CN112801416A - 基于多维水文信息的lstm流域径流量预测方法 - Google Patents
基于多维水文信息的lstm流域径流量预测方法 Download PDFInfo
- Publication number
- CN112801416A CN112801416A CN202110262364.7A CN202110262364A CN112801416A CN 112801416 A CN112801416 A CN 112801416A CN 202110262364 A CN202110262364 A CN 202110262364A CN 112801416 A CN112801416 A CN 112801416A
- Authority
- CN
- China
- Prior art keywords
- runoff
- data
- rainfall
- hydrological
- lstm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 40
- 230000001186 cumulative effect Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于多维水文信息的LSTM流域径流量预测方法,包括以下步骤:(1)根据数据信息进行计算,得到年累积距平值和月降雨距平百分率;同时创建数据中心径流历史水文数据库;(2)划分为多个时间段,并对中心径流历史数据进行时间尺度统一及归一化处理;(3)采用包括输入、隐藏和输出的经典三层LSTM神经网络模型,对该未来时间段的径流量进行预测;(4)得到最终工作负载预测的径流量值;(5)以预测时段径流量数据更新数据中心径流历史水文数据库。本发明能够捕捉到径流量数据于其时间序列之间的关联性,并随着输入变量的增多,其精度可以呈阶段式增长,因而准确度高,对提高水文数据的高可用性、安全性和节省能耗具有重要意义。
Description
技术领域
本发明涉及径流量预测技术领域,具体涉及基于多维水文信息的LSTM流域径流量预测方法。
背景技术
对流域径流变化趋势的模拟与预测是水文学研究领域内的一个重要课题,随着信息技术的高速发展,流域水文气象资料的观测取得了长远的进步;与此同时,随着人工神经网络的发展、深度学习技术的提高,一些学者试图用数据驱动的方式来建立流域水文模拟,多种常见机器学习模型如循环神经网络(RNN)、决策树和随机森林(DT)、多层感知机(MPL)、支持向量机(SVM)、逻辑回归(LR)等被广泛应用于水文预报和环境监测等问题的研究。
水文系统具有多因素、多关系、多时间尺度、高度非线性等特征,且所处环境具有复杂性、多变性及不可预知性,使得人们在优先技术手段和时空条件下很难或不可能获取完整的系统模型信息,及系统处于贫信息状态及高度离散信息状态。
发明内容
本发明要解决的技术问题是,克服现有技术存在的上述缺陷,提供一种提高水文数据的高可用性、安全性和节省能耗的基于多维水文信息的LSTM流域径流量预测方法。
本发明解决其技术问题所采用的技术方案是:基于多维水文信息的LSTM流域径流量预测方法,包括以下步骤:
(1)从代表性子流域水文控制站点的水文历史数据得到年径流量、径流量序列中的多年径流量平均值、月降雨量和降雨量序列中的多个月降雨量平均值,根据日志文件中的年径流量及执行计算的时间,创建数据中心径流历史水文数据库;然后进行计算,得到年累积距平值和月降雨距平百分率;;
(2)将数据中心径流历史水文数据库中的中心径流历史数据划分为多个时间段,并确定需要进行预测工作负载的未来时间段和用于训练模型的时间段,然后对中心径流历史数据进行时间尺度统一及归一化处理;由于LSTM网络是一个时间序列网络,所以将序列数据输出到模型之前需要将其都统一到同一个时间尺度下,由于降雨、径流加上河流年阶段性和降雨距平百分率的数据来源、单位量纲的不同,为了避免无量纲化和数值数据集相差过大的问题,优化梯度下降路径加快收敛速度,需要对数据进行归一化处理;
(3)同样取步骤二中完成数据处理的需要进行预测工作负载的未来时间段,以该未来时间段的未知工作负载预测作为输出,与该未来时间段相邻时间段的已知的降雨量、年河流阶段性变化、降雨距平百分率作为输入,采用包括输入、隐藏和输出的经典三层LSTM神经网络模型,对该未来时间段的径流量进行预测;
(4)引入权值,以融合步骤二和步骤三的预测值,得到最终工作负载预测的径流量值;
(5)以预测时段径流量数据更新数据中心径流历史水文数据库,循环执行第二、三、四步预测水文数据。
进一步的,步骤(1)中,所述计算为通过计算公式(1)和计算公式(2),得到年累积距平值和月降雨距平百分率:
计算公式(1)为:式中LRi表示第i年的累积距平值,Ri表示第i年的径流量,表示径流量序列中的多年径流量平均值;由于距平有正有负的特点,当距平累积持续增大时,表示该段时间内径流量的距平持续为正;当距平累积持续不变时,表示该段时间内径流量的距平持续为零保持不变;当距平累计持续减小时,表示该段时间内径流量的距平持续为负,从而得到流域年河流的阶段性变化;
进一步的,所述步骤(2),将中心径流历史数据作为三元组W=<R,A,C>,其中R是月累计降雨量,A是降雨距平百分率,C是径流年阶段性变化,分为平水年、丰水年、枯水年,分别用1,2,3作为数据输入,通过计算公式(3)对即将输入模型的启动数据集W进行时间尺度统一和归一化处理:
进一步的,所述步骤(3),包括以下步骤:
1)使用前80%的共计400个时段*3种数据的每月累积降雨量、降雨距平百分率和流域河流年阶段性变化,通过经典三层LSTM神经网络模型预测第t时段径流值量yt,LSTM网络使用了门(gete)的概念,门实际上就是一层全连接,它的输入是一个向量,输出是一个0到1之间的实数向量。假设W是门的权重向量,b是偏置项,那么门可以表示为:g(x)=σ(Wx+b);在t时刻的计算过程中,首先计算的是遗忘门ft,ft可以决定之前t-1时刻信息舍弃多少;ft的计算公式为:ft=σ(Ufxt+Wfht-1+bf),其中Uf、Wf、bf为遗忘门的可调参数矩阵或向量,训练的目的就是优化这些矩阵或参数来达到最优解;σ为Sigmoid函数,计算公式为:
4)计算输出门ot,ot可以决定在当前时刻有多少信息进入隐藏层状态变量ht,其计算公式为:ot=σ(Uoxt+Woht-1+bo)和ht=ot⊙tanh(ct)。
进一步的,所述步骤(4)中,通过引入权值Wt,ht传入输出层,再通过计算得到LSTM在t时刻的最终输出径流值量yt,计算公式为:yt=Wtht+bd。
本发明的有益效果是,能够捕捉到径流量数据于其时间序列之间的关联性,并随着输入变量的增多,其精度可以呈阶段式增长,因而准确度高,对提高水文数据的高可用性、安全性和节省能耗具有重要意义。
附图说明
图1是本发明的流程示意图;
图2是实施例1的1974~2016年舞水流域径流量距平累积变化过程;
图3是实施例1的1974~2015年芷江站月降雨距平百分率;
图4是实施例1的基于多维水文信息LSTM模型对芷江站实验期月累计径流预测实验结果。
具体实施方式
下面结合实施例对本发明的具体实施方式作进一步详细说明:
如图1所示,基于多维水文信息的LSTM流域径流量预测方法的实施例1,包括以下步骤:
1、建立水文中心径流历史信息数据库:
使用代表性子流域水文控制站点的水文历史数据得到历史径流量、降雨量等水文数据通过以下公式计算月累计径流量的累积距平和降雨距平百分率:式中LRi表示第i年的累积距平值,Ri表示第i年的径流量,表示径流量序列中的多年径流量平均值;由于距平有正有负的特点,当距平累积持续增大时,表示该段时间内径流量的距平持续为正;当距平累积持续不变时,表示该段时间内径流量的距平持续为零保持不变;当距平累计持续减小时,表示该段时间内径流量的距平持续为负,从而得到流域年河流的阶段性变化;如图2所示的1974~2016年舞水流域径流量距平累积变化过程。再通过以下公式计算降雨距平百分率:
然后根据日志文件中的历史径流量及数据记录的时间,创建水文中心径流历史信息数据表,如表1所示。
表1水文中心径流历史信息数据表
年月 | 累积流量 | 累积降雨量 | 年径流量情况 | 降雨距平百分率 |
1974-01 | 1347.6 | 65.3 | 丰水年 | -0.37 |
1974-02 | 1551.50 | 16.8 | 丰水年 | -0.84 |
1974-03 | 1083.40 | 33.5 | 丰水年 | -0.67 |
1974-04 | 5386.20 | 149.6 | 丰水年 | 0.45 |
1974-05 | 6142.50 | 162.4 | 丰水年 | 0.58 |
1974-06 | 10028.10 | 216.4 | 丰水年 | 1.10 |
1974-07 | 12552.20 | 204.7 | 丰水年 | 0.99 |
1974-08 | 3737.10 | 46.6 | 丰水年 | -0.55 |
1974-09 | 2013.00 | 18.9 | 丰水年 | -0.82 |
1974-10 | 1881.80 | 7.9 | 丰水年 | -0.92 |
1974-11 | 1153.90 | 9.4 | 丰水年 | -0.91 |
1974-12 | 1139.50 | 37.5 | 丰水年 | -0.64 |
表1记录了芷江站1974年整年的径流量、降雨量、降雨距平百分率、河流年阶段性变化的数据;芷江站降雨量主要集中在4月-7月,其他月分降雨量较少。降雨量和径流量具有一定的正相关性,降雨量多时芷江站径流量流量就大,降雨量少时芷江站径流量流量相对较小。
2、最近数月的LSTM神经网络径流量预测方法:
本实施将水文中心径流历史数据作为三元组W=<R,A,C>,其中R是月累计降雨量,A是降雨距平百分率,C是径流年阶段性变化,分为平水年、丰水年、枯水年,分别用1,2,3作为数据输入,对即将输入模型的启动数据集W进行时间尺度统一和归一化处理,归一化处理转换公式如下:其中max为样本数据的最大值,min为样本数据的最小值;
3、短期内LSTM神经网络径流量预测技术:
1)使用前80%的共计400个时段*3种数据的每月累积降雨量、降雨距平百分率和流域河流年阶段性变化,通过经典三层LSTM神经网络模型预测第t时段径流量yt,LSTM网络使用了门(gete)的概念,门实际上就是一层全连接,它的输入是一个向量,输出是一个0到1之间的实数向量。假设W是门的权重向量,b是偏置项,那么门可以表示为:g(x)=σ(Wx+b);在t时刻的计算过程中,首先计算的是遗忘门ft,ft可以决定之前t-1时刻信息舍弃多少;ft的计算公式为:ft=σ(Ufxt+Wfht-1+bf),其中Uf、Wf、bf为遗忘门的可调参数矩阵或向量,训练的目的就是优化这些矩阵或参数来达到最优解;σ为Sigmoid函数,公式为:
4)计算输出门ot,ot可以决定在当前时刻有多少信息进入隐藏层状态变量ht,其计算公式为:ot=σ(Uoxt+Woht-1+bo)和ht=ot⊙tanh(ct)。
4、多维水文信息LSTM短期径流量预测法:
通过引入权值Wt,ht传入输出层,再经过计算后得到LSTM在t时刻的最终输出yt,计算公式为:yt=Wtht+bd。
以舞水流域芷江站1974-2016年水文信息作为数据,得到如图4所示的基于多维水文信息LSTM模型对芷江站实验期月累计径流预测实验结果。
说明书中未详细说明的内容属于本领域技术人员熟知的现有技术。
以上所述仅是本发明的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应当视为在本发明的保护范围之内。
Claims (5)
1.基于多维水文信息的LSTM流域径流量预测方法,其特征在于,包括以下步骤:
(1)从代表性子流域水文控制站点的水文历史数据得到年径流量、径流量序列中的多年径流量平均值、月降雨量和降雨量序列中的多个月降雨量平均值,根据日志文件中的年径流量及执行计算的时间,创建数据中心径流历史水文数据库;然后进行计算,得到年累积距平值和月降雨距平百分率;;
(2)将数据中心径流历史水文数据库中的中心径流历史数据划分为多个时间段,并确定需要进行预测工作负载的未来时间段和用于训练模型的时间段,然后对中心径流历史数据进行时间尺度统一及归一化处理;
(3)同样取步骤二中完成数据处理的需要进行预测工作负载的未来时间段,以该未来时间段的未知工作负载预测作为输出,与该未来时间段相邻时间段的已知的降雨量、年河流阶段性变化、降雨距平百分率作为输入,采用包括输入、隐藏和输出的经典三层LSTM神经网络模型,对该未来时间段的径流量进行预测;
(4)引入权值,以融合步骤二和步骤三的预测值,得到最终工作负载预测的径流量值;
(5)以预测时段径流量数据更新数据中心径流历史水文数据库,循环执行第二、三、四步预测水文数据。
4.根据权利要求3所述的基于多维水文信息的LSTM流域径流量预测方法,其特征在于,所述步骤(3),包括以下步骤:
1)使用前80%的共计400个时段*3种数据的每月累积降雨量、降雨距平百分率和流域河流年阶段性变化,通过经典三层LSTM神经网络模型预测第t时段径流值量yt;假设W是门的权重向量,b是偏置项,那么门可以表示为:g(x)=σ(Wx+b);在t时刻的计算过程中,首先计算的是遗忘门ft,ft可以决定之前t-1时刻信息舍弃多少;ft的计算公式为:ft=σ(Ufxt+Wfht-1+bf),其中Uf、Wf、bf为遗忘门的可调参数矩阵或向量,训练的目的就是优化这些矩阵或参数来达到最优解;σ为Sigmoid函数,计算公式为:
4)计算输出门ot,ot可以决定在当前时刻有多少信息进入隐藏层状态变量ht,其计算公式为:ot=σ(Uoxt+Woht-1+bo)和ht=ot⊙tanh(ct)。
5.根据权利要求4所述的基于多维水文信息的LSTM流域径流量预测方法,其特征在于,所述步骤(4)中,通过引入权值Wt,ht传入输出层,再通过计算得到LSTM在t时刻的最终输出径流值量yt,计算公式为:yt=Wtht+bd。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110262364.7A CN112801416A (zh) | 2021-03-10 | 2021-03-10 | 基于多维水文信息的lstm流域径流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110262364.7A CN112801416A (zh) | 2021-03-10 | 2021-03-10 | 基于多维水文信息的lstm流域径流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112801416A true CN112801416A (zh) | 2021-05-14 |
Family
ID=75816837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110262364.7A Pending CN112801416A (zh) | 2021-03-10 | 2021-03-10 | 基于多维水文信息的lstm流域径流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801416A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508810A (zh) * | 2018-09-29 | 2019-03-22 | 天津大学 | 一种基于实现月平均水文流量预测的系统 |
CN113962442A (zh) * | 2021-09-26 | 2022-01-21 | 河海大学 | 一种基于历史数据分析的长期水光资源联合预测方法 |
CN115392128A (zh) * | 2022-09-07 | 2022-11-25 | 黑河水资源与生态保护研究中心 | 一种利用时空卷积lstm网络模拟流域径流量的方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009008651A (ja) * | 2007-05-31 | 2009-01-15 | Foundation Of River & Basin Integrated Communications Japan | 全国合成レーダ雨量を用いた分布型流出予測システム |
CN102867106A (zh) * | 2012-08-14 | 2013-01-09 | 贵州乌江水电开发有限责任公司 | 短期径流预报方法及系统 |
CN106054282A (zh) * | 2016-05-27 | 2016-10-26 | 成都信息工程大学 | 一种基于mjo的西南地区降水预报方法 |
CN107274030A (zh) * | 2017-06-23 | 2017-10-20 | 华中科技大学 | 基于水文变量年际和月变化特性的径流预报方法和系统 |
CN110288157A (zh) * | 2019-06-27 | 2019-09-27 | 电子科技大学 | 一种基于注意力机制和lstm的径流预测方法 |
CN110471950A (zh) * | 2019-07-19 | 2019-11-19 | 河海大学 | 一种中小河流实时洪水预报智能模型预报方法 |
CN111310968A (zh) * | 2019-12-20 | 2020-06-19 | 西安电子科技大学 | 一种基于互信息的lstm神经网络循环水文预报方法 |
CN111523644A (zh) * | 2020-04-14 | 2020-08-11 | 太原理工大学 | 一种基于lsfl组合模型的中长期径流预测方法 |
CN111598724A (zh) * | 2020-05-19 | 2020-08-28 | 四川革什扎水电开发有限责任公司 | 一种中小水库入库流量日前预测的分时段集成方法 |
CN111797129A (zh) * | 2020-06-01 | 2020-10-20 | 武汉大学 | 一种气候变化情景下水文旱情评估方法 |
CN112182063A (zh) * | 2020-09-16 | 2021-01-05 | 河海大学 | 一种基于时空特征的水文预报模型的构建方法 |
-
2021
- 2021-03-10 CN CN202110262364.7A patent/CN112801416A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009008651A (ja) * | 2007-05-31 | 2009-01-15 | Foundation Of River & Basin Integrated Communications Japan | 全国合成レーダ雨量を用いた分布型流出予測システム |
CN102867106A (zh) * | 2012-08-14 | 2013-01-09 | 贵州乌江水电开发有限责任公司 | 短期径流预报方法及系统 |
CN106054282A (zh) * | 2016-05-27 | 2016-10-26 | 成都信息工程大学 | 一种基于mjo的西南地区降水预报方法 |
CN107274030A (zh) * | 2017-06-23 | 2017-10-20 | 华中科技大学 | 基于水文变量年际和月变化特性的径流预报方法和系统 |
CN110288157A (zh) * | 2019-06-27 | 2019-09-27 | 电子科技大学 | 一种基于注意力机制和lstm的径流预测方法 |
CN110471950A (zh) * | 2019-07-19 | 2019-11-19 | 河海大学 | 一种中小河流实时洪水预报智能模型预报方法 |
CN111310968A (zh) * | 2019-12-20 | 2020-06-19 | 西安电子科技大学 | 一种基于互信息的lstm神经网络循环水文预报方法 |
CN111523644A (zh) * | 2020-04-14 | 2020-08-11 | 太原理工大学 | 一种基于lsfl组合模型的中长期径流预测方法 |
CN111598724A (zh) * | 2020-05-19 | 2020-08-28 | 四川革什扎水电开发有限责任公司 | 一种中小水库入库流量日前预测的分时段集成方法 |
CN111797129A (zh) * | 2020-06-01 | 2020-10-20 | 武汉大学 | 一种气候变化情景下水文旱情评估方法 |
CN112182063A (zh) * | 2020-09-16 | 2021-01-05 | 河海大学 | 一种基于时空特征的水文预报模型的构建方法 |
Non-Patent Citations (16)
Title |
---|
MOYANG LIU等: "The Applicability of LSTM-KNN Model for Real-Time Flood Forecasting in Different Climate Zones in China", 《WATER》, vol. 12, no. 2, pages 1 - 21 * |
SHUAI GAO等: "Short-term runoff prediction with GRU and LSTM networks without requiring time step optimization during sample generation", 《JOURNAL OF HYDROLOGY》, vol. 589, pages 1 - 11 * |
STEPHENS, E等: "Precipitation and floodiness", 《GEOPHYSICAL RESEARCH LETTERS》, vol. 42, no. 23, pages 10316 - 10323 * |
刘迎军;王康;李立;: "基于LSTM神经网络的流域污染物通量预测", 水力发电学报, no. 10, pages 72 - 81 * |
张核真;尼玛吉;多吉次仁;: "近50年西藏最长连续无降水日数变化特征", 中国农学通报, no. 35, pages 151 - 154 * |
景亚平: "黄河中游区四条一级支流径流量时空变化规律及预测研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 01, pages 012 - 8 * |
李培都;司建华;冯起;赵春彦;王春林;: "疏勒河年径流量变化特征分析及模拟", 水资源保护, no. 02, pages 52 - 60 * |
李虎等: "组合预报在乌江渡水文预报中的应用", 《东北水利水电》, vol. 31, no. 02, pages 19 - 41 * |
王钧等: "陇中黄土丘陵沟壑区人工草地土壤水蚀预测模型", 《干旱区地理》, vol. 43, no. 02, pages 398 - 405 * |
田杨: "基于长短期记忆神经网络的舞水河径流量预测研究", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》, no. 02, pages 012 - 98 * |
胡庆芳: "汉江流域安康站日径流预测的LSTM模型初步研究", 《地理科学进展》, vol. 39, no. 04, pages 636 - 642 * |
董国涛: "基于LSTM网络的黑河流域月径流量预测", 《中国水利学会2020学术年会论文集第三分册》, pages 82 - 88 * |
马海娇等: "典型干旱指数在滦河流域的适用性评价", 《干旱区研究》, vol. 30, no. 04, pages 728 - 734 * |
高贵生等: "降水距平百分率指标对西宁市农业气象干旱的适用性及干旱预测", 《青海草业》, vol. 26, no. 04, pages 26 - 31 * |
高超等: "2010—2100年淮河径流量变化情景预估", 《气候变化研究进展》, vol. 6, no. 10, pages 15 - 21 * |
黄强等: "西北旱区水文水资源科技进展与发展趋势", 《水利与建筑工程学报》, vol. 17, no. 03, pages 1 - 9 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508810A (zh) * | 2018-09-29 | 2019-03-22 | 天津大学 | 一种基于实现月平均水文流量预测的系统 |
CN113962442A (zh) * | 2021-09-26 | 2022-01-21 | 河海大学 | 一种基于历史数据分析的长期水光资源联合预测方法 |
CN115392128A (zh) * | 2022-09-07 | 2022-11-25 | 黑河水资源与生态保护研究中心 | 一种利用时空卷积lstm网络模拟流域径流量的方法 |
CN115392128B (zh) * | 2022-09-07 | 2024-02-13 | 黑河水资源与生态保护研究中心 | 一种利用时空卷积lstm网络模拟流域径流量的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm | |
CN109902801B (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
CN110298501B (zh) | 基于长短时记忆神经网络的电负荷预测方法 | |
CN108280551B (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
CN112801416A (zh) | 基于多维水文信息的lstm流域径流量预测方法 | |
CN107967542B (zh) | 一种基于长短期记忆网络的售电量预测方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
CN109711617B (zh) | 一种基于blstm深度学习的中长期径流预测方法 | |
Poczęta et al. | Learning fuzzy cognitive maps using structure optimization genetic algorithm | |
CN112182709B (zh) | 大型水库叠梁门分层取水设施的下泄水温快速预测方法 | |
CN111652425A (zh) | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 | |
Yahya et al. | Designing weather forecasting model using computational intelligence tools | |
CN111160659B (zh) | 一种考虑温度模糊化的电力负荷预测方法 | |
CN111915092A (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
CN109615147A (zh) | 一种未来72小时大气污染预报预警方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN117977568A (zh) | 基于嵌套lstm和分位数计算的电力负荷预测方法 | |
Papageorgiou et al. | Hybrid model for water demand prediction based on fuzzy cognitive maps and artificial neural networks | |
CN112330027A (zh) | 一种基于搜索引擎指数的电力负荷预测方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN114817571A (zh) | 基于动态知识图谱的成果被引用量预测方法、介质及设备 | |
CN113988436A (zh) | 基于lstm神经网络和层级关系修正的用电量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |