基于經(jīng)驗?zāi)Ｊ椒纸夥椒ê烷L短期記憶網(wǎng)絡(luò)（empirical model decomposition and long short-term memory network, EMD-LSTM）模型對水位數(shù)據(jù)進(jìn)行預(yù)測。先采用中值濾波對數(shù)據(jù)序列進(jìn)行預(yù)處理,然后對數(shù)據(jù)序列進(jìn)行EMD分解,并對EMD分解的每個特征序列使用LSTM模型進(jìn)行預(yù)測,最后疊加各個序列預(yù)測值,得到最終的預(yù)測結(jié)果。以南水北調(diào)工程某河流每隔1 h的瞬時流量、流速和水深監(jiān)測數(shù)據(jù)為研究對象,采用EMD-LSTM模型進(jìn)行建模,試驗結(jié)果表明,該模型能夠?qū)崿F(xiàn)水位、水速和瞬時流量連續(xù)12 h和6 h的準(zhǔn)確預(yù)測,且比LSTM模型具有更高的預(yù)測精度,可為水位預(yù)判和水資源的實時調(diào)度提供決策依據(jù)。 

【文章來源】：水利水電科技進(jìn)展. 2020,40(06)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

LSTM細(xì)胞單元結(jié)構(gòu)

以南水北調(diào)工程某河流2017年11月3日到2018年6月30日每隔1 h的中水文數(shù)據(jù)為試驗對象,所記錄的水文數(shù)據(jù)包括水深、流速和瞬時流量,共有5 727條記錄,水深、流速和瞬時流量的時間序列曲線見圖2。2.2 數(shù)據(jù)預(yù)處理和EMD分解

預(yù)測窗口長度為12 h的LSTM模型對瞬時流量的EMD分量預(yù)測結(jié)果

【參考文獻(xiàn)】：
期刊論文
[1]基于長短時記憶神經(jīng)網(wǎng)絡(luò)的鄱陽湖水位預(yù)測[J]. 郭燕,賴錫軍.  湖泊科學(xué). 2020(03)
[2]秦淮河流域東山站水位預(yù)報研究[J]. 張軒,張行南,江唯佳,聞余華,聶青,徐榮嶸.  水資源保護(hù). 2020(02)
[3]基于多變量LSTM神經(jīng)網(wǎng)絡(luò)的地下水水位預(yù)測[J]. 閆佰忠,孫劍,王昕洲,韓娜,劉博.  吉林大學(xué)學(xué)報(地球科學(xué)版). 2020(01)
[4]基于ARIMA和EEMD的東江流域季節(jié)降水預(yù)報研究[J]. 李寧,劉瑜,王大剛.  人民珠江. 2019(03)
[5]基于LSTM神經(jīng)網(wǎng)絡(luò)的水電站短期水位預(yù)測方法[J]. 劉亞新,樊啟祥,尚毅梓,樊啟萌,劉志武.  水利水電科技進(jìn)展. 2019(02)
[6]基于主成分-時間序列模型的地下水位預(yù)測[J]. 張展羽,梁振華,馮寶平,黃繼文,吳東.  水科學(xué)進(jìn)展. 2017(03)
[7]基于EMD分解的AR模型在年徑流預(yù)測中的應(yīng)用[J]. 陳旭,趙雪花.  水電能源科學(xué). 2014(07)
[8]基于遺傳算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)在地下水位預(yù)測中的應(yīng)用[J]. 徐強(qiáng),束龍倉,楊桂蓮,劉晉,楊丹.  水文. 2010(01)

碩士論文
[1]基于LSTM模型的九龍江流域徑流序列預(yù)測研究[D]. 馮銳.長安大學(xué) 2019



本文編號：3461154