基于长短期记忆循环神经网络及其结构约减变体的中长期径流预报研究

摘要

径流过程受地理环境、气候变化、人类活动等多方面综合影响，具有随机性、模糊性、灰色、混沌等特性。开展流域未来径流预报研究对获得诸如防洪、发电、农业灌溉、工业居民用水、河道通航、景观旅游等经济和社会效益具有重大意义。因此，为了更好地统筹规划水资源，提高中长期径流预报的精度显得尤为重要。 本文以长江上游宜昌站为研究对象，使用宜昌站年径流和月径流数据，研究并设计有效的人工神经网络预报中长期径流。研究工作重点围绕传统人工神经网络预报模型无法记忆过往时刻数据、易收敛于局部最优和梯度下降等问题展开，引入循环神经网络中的长短期记忆循环神经网络（LSTM）和门结构循环单元（GRU）变体，建立年、月径流预报模型，并提出一种更简单、计算效率更高的门结构-Simp le-LS TM作为预报网络。实例研究表明，S imp le-LS TM网络在训练和测试中都表现出良好的性能。与BP神经网络和支持向量回归机（SVR）两种方式预报结果相比，Simple-LSTM模型具有更高的预报合格率和计算效率。基于以上研究，设计了一套三峡流域中长期径流预报系统。研究工作取得的主要成果如下： （1）为了克服传统人工神经网络收敛慢、震荡波动大、收敛于局部最优点、梯度衰减等问题，本文引入LSTM和GRU网络，构建了基于LSTM和GRU的中长期径流预报模型，通过简化LSTM结构，得到一种效率更高、结构更精简的预报网络-Simp le-LSTM，在此基础上建立了年径流、月径流预报体系，获得较好的预报效果。 （2）使用TensorFlow框架搭建LSTM、GRU、Simple-LSTM训练预报模型，研究分析不同时间步长对GR U径流预报精度和计算效率的影响，并将LS TM预报体系预报结果与BP神经网络、S V R预报结果对比。在年径流预报方面，在测试集上，LSTM系列模型预报合格率优于BP神经网络和S VR，以相对误差小于20%计算合格率，GRU合格率最高，分别比BP网络、SVR高9.01%和6.79%，S imp le-LS TM拥有较高的计算效率，分别比LSTM、GRU提高24.5%、16.9%，在预报合格率方面接近GRU；在月径流预报方面，LSTM预报精度最佳，分别比GRU、Simple-LSTM高0.5%、0.65%，与SVR、BP网络相比，合格率分别提高2.34%和6.17%，Simple-LSTM计算效率较高，分别比LSTM、GRU提升38.85%、25.84%，仍有接近LSTM的预报合格率。 （3）设计并实现了一套三峡流域中长期径流预报示范系统，完善了现有三峡流域中长期径流预报体系，为径流预报方法提供了新的思路。

目录

第一个书签之前