深度学习的LSTM-GRU复合模型在水文模拟中的应用

摘要：

在深度学习中,长短期记忆网络(LSTM)和门控循环单元(GRU)是两种模拟时间序列、循环神经网络(RNN)的主要基础结构,各有优缺点.为弥补二者的不足,提高河流流量的预测精度,建立了LSTM-GRU复合模型,并用于海河流域大清河水系白沟河流域流量的预测.基于东茨村水文站2006-2019年的日观测数据,以8个水文气象因子(气压、水温、相对湿度、降水量、日照、地温、风速、水位)的观测数据为输入,河流流量为输出,建立LSTM-GRU水文模型.为验证该模型的优势,将LSTM-GRU的模拟结果分别与LSTM和GRU的结果进行比较.结果表明,LSTM-GRU复合模型的稳定性和精确度明显优于单一的LSTM或GRU模型,为河流流量预测提供了一个更精准的方法.

关键词：深度学习、长短期记忆网络(LSTM)、门控循环单元(GRU)、移动平均、流量预测

所属期刊栏目：43

分类号：TV11;P33(水利工程基础科学)

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金

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

页数：共8页

页码：52-59