时序分解和CNN-LSTM相融合的月径流预报模型

摘要：

针对常规模型无法充分提取径流序列复杂非线性特征信息的不足,提出一种基于局部加权回归周期趋势分解算法(STL)与卷积神经网络(CNN)和长短时记忆神经网络(LSTM)相融合的月径流预报模型.该模型首先利用STL将径流序列分解为趋势项、季节项和随机波动的余项,分解后的各分量序列输入CNN进行卷积运算和子采样层重采样,CNN输出的特征序列通过LSTM拟合时序关系后由全连接层输出径流预测值.以黑河流域讨赖河基准站的月径流数据为例,对比分析LSTM、STL-CNN、STL-CNN-LSTM三种模型的预测效果,验证结果表明:STL和CNN-LSTM相融合的模型预报误差最小、精度等级最高.该模型相较于直接对原始径流序列进行分析的常规模型,可以较为显著地提高月径流预测的能力.

关键词：径流预测、STL、非线性特征、卷积神经网络、CNN-LSTM

所属期刊栏目：40

分类号：TV124;P333(水利工程基础科学)

资助基金：河南省高等学校重点科研项目22A170009

在线出版日期：2023-07-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：49-54