文献类型：期刊文章

作　　者：刘威[1] 尹飞[2]

LIU Wei;YIN Fei(School of Networking and Communication Engineering,Jinling Institute of Technology,Nanjing 211169,China;Water Conservancy Bureau of Lianyungang City,Lianyungang 222006,China)

机构地区：[1]金陵科技学院网络与通信工程学院,江苏南京211169 [2]江苏省连云港市水利局,江苏连云港222006

出　　处：《无线电工程》

基　　金：国家自然科学基金(41801303)。

年　　份：2022

卷　　号：52

期　　号：1

起止页码：83-87

语　　种：中文

收录情况：BDHX、BDHX2020、JST、核心刊

摘　　要：受降水量、径流等因素的影响,水库的长期水位预测面临巨大挑战。提出了一种新的基于长短期记忆(Long Short Term Memory, LSTM)网络的时间序列模型,对沂沭泗流域中的石梁河水库水位进行了预测和性能评价。该模型整合了降雨、水流和土壤含水量等历史信息,并通过实验获取最优预测步长,从而提高了模型的预测准确度,并且稳定性更好,避免出现较大的误差。实验使用Nash-Sutcliffe效率(NSE)、Pearson相关系数平方(R;)和绝对均方根误差(Root Mean Square Errors, RMSE)等评价指标,与基本的多层感知机模型和卷积神经网络(Convolutional Neural Networks, CNN)比较,得出如下结论:① LSTM模型的预测值不存在明显较小的波峰或波谷;②模型的预测精度不会随着预测时间步长的增加而急剧下降;③在真实的洪水事件预测中,雨量较小时不会引起预报线的波动,且预测洪峰时偏离度较小。当然,如何在大规模流域中应用该模型,以及对流域中的多个水库水位同时预测等问题,将在未来的工作中进行进一步的研究和分析。

关 键 词：水位预测 深度学习  长短期记忆模型  洪水预测

分 类 号：TP389.1]