基于DM-LSTM的城市降雨径流预测研究

摘要：

智慧水务背景下,如何基于人工智能理论与技术深化城市降雨径流模型研究,是一项值得探索的课题.由于城市降雨径流时间分辨率高且样本特征分布不具有规律性,直接采用长短期记忆(LSTM)模型进行预测面临着挑战.基于此,提出用数据挖掘(DM)算法及规则对城市降雨径流时序数据集进行聚类和重构,并基于深度学习算法对LSTM模型的结构和参数进行优化,构建了 DM-LSTM耦合模型,并用于研究区域的降雨径流模拟.结果表明,对于各类降雨事件,与LSTM模型相比,DM-LSTM耦合模型的均方根误差(RMSE)降低了 2.1％～41.9％,纳什效率系数(NSE)提高了 0.4％～56.4％,决定系数(R2)提高了 0.3％～65.6％.DM-LSTM耦合模型不仅对各类降雨事件均表现出更好的预测性,而且模型运行时间仅为2.044 s,能够很好地满足城市降雨径流预测对实时性、准确性和稳定性的需求.

关键词：城市降雨径流预测、数据驱动模型、长短期记忆(LSTM)模型、数据挖掘、深度学习、智慧水务

所属期刊栏目：38

分类号：TU992(地下建筑)

资助基金：国家重点研发计划;重庆市教委科学技术研究项目;重庆市科委社会民生类重点研发项目

在线出版日期：2022-11-02（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：132-138