本申请涉及测流领域，特别是涉及定点式声学多普勒测流仪测量数据预测模型的构建及应用。
背景技术：
1、定点（水平）式声学多普勒测流仪（horizontal - acoustic doppler currentprofiler，h-adcp）是一种用于测量水体中流速分布的仪器，它通过发射声波并接收从水中悬浮颗粒（散射体）反射回来的声波来计算水流速度。然而，在实际使用过程中，h-adcp可能会遇到一些挑战导致测试数据质量下降，包括比如水中的植物如水草可能会干扰声波的传播路径，导致回波信号强度变化或者反射模式异常，从而影响到流速测量的准确性；再比如鱼类等生物在水中游动时会产生额外的散射体，这会增加信号的噪声水平，使得从信号中提取真实流速变得困难，另外水中的散射体在实际上它们可能因为水流、沉积物再悬浮等因素而聚集或稀疏，这种非均匀性会导致测得的流速值与实际流速有偏差，导致定点（水平）式声学多普勒测流仪的测量数据中难免存在异常数据或测不到流速数值等情况出现。
2、目前常见的减少测试数据的异常的方式是选择一个尽量远离障碍物的位置安装h-adcp以避免水草和其他固定障碍物的干扰，或者根据水体特性调整仪器的工作频率以获得更好的信噪比，但这些手段依旧无法及时准确地判断定点（水平）式声学多普勒测流仪的测试数据是否存在异常数据。
技术实现思路
1、本申请实施例提供了一种定点式声学多普勒测流仪测量数据预测模型的构建及应用，结合改进卷积网络和长短时记忆网络构建了可准确预测定点（水平）式声学多普勒测流仪的预测测量数据的定点式声学多普勒测流仪测量数据预测模型，基于预测测量数据实现异常数据的判断。
2、第一方面，本申请实施例提供了一种定点式声学多普勒测流仪测量数据预测模型的构建方法，包括以下步骤：
3、获取定点式声学多普勒测流仪的多组流速测量数据组作为训练数据，其中每组流速测量数据包括连续多个时间窗口的正常流速测量数据，且每一正常流速测量数据包括多层次的分层流速测量数据；
4、将训练数据输入构建的定点式声学多普勒测流仪测量数据预测架构中进行训练，直到满足训练条件得到定点式声学多普勒测流仪测量数据预测模型，其中定点式声学多普勒测流仪测量数据预测架构包括依次连接的输入层、特征滤波层、动态权重卷积神经网络、长短时记忆网络以及预测头，每组流速测量数据组自输入层输入至特征滤波层中构建多维矩阵向量，多维矩阵向量输入到动态权重卷积神经网络中对每一层次的分层流速测量数据进行动态权重调整并提取得到空间特征，将空间特征输入到长短时记忆网络中提出得到时序特征，时序特征输入到预测头中预测得到预测测量数据。
5、第二方面，本申请实施例提供了一种定点式声学多普勒测流仪测量数据的预测方法，包括以下步骤：获取每组流速测量数据作为待测数据，其中每组包括连续多个时间窗口的正常流速测量数据，且每一正常流速测量数据包括多层次的分层流速测量数据；将每组流速测量数据输入到定点式声学多普勒测流仪测量数据预测模型中输出预测测量数据。
6、第三方面，本申请实施例提供了一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括所述的定点式声学多普勒测流仪测量数据预测模型的构建方法。
7、本发明的主要贡献和创新点如下：
8、本申请实施例构建了可分析定点式声学多普勒测流仪的实际流速测量数据的时间特征和空间特征，进而基于时序的定点式声学多普勒测流仪实际测量数据预测未来时刻的预测测量数据的定点式声学多普勒测流仪测量数据预测模型，该定点式声学多普勒测流仪测量数据预测模型内采用改进的动态权重卷积神经网络实现了多层次的分层流速测量数据的动态权重分配，进而提取得到更准确的空间特征，该定点式声学多普勒测流仪测量数据预测模型内的长短时记忆网络采用改进的激活函数降低了噪音对于模型学习的影响。另外，本方案可利用定点式声学多普勒测流仪测量数据预测模型预测的预测测量数据进行异常数据的判断，提高了实际场景的流速测量效率和质量。
9、本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
1.一种定点式声学多普勒测流仪测量数据预测模型的构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的定点式声学多普勒测流仪测量数据预测模型的构建方法，其特征在于，特征滤波层中设置维度同于每组流速测量数据组的滤波矩阵。
3.根据权利要求2所述的定点式声学多普勒测流仪测量数据预测模型的构建方法，其特征在于，每组流速测量数据组自输入层输入至特征滤波层中，输入到特征滤波层的输入向量同滤波矩阵相乘后得到多维矩阵向量，计算公式如下；
4.根据权利要求1所述的定点式声学多普勒测流仪测量数据预测模型的构建方法，其特征在于，动态权重卷积神经网络包括并行的动态权重分支以及普通特征分支，其中普通特征分支包括第一卷积层，动态权重分支包括依次连接的第二卷积层、平均池化层、全连接层以及动态权重分配层。
5.根据权利要求4所述的定点式声学多普勒测流仪测量数据预测模型的构建方法，其特征在于，多维矩阵向量输入到动态权重卷积神经网络中经过普通特征分支的卷积提取得到普通特征向量，多维矩阵向量输入到动态权重卷积神经网络中经过动态权重分支的处理得到不同层次的动态权重，利用不同层次的分层流速测量数据的动态权重调整普通特征向量得到空间特征。
6.根据权利要求1所述的定点式声学多普勒测流仪测量数据预测模型的构建方法，其特征在于，对长短时记忆网络中的激活函数进行改进，改进的激活函数如下：
7.根据权利要求1所述的定点式声学多普勒测流仪测量数据预测模型的构建方法，其特征在于，每组流速测量数据组中的正常流速测量数据的采样频率相同，且正常流速测量数据中的分层流速测量数据根据时间顺序排列，且分层流速测量数据以层次编号进行对齐。
8.一种定点式声学多普勒测流仪测量数据的预测方法，其特征在于，包括以下步骤：获取每组流速测量数据作为待测数据，其中每组包括连续多个时间窗口的正常流速测量数据，且每一正常流速测量数据包括多层次的分层流速测量数据；
9.根据权利要求8所述的定点式声学多普勒测流仪测量数据的预测方法，其特征在于，包括以下步骤：若预测测量数据同下一时间窗口实际测量的实际流速测量数据之间的阈值大于异常检测阈值，用预测测量数据代替下一时间窗口的实际流速测量数据；若下一时间窗口不存在实际流速测量数据时，利用预测测量数据填补实际流速测量数据。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据权利要求1到7任一项所述的定点式声学多普勒测流仪测量数据预测模型的构建方法。
