模型分别进行训练， 得到训练后的三个模型； 包括： 构建第三训练集； 其中， 第三训练集， 包括： 若干年的地下水水位数据； 其中， 每一年地权　利　要　求　书 1/2 页 2 CN 115271266 A 2下水水位真实值和每一 年已筛选指标的更新后指标值均为已知量； 构建第三 地下水位动态预测模型； 第三 地下水位动态预测模型选用LSTM神经网络； 将第三训练集， 输入到LSTM神经网络模型中， 对LSTM神经网络模型进行训练， 得到训练 后的LSTM神经网络模型。 7.如权利要求1所述的地下水水位动态预测方法， 其特征是， 基于地下水水位历史真实 值， 对三个模型 的预测值进行比较， 筛选出误差最小的一个模型作为最优的下水水位动态 预测模型； 具体包括： 将地下水水位历史真实值， 与第一地下水位动态预测模型的预测值进行作差， 得到第 一误差值； 将地下水水位历史真实值， 与第二地下水位动态预测模型的预测值进行作差， 得到第 二误差值； 将地下水水位历史真实值， 与第三地下水位动态预测模型的预测值进行作差， 得到第 三误差值； 比较第一、 第二和第三误差值的大小， 选择误差值最小者对应的模型作为最优的下水 水位动态预测模型。 8.如权利要求1所述的地下水水位动态预测方法， 其特征是， 采用最优的地下水水位动 态预测模型， 对待预测的地下 水水位进行 预测； 具体包括： 如果最优的地下水水位动态预测模型是回归分析模型， 就将待预测年份最近邻的若干 历史年份的地下 水水位值输入到回归分析模型中， 输出 预测值； 如果最优的地下水水位动态预测模型是BP神经网络或LSTM神经网络， 就将待预测年份 最近邻的若干历史年份的已筛 选指标的更新后指标值输入到神经网络中， 输出 预测值。 9.如权利要求1所述的地下水水位动态预测方法， 其特征是， 所述根据筛选的指标和历 史时序数据， 构建训练集； 其中， 训练集包括： 设定历史时间段内， 每一年地下水位真实值， 以及每一 年的若干个指标的更新后指标值。 10.地下水水位动态预测系统， 其特 征是， 包括： 获取模块， 其被配置为： 获取地下水位历史时序 数据； 对所获取的地下水位历史时序 数 据进行指标设定； 对设定的指标赋予相应的权重， 根据赋予的权重对指标进行筛选； 根据筛 选的指标和历史时序数据， 构建训练集； 训练模块， 其被配置为： 基于训练集， 对第一、 第二和第三地下水水位动态预测模型分 别进行训练， 得到训练后的三个模型； 比较模块， 其被配置为： 基于地下水水位历史真实值， 对三个模型的预测值进行比较， 筛选出误差最小的一个模型作为 最优的下 水水位动态预测模型； 预测模块， 其被配置为： 采用最优的地下水水位动态预测模型， 对待预测的地下水水位 进行预测。权　利　要　求　书 2/2 页 3 CN 115271266 A 3