没有合适的资源?快使用搜索试试~ 我知道了~
耦合Encoder‑Decoder的LSTM径流预报模型研究.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
5星 · 超过95%的资源 1 下载量 158 浏览量
2023-02-23
20:32:16
上传
评论
收藏 835KB DOCX 举报
温馨提示
试读
7页
耦合Encoder‑Decoder的LSTM径流预报模型研究.docx
资源推荐
资源详情
资源评论
摘要
将 长 短 期 记 忆 神 经 网 络 ( long short-term memory neural network,LSTM ) 与 Encoder-
Decoder 结构耦合应用为 LSTM-ED 模型,并与 LSTM 人工智能径流预报模型进行比较。通过在
闽江建溪流域进行应用,结果表明,相较于 LSTM,LSTM-ED 在检验期整体和各预见期具有更高
的精度和稳定性,且对于典型洪水的预报洪峰误差更小,其独有的语义向量可以保持水文信息的连
续性 ,预报 径 流过程 不易受 降雨波 动 干扰。 2 个模型的 预 报能力 都与流 域最大 汇 流时间 密切相 关,
当预见期小于流域最大汇流时间时,2 个模型都有很好的预报能力;当预见期大于流域最大汇流时
间时,模型预报能力显著变差;当预见期远大于流域最大汇流时间时,2 个模型都失去预报可靠性。
Abstract
In this study, the long short-term memory neural network (LSTM) is coupled with
the Encoder-Decoder structure to form the LSTM-ED model, and the model is
compared with the LSTM . The application results in the Jianxi basin of the Minjiang
River show that compared with LSTM, LSTM-ED has higher accuracy and stability
both in the overall testing stage and at each forecast horizon, and LSTM-ED has
smaller peak flow prediction errors for typical floods. With the unique semantic
vector which maintains the continuity of hydrological information, the runoff
forecasting process of LSTM-ED is insensitive to fluctuations in the rainfall process.
However, the forecast ability of the two models is closely related to the maximum
concentration time (MCT) of the basin. When the forecast horizon is shorter than the
MCT of the basin, both models have good forecast ability. When the forecast horizon
is longer than MCT, the model forecast ability significantly decreases. When the
forecast horizon is much longer than MCT, both models lose their forecast reliability.
译
关键词
径流预报; Encoder-Decoder 结构; 长短期记忆神经网络; 深度学习; 人工神经网络
Keywords
runoff forecast; Encoder-Decoder structure; long short-term memory neural
network; deep learning; artificial neural network
译
根据具有物理意义的程度,径流预报模型可分为两类:过程驱动模型和数据驱动模型
[ 1]
。过程驱
动模型是由公式描 述水 文现 象的 物理 过程,一直以来是水文水资源领域径流 预测 的最 主要 工具
[ 2-
5 ]
;数 据驱动 模 型侧重 于挖掘 数据的 变化规 律,寻 求 和建立 因变量 和自变 量之间 的 最佳数 学关系 ,
建模简便,不涉及复杂的物理过程
[ 6]
。随着水文观测数据的积累,数据序列长度和数据质量相比
以前有了极大的提高,数据驱动模型在径流预报中也受到越来越多学者的关注与重视,能作为过程
驱动模型的有力补充或者替代
[ 1, 7-9]
。
资源评论
- 二de小人物2024-02-08资源内容总结地很全面,值得借鉴,对我来说很有用,解决了我的燃眉之急。
罗伯特之技术屋
- 粉丝: 3660
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功