基于深度循环神经网络的时间序列预测模型

针对水文时间序列的高度非线性和不确定性等问题,利用深度循环神经网络的时间序列预测能力,结合小波变换方法,将原始序列分解重构为多个低频和高频序列,针对各个子序列进行网络模型训练,建立一个基于小波变换的深度循环神经网络的水文时间序列预测模型(WA-DRNN)。网络训练方法采用时间进化反向传播(BPTT)算法,逐步更新网络权值。实验结果表明,WA-DRNN模型较普通的DRNN模型在预测值的均方差和绝对误差上均有较好提升,并且由于该模型的多尺度特性,能够一定程度上减少模型预测引起的滞后作用。实验结果证明,WA-DRNN模型具有预测精度高、滞后误差小的优点,对深度学习算法在水文时间序列预测的应用上有一定帮助。