五强溪水电站大坝变形预测模型研究

基于逐步回归法、偏最小二乘回归法和长短期记忆(LSTM)循环神经网络，构建了五强溪水电站大坝变形预测模型。采用拉伊特准则确定可靠的监测数据，基于可靠的监测数据，构建考虑水压、温度、时效因素的混凝土重力坝变形预测逐步回归和偏最小二乘回归模型，根据五强溪大坝坝顶J23测点2006年～2020年的监测资料获得该测点的沉陷曲线逐步回归和偏最小二乘回归预测模型。根据数值试验，选定的LSTM模型包括2个LSTM层，激活函数采用整流线性单元函数，输入序列长度为20。训练集数据取2006年～2017年的监测值，2018年～2020年的监测数据作为测试集数据。采用随机搜索对LSTM循环神经网络的超参数进行优化。比较3种模型结果可知：3种模型在沉降曲线的预测效果均较好；偏最小二乘回归法能合理地解释各分量；训练数据足够时，LSTM循环神经网络的预测精度非常高；采用偏最小二乘法回归模型或LSTM模型预测J23测点变形更为妥当。     

基于双向长短时神经网络的水量预测方法研究

短期需水量预测是开展城镇供水管网智能调度和基于流量的漏失在线预警的基础,受限于需水量的非线性变化,传统模型的预测精度和稳定性较差,尤其是对于15 min间隔的需水量预测。为解决此问题,提出了一种利用深度学习的水量预测方法,建立了双向长短时记忆循环神经网络模型预测常州市某DMA入口15min的水量。结果表明,双向长短时记忆循环神经网络模型的预测效果优于传统人工神经网络模型,能够有效提升水量预测模型的精度与稳定性。     

RNN与LSTM方法用于滑坡位移动态预测的研究

良好的滑坡位移预测是实施滑坡灾害预警的重要组成部分。受限于滑坡位移演化的非线性动态特性,传统的预测方法中普遍存在对历史数据遗忘,致使预测精度不高的问题。为此,提出了一种深度学习的滑坡位移预测方法,分别建立了循环神经网络(Recurrent Neural Network, RNN)和长短时记忆网络(Long Short Term Memory Network, LSTM)2种位移动态预测模型进行比对。以新滩滑坡工程为例,采用"流转训练"的方式,并选取多个监测点位移变化进行动态预测。结果表明,在误差函数满足期望精度时,LSTM模型具有更高的预测精度,且各项评价指标也表明LSTM模型的预测总体效果更优。     

基于粒子群算法的BP模型在地下水位埋深预测研究中的应用

地下水水位埋深是影响河套灌区生态环境的主要因素,开展地下水位埋深预测研究对灌区远景发展规划与用水管理具有现实指导意义。本文采用基于粒子群算法的BP神经网络模型(PSO-BP),对河套灌区永济灌区地下水位埋深进行了预测模拟,相对于传统BP模型纳什效率系数NSE (0.791), PSO-BP模型NSE(0.887)提高了12%。表明, BP神经网络可以有效处理地下水位埋深与其影响因素之间的复杂非线性问题,同时粒子群算法可以提高模型的预测精度。     

RBF神经网络在地下水动态预测中的应用

为了动态预测地下水位的变化,采用神经网络模型构建地下水位埋深预测模型。充分发挥径向基函数(RBF)神经网络的逼近收敛能力,通过"径向基函数(RBF)"和"逆向传播(BP)"算法优选模型参数,以长春城区为应用实例,将2006—2012年84组数据作为训练样本,将2013—2015年36组数据作为检验样本,对其实测埋深动态过程进行模拟,对比两种模型性能优劣,并对2016—2018年地下水埋深进行预报。结果表明:RBF神经网络模型和BP神经网络模型的均方根误差分别为0.10和0.43,最大绝对误差分别为0.44 m和0.61 m,最大相对误差分别为14.60%和27.17%;2015年以后,长春城区地下水位动态周期性变化明显,埋深变幅较大,枯水期埋深最大为5.10 m,丰水期埋深最小为1.62 m,呈明显的季节性特征。RBF模型具有更高的非线性映射能力和预测精度,该模型可以用于同类的动态数据的预报。     

基于ARIMA-CNN-LSTM模型的黄河开封段水位预测研究

为准确预测水文条件复杂的黄河开封段水位变化，提出一种基于ARIMA-CNN-LSTM的多变量水位预测模型。该模型通过综合考虑水位的多重影响因素，结合卷积神经网络(CNN)和长短时记忆网络(LSTM)来学习数据中的非线性特征，同时应用ARIMA模型进行参数校正，从而实现对黄河开封段水位未来一段时间的预测。结果表明：相较于LSTM模型、CNN-LSTM模型、ARIMA模型以及BP神经网络模型，ARIMA-CNN-LSTM模型的预测精度更高，对峰值反应更灵敏，可以更加精准地预测未来一段时间的黄河开封段水位变化。     

基于遗传算法的BP神经网络模型在地下水埋深预测中的应用——以蒙城县为例

地下水系统是一个高度复杂系统,针对地下水位与其影响因素之间的非线性映射关系,建立遗传算法优化BP神经网络浅层地下水埋深模型,对地下水埋深进行模拟和预测。使用RMSE、MAPE和NSE三种评价指标,将所得结果与BP神经网络和逐步回归模型进行对比。以蒙城县1974—1999年前期降雨量、前期地下水埋深和利辛县前期地下水埋深作为输入层,以当月地下水埋深作为输出层,将蒙城县2000—2010年地下水埋深作为检验样本,计算结果表明:遗传算法优化BP神经网络模型训练阶段和测试阶段RMSE分别为0.22和0.34、MAPE分别为7.6%和9.21%、NSE分别为0.89和0.85,泛化性能良好,有效规避了过拟合现象,且拟合和预测的精度较高。该模型可为地下水研究提供了一种有效浅层地下水埋深的预测方法,具有较好的应用前景。     

基于CEEMDAN-BiLSTM的月降水量预测模型

准确预报降水量对防洪防涝、水资源高效开发和利用起着至关重要的作用。由于降水量序列具有较强的非线性和突变性，使得传统的统计预测模型难以准确表征其时序特征。因此，本文提出了基于完全自适应噪声集合经验模态分解（CEEMDAN）和双向长短时记忆网络（BiLSTM）的月降水量预测模型，通过对1960年1月～2013年12月的江西宜春气象站降水量数据进行预测，并与长短时记忆网络模型（LSTM）、BiLSTM、互补集合经验模态分解和长短时记忆网络模型（CEEMD-LSTM）、CEEMD-BiLSTM 和CEEMDAN-LSTM 模型进行了对比。结果表明：基于CEEMDAN 法能够得到具有波动性更小的降水量分量序列，以此构建的BiLSTM 模型能够很好地捕捉降水量序列的变化特征；相较于其他模型，其预测结果的均方根误差、平均绝对误差和平均绝对百分比误差更小，且相关系数更大，即CEEMDAN-BiLSTM 模型在降水量预测上具有更为良好的性能，该模型可为降水量预测提供一种新方法。     

不同模型地下水埋深预测精度和适用性分析

分别采用自回归预测模型和小波神经网络模型对辽宁中部平原某区域地下水埋设进行预测,并结合区域内实测地下水埋深数据,对比分析不同模型的预测精度和适用性。结果表明:神经网络模型在辽宁中部地下水埋深预测精度好于自回归模型,更适用于辽宁中部地下水埋深的预测和趋势分析。研究成果对于辽宁中部平原区地下水埋深预测方法具有较好的参考价值。     

基于改进EMD-LSTM的洪水预测方法研究

文章针对当前洪水预测中存在的预测精确度低、可信度差和高延时等问题,结合经验模态分解(Empirical Mode Decomposition,EMD),长短时记忆神经网络(Long Short-term Memory Networks,LSTM),提出一种基于EMD的深度学习模型(EMD-LSTM).该模型首先利用极限...     

基于G-LSTM模型的短期径流预报——以长江上游寸滩断面-三峡入库断面为例

长短时记忆神经网络(LSTM)具有极强的复杂多变量时间序列非线性关系拟合和历史数据认知能力,适用于对径流这类复杂时间序列过程进行模拟和预报。基于LSTM,采用灰色关联分析法(GRA),选取合适的预报因子建立G-LSTM预报模型,探究了该模型在短期径流预报中的应用和效果。将该方法应用于长江上游寸滩断面-三峡入库断面的径流模拟,并与传统的新安江模型、BP神经网络、LSTM模型的模拟结果进行比较。结果表明:与传统学习的近似映射相比,G-LSTM模型具有优秀的非线性函数学习能力,率定期与检验期的确定性系数均在0.9以上,明显优于其他两种模型的模拟结果。G-LSTM模型显著提高了短期径流预报精度,是一种有效的径流预测方法。     

基于主要驱动因子筛选法和深度学习算法的浙江省动态需水量预测

收集了浙江省2000—2020年各用水行业需水量数据,采用基于Spearman秩相关分析的主要驱动因子筛选法筛选了影响各行业需水量的主要驱动因子,进而构造了改进的长短时记忆(LSTM)神经网络需水量预测模型,对各行业需水量进行动态滚动预测,并将改进LSTM模型的预测结果与传统单变量LSTM预测模型、卷积神经网络模型、支持向量回归模型的预测结果进行了对比。结果表明,基于主要驱动因子筛选法改进的LSTM模型能实时动态滚动预测各行业每年需水量,且预测结果精度高于其他3种模型。     

基于FFB-LSTM的供水计量区超短时水量预测方法研究

为实时监测管网运行状态、及时捕捉管线漏损，需开展供水计量区的超短时需水量预测。然而，供水区域和时间粒度的减小均会带来需水量数据波动性的增加，导致预测难度增大。在此背景下，以多维度水量融合提高信息利用度为学术思想，以长短时记忆神经网络(LSTM)为实现手段，提出基于多维度水量融合的LSTM预测算法(FFB-LSTM),预测我国南方某真实独立计量区的超短时需水量。与传统LSTM、ANN模型对比，结果表明，所提出的FFB-LSTM在MAPE、MSE、MAE三个指标上均优于传统模型，能够高精度的预测计量区超短时需水量，为供水行业计量区的超短时需水量预测工作提供了有效范例。     

基于混合模型的短期园区需水预测

为进一步提高短期园区需水预测精度，解决因短期园区人工供水误差较大导致的水、电资源浪费问题，提出一种由麻雀搜索算法(SSA)、卷积长短时记忆神经网络(ConvLSTM)、长短时记忆神经网络(LSTM)组合的SSA-ConvLSTM-LSTM混合模型短期园区需水预测方法，并以河北工程大学为例进行了分析。针对园区用水数据在时间维度上具备的多峰值和多周期特征，采用ConvLSTM挖掘数据中的时空特征；为使预测峰值更接近实际峰值，加入LSTM提升预测性能；为优化混合模型的隐层神经元数和卷积核数，采用SSA优化算法实现自动调参。通过预测河北工程大学1 d和3 d需水量进行模型性能验证，并与其他模型进行对比。结果表明：相比向量自回归(VAR)模型、深度神经网络(DNN)模型和LSTM,该需水预测模型具有更高的预测精度。该方法在短期需水预测上表现出良好的适应性和鲁棒性，具有一定应用价值。     

基于Word2Vec和Bi-GRU的高职线上教评情感分析法试探

为提高高职线上教评情感分析的准确度和效率,提出基于双向门控循环单元（Bi-GRU）网络的教评情感分析法。该方法利用Skip-gram神经网络学习教育领域特定的词嵌入向量,再利用两个相同架构的Bi-GRU网络,从不同角度实现对学生反馈的细粒度分析。实验结果表明,该方法内容分类和情感分类的准确度分别达到97%和95%,显著优于支持向量机（SVM）、长短时记忆网络（LSTM）等其他方法。     

基于PCA-MIC-LSTM的碟形湖溶解氧含量预测模型研究

溶解氧浓度是湖泊生态健康评价中的关键指标,因浅水碟形湖的水文独特性,使得溶解氧(DO)愈加具有不稳定性和非线性特征。为准确预测碟形湖中的DO浓度,基于鄱阳湖典型碟形湖监测数据集,结合主成分分析法(PCA)、最大信息系数(MIC)和长短时记忆神经网络(LSTM)预测碟形湖DO含量的模型。结果表明：与支持向量回归(SVR)、LSTM模型相比,基于PCA-MIC-LSTM的模型预测精度显著提高,其确定系数高达0.99以上,均方根误差为0.039 mg/L,平均绝对百分误差为0.301%;其中,PCA降噪处理比MIC特征提取更能影响LSTM模型预测的效果,可以显著降低误差率。研究的PCA-MIC-LSTM模型可为同类型湖泊水体保护工作的开展提供参考。     

泰安市地下水动态研究

采用泰安市1998—2008年的地下水观测资料,对泰安市地下水的动态变化、影响因素进行分析,在此基础上建立了地下水埋深与降水量、地下水开采量的二元线性回归模型;运用RBF神经网络以降水量、地下水开采量为输入因子对地下水埋深进行预测。结果表明:预测泰安市2011年地下水埋深为5.5~5.7 m;这两种方法的计算结果相近,均可以对泰安市地下水埋深进行预测。     

基于机器学习模型的河道水位预测

结合已有机器学习模型——卷积神经网络(CNN)和门控循环单元(GRU)的优点,构建了并联卷积循环神经网络(PCNN-GRU)模型,并将其用于赣江下游外洲站日尺度水位变化的预测。结果显示:相较于目前流行的长短时记忆(LSTM)模型、GRU模型以及卷积循环神经网络(CNN-GRU)模型,PCNN-GRU模型的均方根误差和平均绝对误差分别降低了18.39%、21.11%、15.48%和21.31%、18.64%、14.28%,纳什-萨特克里夫效率系数和准确率分别提高至0.999 2和88.12%,表明所建模型具有良好的预测性能,可用于河道水位预测。     

基于VMD-TCN-GRU模型的水质预测研究

为充分挖掘水质数据在短时震荡中的变化特征,提升预测模型的精度,提出一种基于VMD(变分模态分解)、TCN(卷积时间神经网络)及GRU(门控循环单元)组成的混合水质预测模型,采用VMD-TCN-GRU模型对汾河水库出水口高锰酸盐指数进行预测,并与此类研究中常见的SVR(支持向量回归)、LSTM(长短期记忆神经网络)、TCN和CNN-LSTM(卷积神经网络-长短期记忆神经网络)这4种模型预测结果对比表明：VMD-TCN-GRU模型能更好挖掘水质数据在短时震荡过程中的特征信息,提升水质预测精度;VMD-TCN-GRU模型的MAE(平均绝对误差)、RMSE(均方根误差)下降,R²(确定系数)提高,其MAE、RMSE、R²分别为0.055 3、0.071 7、0.935 1;其预测性能优越,预测精度更高且拥有更强的泛化能力,可以应用于汾河水质预测。     

基于PSR和PSO的区域地下水埋深ELM预测模型

针对传统区域地下水埋深预测方法精度不高问题,提出一种基于相空间重构(PSR)、粒子群算法(PSO)的极限学习机(ELM)的非线性预测模型。首先利用C-C法对地下水埋深原始时序数据进行相空间重构(PSR),然后利用PSO-ELM对地下水埋深进行预测。将模型应用于中国黑龙江省红兴隆管理局红旗岭农场地下水埋深预测,结果表明:该模型取得了较好的预测效果,后验差比值C为0.074,小误差频率p为1,相对均方误差E1为6.36%,拟合准确率E2达到92.66%,试预报效果指标E3达到95.80%;与PSR-ELM、PSR-RBF等模型相比,PSR-PSO-ELM在试预报方面可使RMSE分别降低49%和70%,使误差区间分别降低28.2%和68.6%,证明PSO能够有效改善ELM模型的预测性能;分析了气候因素和人类活动对当地地下水埋深动态变化的影响。