發(fā)布時(shí)間：2021-10-27 07:35

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

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

【文章頁(yè)數(shù)】：8 頁(yè)

【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(yàn)對(duì)象,所記錄的水文數(shù)據(jù)包括水深、流速和瞬時(shí)流量,共有5 727條記錄,水深、流速和瞬時(shí)流量的時(shí)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(cè)窗口長(zhǎng)度為12 h的LSTM模型對(duì)瞬時(shí)流量的EMD分量預(yù)測(cè)結(jié)果

【參考文獻(xiàn)】：
期刊論文
[1]基于長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的鄱陽(yáng)湖水位預(yù)測(cè)[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(bào)研究[J]. 張軒,張行南,江唯佳,聞?dòng)嗳A,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(cè)[J]. 閆佰忠,孫劍,王昕洲,韓娜,劉博.  吉林大學(xué)學(xué)報(bào)(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(bào)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(cè)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(shí)間序列模型的地下水位預(yù)測(cè)[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(cè)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(cè)中的應(yīng)用[J]. 徐強(qiáng),束龍倉(cāng),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(cè)研究[D]. 馮銳.長(zhǎng)安大學(xué) 2019



本文編號(hào)：3461154