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。

Prediction model of monthly precipitation based on CEEMDAN-BiLSTM