10.19853/j.zgjsps.1000-4602.2022.19.021
基于DM-LSTM的城市降雨径流预测研究
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.
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
38
TU992(地下建筑)
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
2022-11-02(万方平台首次上网日期,不代表论文的发表时间)
共7页
132-138