面向实时控制的排水系统深度LSTM神经网络模型

如何得到兼顾运算时间和预测效果的排水系统预测模型是排水系统实时控制领域亟需解决的问题。针对这一难点，以非线性映射能力较强且运算速度较快的长短时记忆（LSTM）神经网络为基础，构建了面向实时控制的城市排水系统深度LSTM神经网络模型，并以苏州市福星片区为案例区域，验证该模型的预测效果和计算效率。结果显示，该模型对18个泵站站前液位预测结果的纳什效率系数均在0.5以上，且在不同降雨情景下均能得到较好的拟合结果；与机理模型相比，该模型能节约99.7%的计算时间，可显著提高排水系统预测模型的实时性。