影響河流水位的因素眾多,鑒于傳統(tǒng)的單變量水文預測模型無法充分考慮眾多因素,提出了一種基于AR-RNN的多變量水位預測模型。模型包含循環(huán)神經(jīng)網(wǎng)絡（RNN）與自回歸模型（AR）兩個部分。RNN部分為模型引入了大量的非線性層,幫助模型擬合水文序列中的非線性成分。但是大量的非線性層降低了模型對于線性成分的敏感性,AR部分可以提高模型對于線性成分的敏感性,使得模型在水位峰值處的預測更加準確。將AR-RNN模型應用于四川省清溪河流域的水位預測中,結(jié)果表明:相對于ARIMA模型、SVR模型和BP神經(jīng)網(wǎng)絡,AR-RNN模型的預測精度更高。 

【文章頁數(shù)】：6 頁

【文章目錄】：
1 基于AR-RNN的多變量水位預測模型
    1.1 模型基本原理
    1.2 模型的輸入與輸出
    1.3 模型的訓練
2 數(shù)據(jù)分析及處理
    2.1 原始數(shù)據(jù)
    2.2 數(shù)據(jù)處理
3 結(jié)果驗證
    3.1 評價指標
    3.2 AR-RNN與BP神經(jīng)網(wǎng)絡、SVR,ARIMA模型的對比
    3.3 AR-RNN與RNN模型的對比
4 結(jié) 論


【參考文獻】：
期刊論文
[1]基于CNN和MC的水文時間序列預測組合模型[J]. 許國艷,朱進,司存友,胡文斌,劉凡.  計算機與現(xiàn)代化. 2019(11)
[2]基于長短期記憶神經(jīng)網(wǎng)絡的風力發(fā)電功率預測方法[J]. 李相俊,許格健.  發(fā)電技術(shù). 2019(05)
[3]遼寧地區(qū)中長期降水預測模型應用對比研究[J]. 郭向東.  水利技術(shù)監(jiān)督. 2019(05)
[4]基于最小二乘支持向量回歸的水質(zhì)預測[J]. 劉紅梅,徐英嵐,張博,李榮.  計算機與現(xiàn)代化. 2019(09)
[5]基于ARIMA模型的馮家山水庫水位預測研究[J]. 王淑華.  陜西水利. 2019(08)
[6]水文時間序列預測模型研究進展[J]. 程揚,王偉,王曉青.  人民珠江. 2019(07)
[7]時間序列模型在遼西降水量動態(tài)預測的應用[J]. 于保慧.  東北水利水電. 2019(03)
[8]基于時間序列模型的降雨量預測分析[J]. 程敏,張耀文,姜紀沂,任杰,趙振宏.  水科學與工程技術(shù). 2019(01)
[9]遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡水文預報過程模型研究[J]. 褚繼花.  水利規(guī)劃與設計. 2018(01)
[10]基于ARMA模型的水文數(shù)據(jù)預測[J]. 陳佳袁,閆杰.  浙江水利科技. 2017(06)

碩士論文
[1]水文時間序列的特性分析及預測研究[D]. 杜懿.廣西大學 2018



本文編號：3723992