文献类型：期刊文章

作　　者：刘扬[1] 王立虎[1]

LIU Yang;WANG Lihu(School of Information Engineering,North China University of Water Resources and Electric Power,Zhengzhou 450000,Henan,China)

机构地区：[1]华北水利水电大学信息工程学院,河南郑州450000

出　　处：《水利水电技术（中英文）》

基　　金：2019年度水利重大科技问题研究项目(重点领域战略研究项目16);河南省水利科技攻关项目(GG202042)。

年　　份：2022

卷　　号：53

期　　号：1

起止页码：35-44

语　　种：中文

收录情况：BDHX、BDHX2020、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：文章针对当前洪水预测中存在的预测精确度低、可信度差和高延时等问题,结合经验模态分解(Empirical Mode Decomposition,EMD),长短时记忆神经网络(Long Short-term Memory Networks,LSTM),提出一种基于EMD的深度学习模型(EMD-LSTM)。该模型首先利用极限学习机(Extreme Learning Machine,ELM)改进EMD端点效应,然后利用改进后的EMD方法将径流时序信号分解为若干本征模态分量(Intrinsic Mode Function,IMF),使非平稳的径流时序信号平稳化,进而利用长短时记忆神经网络模型对分量进行预测,可有效提高LSTM模型的预测精度。同时,为满足洪水预测的实时性要求,将并行计算方法引入EMD-LSTM模型中,以构建并行EMD-LSTM洪水预测方法。试验结果表明,并行EMD-LSTM模型相比于传统LSTM模型,预测精准度提高20.44%,可信度提高29.31%,效率提高93.86%。因此采用EMD方法对非稳态信号进行预处理可有效提高LSTM的预测效果,相比于传统LSTM模型,EMD-LSTM模型整体表现更优,在防洪减灾工作中更具适应性。

关 键 词：洪水智能预测  经验模态分解 深度学习  LSTM  并行计算

分 类 号：TV124]