BP与LSTM神经网络在福建小流域水文预报中的应用对比

LSTM(长短期记忆)神经网络作为一种具有记忆能力的循环神经网络,能够学习时间序列数据间的状态特征,特别适合用于流域降雨径流预报。利用福建省延寿溪流域渡里水文站逐时降雨数据和逐时流量数据,分别采用模块化建模方法构建BP神经网络和LSTM神经网络,并采用集合预报均值的形式以避免模型训练中的参数局部最优解问题,进行未来1～24 h的逐时流量滚动预报。对比2个神经网络模型预报结果表明,LSTM模型整体预报效果优于BP模型,在滚动预报过程中预报精度的衰减速度大大慢于BP模型,1～24 h逐时预报的Nash效率系数为0. 968～0. 740,能够满足短期洪水预报精度要求。     

基于改进模糊支持向量机方法的车尔臣河径流预报

针对径流时间序列固有的非线性和随机性特点,本文提出了基于灰色关联分析的模糊支持向量机预报方法。该方法在传统支持向量机任意逼近的非线性映射能力上,引入模糊隶属函数来考虑气候和流域下垫面变化下径流样本对预报结果的影响。此外,预报因子选取是中长期径流预报的一大难点,考虑到相关系数法只能衡量因子间线性相关程度的不足,本文采用灰色关联分析来量化预报因子与预报对象的关联程度,并按关联度大小挑选出对径流过程影响显著的预报因子。将该方法应用于新疆车尔臣河的月径流预报中,与GRNN神经网络模型和A-FSVM模型的预报结果比较表明:该方法能提高径流中长期预报精度,是一种有效的径流时间序列预测模型。     

基于长短时记忆神经网络（LSTM）的降雨径流模拟及预报

长短时记忆神经网络(LSTM)具有很强的时间序列关系拟合能力,非常适用于模拟及预报流域产汇流这一复杂的时间序列过程。基于LSTM针对不同预见期的径流预报分别建立了流域降雨径流模型,以探讨LSTM在水文预报当中的应用。模型采用流域降雨、气象及水文数据作为输入,不同预见期后的径流过程作为输出,率定期为14a,验证期为2a。结果显示,在预见期为0～2d时LSTM预报精度很高,在预见期为3d时预报精度较差,但仍优于新安江模型。隐藏层神经元数量作为神经网络复杂程度的代表既会影响模型预报精度,也会影响模型训练速度。而输入数据长度则仅会在预见期为0的条件下影响模型预报效果。     

月径流预报建模方法对比分析——以嘉陵江北碚站为例

为提高径流预报的精度,以嘉陵江流域北碚水文站为例,选取1979～2019年径流资料,对比分析月径流预报多种建模方法的预报性能。选择时间序列法作为单变量预报模型的方法,随机森林、BP神经网络和多元线性回归作为多变量预报模型的方法,并应用时变权重进行组合预报,对比单变量与多变量、单一与组合模型预报结果。结果表明：(1)多变量预报模型预报效果更优,与时间序列模型相比,其平均绝对百分比误差减少约20%;(2)随机森林与BP神经网络这两种机器学习方法在单一模型中具有更好的预测能力;(3)时变权重组合预报方法能有效结合单一模型的优点,进一步提高预报精度。研究成果可为中长期径流预报的建模策略制定提供参考。     

不同模态分解方法结合LSTM模型对日径流预报的影响

针对日径流序列不平稳性与波动性的特点，尝试将模态分解和深度学习组合预测方法引入至日径流预报。首先，采用完整集合经验模态分解方法对日径流时间序列进行分解，得到不同频率成分的模态分量；其次，为不同的模态分量构建长短期记忆神经网络日径流预测模型，并采用网格搜索参数寻优算法优化预报模型的超参数；最后将各模型预报结果进行模态重组获得日径流预报结果。以宜昌水文站日径流预报为研究实例，所构建的组合模型较单一长短期记忆神经网络的和分别降低了65.02%、58.35%与2.88%,且运用完整集合经验模态分解方法的分解效果优于传统的模态分解方法，为短时间尺度下的非线性和非平稳的日径流预报提供了新的方法和参考。     

小波神经网络在径流预测中的应用

将小波分析与传统的BP神经网络模型进行组合,提出了一种新的径流中长期预测方法。该方法对年径流序列进行Mallat小波分解,将分解后得到的不同尺度下的低频成分和高频成分分别进行Mallat算法重构,对重构系列采用BP神经网络模型进行预测。采用黄河三门峡站1470-2002年的年径流资料进行模型的预测和检验,并与传统的BP神经网络模型进行比较,研究结果表明小波神经网络在径流预测中具有较好的预报精度,可以成功地用于径流模拟和预测。     

基于神经网络的小型水库洪水预报研究

针对经验预测方法精度不高,传统水文模型应用至小型水库进行洪水预报工作量大、推广较难的问题,引入具有强大特征学习能力的人工神经网络(ANN)方法,结合遗传算法(GA)寻参,对小型水库进行洪水预报。利用GA实现ANN中时间步长和隐含层神经元节点参数自动寻优,可避免寻参盲目性,针对性地为各小型水库构建个性化洪水预报模型。通过构建反向传播(BP)、长短期记忆(LSTM)、门控循环单元(GRU)神经网络洪水预报模型,对实测洪水过程进行模拟对比试验。结果表明：LSTM模型预报精度高、稳定性良好,能学习并模拟实际洪水过程水位变化规律,预报性能优于BP和GRU模型。     

非线性混合回归模型在年径流预报中的应用探讨

在气候变化和人类活动等影响下,径流变化日益复杂,常用的流域径流预报方法有时间序列法、多元回归分析等,但这些方法预报精度较差,笔者建立起基于BP神经网络系统的年径流预报非线性混合回归模型,并以1961~2001年的数据为训练样本,以2002~2010年的数据为预测检验样本对新疆天山北坡昌吉州呼图壁县内的军塘湖流域年径流进行预报,结果表明,该预报方法具有较高的预报精度。     

基于CNN-LSTM的大坝变形组合预测模型研究

为了提高大坝变形预测模型精度和泛化能力，建立了一种基于卷积神经网络(Convolutional neural networks, CNN)与深度学习长短期记忆(Long short-term memory, LSTM)神经网络的组合预测模型CNN-LSTM。该模型先利用CNN提取大坝变形监测时间序列的特征，再利用LSTM生成特征描述，该模型精度高、泛化能力强。以柏叶口水库混凝土面板堆石坝为例，经过CNN-LSTM模型计算，将模型变形预测值与原型监测资料进行对比，再与LSTM模型及CNN模型的预测结果进行对比。结果表明，CNN-LSTM模型预测值最接近监测资料实测结果。     

RBF神经网络模型在金沟河流域径流预测中的应用

河川径流时间序列是一个复杂的非线性系统,使传统的预测方法难以描述其变化规律。将金沟河流域八家户站的1957年至2003年的年径流实测数据作为样本,转化为径流差后,进行归一化处理及自相关函数分析,在MATLAB环境下建立径向基神经网络径流预测模型。结果表明:与传统的BP神经网络预测比较,利用径向基神经网络模型对径流序列进行预测具有更高的精度和更短的运算时间,是径流预测的一种有效方法。     

ARIMA与ANN组合预测模型在中长期径流预报中的应用

基于时间序列预测模型及BP神经网络,提出了新的组合预测方法.该方法采用三层结构的BP神经网络来构造组合预测模型,运用时间序列模型预测方法得出的预测结果,采用历史滚动法将前5年的预测结果数据作为BP网络的输入,以当前年份的预测结果为网络期望输入,建立了ARIMA-ANN组合预报模型.利用Matlab7神经网络工具箱对塔里木河上游源流卡群水文站的年径流量进行了预报及验证.结果表明:组合模型的预报结果精度高,容错能力强,是中长期径流预报的有效方法.     

基于LSTM-GM神经网络模型的风暴潮增水预报方法

为充分挖掘风暴潮增水的时序关联特性,提高风暴潮增水的预报精度,综合考虑台风因素、气象要素和天文潮因素对风暴潮增水的影响,结合长短期记忆(LSTM)神经网络和灰色模型(GM)的优势,提出基于LSTM-GM神经网络模型的风暴潮增水预报方法。利用该方法采用12场历史台风数据对小清河入海口风暴潮增水进行模拟预报,并将预报结果与LSTM神经网络、BP神经网络的预报结果进行对比。结果表明：相较于LSTM神经网络和BP神经网络,LSTM-GM神经网络模型的纳什效率系数分别提高了6.5%和11.4%,均方根误差分别降低了70.6%和72.2%,平均相对误差分别降低了50%和69.2%;LSTM-GM神经网络模型可有效处理风暴潮增水与各影响因素间的非线性关系,提高风暴潮增水预报的精度。     

若干水文预报方法综述

将现有水文预报方法分为过程驱动模型方法和数据驱动模型方法两大类.过程驱动模型指以水文学概念为基础,对径流的产流过程与河道演进过程进行模拟,从而进行流量过程预报的模型.过程驱动模型近年在中长期预报方面的发展主要表现在对概念性流域降雨径流模型的结构进行改进,以适应较大时间尺度预报的需要.数据驱动模型则是基本不考虑水文过程的物理机制,而以建立输入输出数据之间的最优数学关系为目标的黑箱子方法.数据驱动模型以回归模型最为常用,近年来由于神经网络模型、非线性时间序列分析模型、模糊数学方法和灰色系统模型等的引进,以及水文数据获取能力和计算能力的发展,数据驱动模型在水文预报中受到了广泛的关注.     

基于LSTM时间递归神经网络的短期电力负荷预测

短期电力负荷预测对于电网运行方式安排、计划检修、静态安全分析有着越来越重要的作用。LSTM时间递归神经网络可很好地处理负荷数据的时序性和非线性,适合用于短期电力负荷预测。提出一种基于长短期记忆(Long Short-Term Memory,LSTM)时间递归神经网络的电力负荷预测方法,并使用这种方法对昆明电网日电力负荷值进行预测,最终证明LSTM模型的准确及便利。     

基于人工电场算法优化的大型灌区径流预测模型研究

针对水文预报中径流预测数据序列具有非线性和非平稳性等特点,将一种新型智能优化算法——人工电场算法AEFA与LSTM神经网络结合进行参数优化,建立AEFA-LSTM预测模型,并以赵口大型灌区涡河玄武水文站实测年径流量作为样本数据进行网络优化训练和预测分析,同时与传统优化算法（遗传算法GA和粒子群算法PSO）建立的GA-LSTM和PSO-LSTM预测模型进行对比。结果表明：AEFA-LSTM模型预测值的平均相对误差相较于GA-LSTM模型和PSO-LSTM模型分别降低了7.59%和5.22%,且平均绝对误差MAE、均方误差MSE、均方根误差RMSE均为3种模型中最小,说明所建立的AEFA-LSTM模型可以更高精度地预测径流量,为水文预报提供一种新型高精度径流预测方法。     

旬降雨径流非线性模型及其应用研究

通过分析旬降雨、旬初土壤蓄水状态、旬径流信息之间的关系,借鉴短期降雨径流相关模型的思想,建立了一个旬降雨─旬土壤蓄水量─旬径流的非线性相关模型.将该模型应用大伙房水库流域,模拟预测结果令人满意,结果表明该模型简单,可操作性强.将为应用美国的GFS预报系统和中国气象局的213模式10～15 d降雨预报信息,预报旬径流量提供一个有效方法.     

改进BP神经网络集成模型在径流预测中的应用

为提高径流预测预报的精度和泛化能力,建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷,采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt法分别改进BP神经网络标准算法,依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测,并构建GA-BP预测模型作为对比模型;采用加权平均方法对各单一模型预测结果进行综合集成。结果表明:集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4.67%,最大相对误差绝对值为7.11%,精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点,具有较好的预测精度和泛化能力,是提高径流预测预报精度的有效方法。     

基于Matlab神经网络的流域年径流量预测

阐述了运用人工神经网络模型对流域年径流量径流序列做出预报,表明人工神经网络模型在水文预报中具有一定的优势。通过BP神经网络算法得到了适合该神经网络模型的训练算法。以渔峡口站年径流量实测序列为研究对象,在数值试验的基础上建立了年径流序列预报的人工神经网络预报模型结构,提高了该模型的预报准确性。     

基于多种学习方案LSTM的信江流域径流预测

长短期记忆神经网络(LSTM)在径流预测中具有广泛应用,不同的输入使神经网络具有不同的学习方案,从而影响到模型性能。设置3种不同的LSTM学习方案,以前期径流预测当日径流(方案一)、以前期降雨预测当日径流(方案二)和以前期径流和前期降雨预测当日径流(方案三),比较其在相同模型结构下对信江流域丰水期和枯水期径流预测的性能。结果表明,丰水期和枯水期时方案三拟合度最高,平均绝对误差为0.012 6和0.007 6,纳什效率系数为0.94和0.96,对于信江流域基于LSTM的日径流预测,应当将前期降雨与前期径流结合起来作为模型输入。研究对基于数据驱动的径流预测输入集数据的选取有参考价值。     

相空间重构支持向量机在径流模拟中的应用研究

将相空间重构理论引入月径流模拟中,利用C-C算法进行相空间重构,将一维径流时间序列拓展为多维,基于交叉验证支持向量机(CV-SVM)原理及方法,构建以相空间重构理论与支持向量机相结合的径流时间序列模拟模型,并构建传统BP、双隐层BP及GA-BP径流时间序列模拟模型作为对比模型,以盘龙河龙潭寨月径流时间序列为例进行分析。结果显示:基于相空间重构理论的CV-SVM模拟模型能较好地处理复杂的径流序列,在长达200个月的测试样本模拟中,平均相对误差e MRE、最大相对误差e MaxRE分别为0.571 7%,5.526 7%,决定系数DC和合格率QR分别为0.999 9和100%。表明该模型具有较高的泛化能力和模拟精度,模拟效果明显优于传统BP、双隐层BP模型,甚至优于GA-BP模型;表明研究建立的基于相空间重构理论的CV-SVM模型用于径流模拟是合理可行的,可为径流模拟提供方法和参考。