基于SFLA-CNN和LSTM组合模型的水位预测

摘要：

水文时间序列受降雨量的影响,在变化规律上呈现季节性、非线性的特点.传统单一模型结构简单,对于复杂的非线性水文时间序列具有预测精度较低、不能很好捕捉水文时间序列的复合特征的问题.组合预测模型采用多分类器的思想,能够有效地提高预测准确度,然而在模型参数选择方面需要手工调参,花费时间多且不准确.本文提出一种基于SFLA-CNN和LSTM的组合预测模型:通过随机蛙跳算法SFLA对CNN模型进行参数寻优,得到优化后的SFLA-CNN预测模型;之后利用BP神经网络对SFLA-CNN和LSTM模型的预测值进行非线性组合,获得最终预测结果.在江苏省太湖区域的水位预测实验结果表明,该组合模型与现有模型相比,有效地提高了预测准确率,具有更好的泛化能力.

关键词：水位预测、随机蛙跳算法、卷积神经网络、长短期记忆网络、组合模型

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划项目2018YFC1508106,2016YFC0402710

在线出版日期：2021-05-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1-7