基于经验模式分解方法和长短期记忆网络(empirical model decomposition and long short-term memory network,EMD-LSTM)模型对水位数据进行预测。先采用中值滤波对数据序列进行预处理,然后对数据序列进行EMD分解,并对EMD分解的每个特...基于经验模式分解方法和长短期记忆网络(empirical model decomposition and long short-term memory network,EMD-LSTM)模型对水位数据进行预测。先采用中值滤波对数据序列进行预处理,然后对数据序列进行EMD分解,并对EMD分解的每个特征序列使用LSTM模型进行预测,最后叠加各个序列预测值,得到最终的预测结果。以南水北调工程某河流每隔1 h的瞬时流量、流速和水深监测数据为研究对象,采用EMD-LSTM模型进行建模,试验结果表明,该模型能够实现水位、水速和瞬时流量连续12 h和6 h的准确预测,且比LSTM模型具有更高的预测精度,可为水位预判和水资源的实时调度提供决策依据。展开更多
受降水量、径流等因素的影响,水库的长期水位预测面临巨大挑战。提出了一种新的基于长短期记忆(Long Short Term Memory, LSTM)网络的时间序列模型,对沂沭泗流域中的石梁河水库水位进行了预测和性能评价。该模型整合了降雨、水流和土壤...受降水量、径流等因素的影响,水库的长期水位预测面临巨大挑战。提出了一种新的基于长短期记忆(Long Short Term Memory, LSTM)网络的时间序列模型,对沂沭泗流域中的石梁河水库水位进行了预测和性能评价。该模型整合了降雨、水流和土壤含水量等历史信息,并通过实验获取最优预测步长,从而提高了模型的预测准确度,并且稳定性更好,避免出现较大的误差。实验使用Nash-Sutcliffe效率(NSE)、Pearson相关系数平方(R;)和绝对均方根误差(Root Mean Square Errors, RMSE)等评价指标,与基本的多层感知机模型和卷积神经网络(Convolutional Neural Networks, CNN)比较,得出如下结论:① LSTM模型的预测值不存在明显较小的波峰或波谷;②模型的预测精度不会随着预测时间步长的增加而急剧下降;③在真实的洪水事件预测中,雨量较小时不会引起预报线的波动,且预测洪峰时偏离度较小。当然,如何在大规模流域中应用该模型,以及对流域中的多个水库水位同时预测等问题,将在未来的工作中进行进一步的研究和分析。展开更多
洞庭湖流域分布了3个重要的自然保护区,是我国大型淡水湖泊湿地系统之一,生态资源丰富。水位是维持其生态系统结构、功能和完整性的基础。为预测长江和流域"四水"来水组合影响下的洞庭湖水位变化,该文采用两种循环神经网络方...洞庭湖流域分布了3个重要的自然保护区,是我国大型淡水湖泊湿地系统之一,生态资源丰富。水位是维持其生态系统结构、功能和完整性的基础。为预测长江和流域"四水"来水组合影响下的洞庭湖水位变化,该文采用两种循环神经网络方法--长短期记忆(LSTM)和门控循环单元(GRU),构建了洞庭湖水位变化的预测模型。LSTM和GRU的优势在于能够学习网络的输入和输出之间的长期依赖关系,这对于模拟受上游来水影响的水位累积变化至关重要。模型以湘江、资水、沅江、澧水入湖流量和长江干流宜昌站前期流量作为输入条件,预测洞庭湖不同湖区的水位变化过程。利用1980~2002年水位流量时间序列数据对模型进行测试,2003~2014年数据进行验证,并对两种模型的预测结果进行了比较。结果表明:(1)循环神经网络LSTM和GRU方法均可合理预测洞庭湖水位的变化过程,NSE和R2均为0.91~0.95,各站水位预测的RMSE值为0.41~0.86 m, NSE和R2均为0.91~0.95;(2)LSTM的预测精度稍高于GRU,但GRU计算更高效,是LSTM一个很好的替代方案;(3)模型能够较准确的模拟一次洪水事件,洪水位的预测值与真实值的最大相对误差低于5%;且模型具有较好的多步长时间序列预测能力,有在水文模型应用方面的潜力。展开更多
文摘基于经验模式分解方法和长短期记忆网络(empirical model decomposition and long short-term memory network,EMD-LSTM)模型对水位数据进行预测。先采用中值滤波对数据序列进行预处理,然后对数据序列进行EMD分解,并对EMD分解的每个特征序列使用LSTM模型进行预测,最后叠加各个序列预测值,得到最终的预测结果。以南水北调工程某河流每隔1 h的瞬时流量、流速和水深监测数据为研究对象,采用EMD-LSTM模型进行建模,试验结果表明,该模型能够实现水位、水速和瞬时流量连续12 h和6 h的准确预测,且比LSTM模型具有更高的预测精度,可为水位预判和水资源的实时调度提供决策依据。
文摘受降水量、径流等因素的影响,水库的长期水位预测面临巨大挑战。提出了一种新的基于长短期记忆(Long Short Term Memory, LSTM)网络的时间序列模型,对沂沭泗流域中的石梁河水库水位进行了预测和性能评价。该模型整合了降雨、水流和土壤含水量等历史信息,并通过实验获取最优预测步长,从而提高了模型的预测准确度,并且稳定性更好,避免出现较大的误差。实验使用Nash-Sutcliffe效率(NSE)、Pearson相关系数平方(R;)和绝对均方根误差(Root Mean Square Errors, RMSE)等评价指标,与基本的多层感知机模型和卷积神经网络(Convolutional Neural Networks, CNN)比较,得出如下结论:① LSTM模型的预测值不存在明显较小的波峰或波谷;②模型的预测精度不会随着预测时间步长的增加而急剧下降;③在真实的洪水事件预测中,雨量较小时不会引起预报线的波动,且预测洪峰时偏离度较小。当然,如何在大规模流域中应用该模型,以及对流域中的多个水库水位同时预测等问题,将在未来的工作中进行进一步的研究和分析。
文摘洞庭湖流域分布了3个重要的自然保护区,是我国大型淡水湖泊湿地系统之一,生态资源丰富。水位是维持其生态系统结构、功能和完整性的基础。为预测长江和流域"四水"来水组合影响下的洞庭湖水位变化,该文采用两种循环神经网络方法--长短期记忆(LSTM)和门控循环单元(GRU),构建了洞庭湖水位变化的预测模型。LSTM和GRU的优势在于能够学习网络的输入和输出之间的长期依赖关系,这对于模拟受上游来水影响的水位累积变化至关重要。模型以湘江、资水、沅江、澧水入湖流量和长江干流宜昌站前期流量作为输入条件,预测洞庭湖不同湖区的水位变化过程。利用1980~2002年水位流量时间序列数据对模型进行测试,2003~2014年数据进行验证,并对两种模型的预测结果进行了比较。结果表明:(1)循环神经网络LSTM和GRU方法均可合理预测洞庭湖水位的变化过程,NSE和R2均为0.91~0.95,各站水位预测的RMSE值为0.41~0.86 m, NSE和R2均为0.91~0.95;(2)LSTM的预测精度稍高于GRU,但GRU计算更高效,是LSTM一个很好的替代方案;(3)模型能够较准确的模拟一次洪水事件,洪水位的预测值与真实值的最大相对误差低于5%;且模型具有较好的多步长时间序列预测能力,有在水文模型应用方面的潜力。
