DFA＿VMD＿LSTM组合日径流预测模型研究

被引：23

作者：

孙望良 ^{[1
]}

周建中 ^{[2
]}

彭利鸿 ^{[1
]}

徐占兴 ^{[2
]}

莫莉 ^{[2
]}

胡斯曼 ^{[2
]}

何飞飞 ^{[2
]}

机构：

[1] 国家电网公司华中分部

[2] 华中科技大学土木与水利工程学院

来源：

水电能源科学 | 2021年 / 39卷 / 03期

基金：

国家自然科学基金重大研究计划;

关键词：

日径流预测; 变分模态分解; 去趋势波动分析; 长短时记忆神经网络;

D O I：

暂无

中图分类号：

P333 [水文分析与计算];

学科分类号：

摘要：

为有效提取径流序列的局部特征信息、提高神经网络径流预测模型的非线性拟合能力和预测性能,引入变分模态分解（VMD）、去趋势波动分析（DFA）方法,提出了一种基于长短时记忆（LSTM）神经网络的组合日径流预测模型（DFAVMDLSTM）,并采用均方误差(RRMSE)、平均绝对误差(MMAE)、平均绝对百分误差(MMAPE)以及确定性系数(DDC)统计指标对模型进行评价。在三峡水库的径流预测研究中,经过与其他三种典型数据驱动模型的预测结果对比发现,DFAVMDLSTM组合日径流预测模型在不同评价指标上均有显著提升,说明该模型可充分挖掘径流序列组成特性,学习历史长程依赖,能有效提高径流预报精度。

引用

页码：12 / 15

页数：4

共 9 条

[1] MOSAIC ORGANIZATION OF DNA NUCLEOTIDES
PENG, CK
BULDYREV, SV
HAVLIN, S
SIMONS, M
STANLEY, HE
GOLDBERGER, AL
[J]. PHYSICAL REVIEW E, 1994, 49 (02): : 1685 - 1689
[2] Variational Mode Decomposition
Dragomiretskiy, Konstantin
Zosso, Dominique
[J]. IEEE TRANSACTIONS ON SIGNAL PROCESSING, 2014, 62 (03) : 531 - 544
[3] Monthly streamflow prediction using modified EMD-based support vector machine[J] . Shengzhi Huang,Jianxia Chang,Qiang Huang,Yutong Chen. ournal of Hydrology . 2014
[4] GB/T 22482-2008. 水文情报预报规范[S]. 2008
[5] 基于去趋势波动分析方法的土壤水分长程相关性研究
宋闰柳
于静洁
刘昌明
[J]. 水利学报, 2011, 42 (03) : 315 - 322
[6] 基于小波分析的BP网络预测模型及其在年径流预测中的应用
徐廷兵
马光文
黄炜斌
邢冰
[J]. 水电能源科学, 2012, 30 (02) : 17 - 19
[7] 三峡水库中长期径流预报方法研究
李克飞
纪昌明
张验科
赵璧奎
[J]. 水电能源科学, 2013, 31 (01) : 8 - 11
[8] 基于长短时记忆神经网络（LSTM）的降雨径流模拟及预报
殷兆凯
廖卫红
王若佳
雷晓辉
[J]. 南水北调与水利科技, 2019, 17 (06) : 1 - 9+27
[9] Long short-term memory
Hochreiter, S
Schmidhuber, J
[J]. NEURAL COMPUTATION, 1997, 9 (08) : 1735 - 1780

← 1 →