10.3880/j.issn.1006-7647.2023.03.002
基于机器学习模型的河道水位预测
结合已有机器学习模型——卷积神经网络(CNN)和门控循环单元(GRU)的优点,构建了并联卷积循环神经网络(PCNN-GRU)模型,并将其用于赣江下游外洲站日尺度水位变化的预测.结果显示:相较于目前流行的长短时记忆(LSTM)模型、GRU 模型以及卷积循环神经网络(CNN-GRU)模型,PCNN-GRU模型的均方根误差和平均绝对误差分别降低了18.39%、21.11%、15.48%和21.31%、18.64%、14.28%,纳什-萨特克里夫效率系数和准确率分别提高至 0.9992 和88.12%,表明所建模型具有良好的预测性能,可用于河道水位预测.
河道水位、机器学习、卷积神经网络、循环神经网络、赣江
43
TV124(水利工程基础科学)
国家重点研发计划;河海大学大学生创新训练项目
2023-05-25(万方平台首次上网日期,不代表论文的发表时间)
共6页
9-14