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学习机(Extreme Learning Machine, ELM)改进EMD端点效应,然后利用改进后的EMD方法将径流时序信号分解为若干本征模态分量(Intrinsic Mode Function, IMF),使非平稳的径流时序信号平稳化,进而利用长短时记忆神经网络模型对分量进行预测,可有效提高LSTM模型的预测精度。同时,为满足洪水预测的实时性要求,将并行计算方法引入EMD-LSTM模型中,以构建并行EMD-LSTM洪水预测方法。试验结果表明,并行EMD-LSTM模型相比于传统LSTM模型,预测精准度提高20.44%,可信度提高29.31%,效率提高93.86%。因此采用EMD方法对非稳态信号进行预处理可有效提高LSTM的预测效果,相比于传统LSTM模型,EMD-...