改进EEMD-GRU混合模型在径流预报中的应用
为解决径流预测模型存在的预测精确度低、稳定性差、延时高等问题,结合门控制循环单元神经网络(gated recurrent unit,GRU),集合经验模态分解(ensemble empirical mode decomposition,EEMD)的各自优点,提出一种基于改进EEMD方法的深度学习模型(EEMD-GRU).该模型首先以智能算法对径流信号进行边界拓延,以解决EEMD边界效应.然后利用改进EEMD方法将径流信号分解为若干稳态分量,将各分量作为GRU模型的输入并对其进行预测.实验结果表明,与结合了经验模态分解的支持向量回归模型相比,并行EEMD-GRU径流预测模型的预测精准度、可信度和效率分别提高82.50%、144.67%和95.49%.基于EEMD-GRU的最优运算结果表明,该方法可进一步减少区域防洪的经济损失,提高灾害监管的工作效率.
径流预报、集合经验模态分解、深度学习、门控制循环单元神经网络、并行计算、混合模型、时序预测、工程应用
17
TP183;TV124(自动化基础理论)
河南省水利科技攻关项目GG202042
2022-06-21(万方平台首次上网日期,不代表论文的发表时间)
共8页
480-487