一种基于LSTM的流域径流预测方法技术

本发明专利技术公开了一种基于LSTM的流域径流预测方法，基于LSTM算法结构不变的前提，将影响流域径流的因素按照三种组合方案设置为不同的输入集，将流域当日径流量设置为统一的输出集，借助LSTM模型建立输入和输出的映射关系，以对比不同学习方案下LSTM径流预测的性能，最终筛选出流域径流预测性能的最优学习方案。本发明专利技术的有益效果是：在数据可以取得的前提下，应当优先考虑将前期径流和流域前期降雨资料结合起来设置LSTM径流预测模型的输入，以取得更加良好的预测结果。研究可用于指导基于数据驱动的流域径流预测输入集数据的选取，避免不适当的输入数据导致预测结果不佳。适当的输入数据导致预测结果不佳。适当的输入数据导致预测结果不佳。

【技术实现步骤摘要】
一种基于LSTM的流域径流预测方法


[0001]本专利技术涉及一种长短期记忆神经网络（LSTM）在径流预测中的应用，具体为一种基于LSTM的流域径流预测方法。

技术介绍

[0002]合理的预测径流对于流域防洪和水资源调控具有重要意义。受流域水文特征高复杂性和非线性影响，水文统计学模型预测径流的精度受统计数据和模型条件的影响，当预报条件在模型条件范围内时具有良好的效果，但当预报条件接近或超出历史观测极限时，预测效果很差。具有一定物理机制的水文模型虽然可以满足预测精度，但是模型构建对流域下垫面和水文数据需求较高且参数率定过程复杂，存在参数不确定性以及模型普适性较差等问题，难以适用于基础资料缺乏的地区。
[0003]近年来，随着机器学习算法的发展。以人工神经网络和支持向量机为代表的数据驱动算法在径流预测中得到广泛应用。以应用成熟的BP神经网络（Back Propagation Neura1 Network）为例，赵文刚等以汛期和非汛期的安乡、石龟山及沙湾站的水位、流量为输入预测西洞庭湖南咀站的月经流量，预测准确率达77.8%，预报等级为乙级；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM的流域径流预测方法，其特征在于：包括如下步骤：第一步，获取研究区流域水文站在某一时区内径流预测的降雨数据资料，所有数据均需通过三性审查后方可进行后续操作；第二步，设计输入集；将影响流域径流的因素按照如下组合方案设置为不同的输入集：输入集一：以前期径流预测当日径流，输入数据为A水文站前1、2、3日流量，输出数据为当日流量；输入集二：前期降雨预测当日径流，输入数据为A水文站及其上游B、C水文站前1日降雨量，输出数据为当日流量；输入集三：前期径流和前期降雨预测当日径流，输入数据为A水文站前1、2、3日流量和A水文站及其上游B、C水文站前1日降雨量，输出数据为当日流量；第三步，设计输出集；将流域当日径流量设置为上述三个方案中输入集的统一输出集；第四步，借助LSTM模型建立上述方案输入和输出的映射关系，以对比不同学习方案下LSTM径流预测的性能，最终筛选出流域径流预测性能的最优学习方案。2.根据权利要求1所述的一种基于LSTM的流域径流预测方法，其特征在于：借助LSTM模型建立上述方案输入和输出的映射关系，步骤如下：（1）LSTM由输入层、隐藏层和输出层组成；输入层和输出层各有一层，主要用于接收数据信号和设定神经网络训练目标；隐藏层根据实际需要不限于一层，其在输入层和输出层之间建立函数关系，用于执行各种非线性变换；（2）LSTM的隐藏层由多个神经单元构成，每个神经单元由遗忘门、输入门和输出门三部分组成；其中，遗忘门决定了t时刻神经网络状态需要移除的t
‑
1时刻神经网络状态的信息，输入门决定了t时刻神经网络状态需要存储的新信息，输出门决定了t时刻神经网络状态需要输出的信息，而t时刻的神经网络状态则记录了t时刻的输入、门结构信息以及t
‑
1时刻隐藏层状态、t
‑
1时刻神经网络状态；（3）LSTM的隐藏层中包含两个状态变量h和c，分别用于保存短期状态和长期状态；LSTM用遗忘门和输入门来控制长期状态c的内容，其中遗忘门决定了上一时刻的长期状态有多少保留到当前时刻；输入门决定了当前时刻网络的输入有多少保存到长期状态；LSTM用输出门来控制长期状...

【专利技术属性】
技术研发人员：郑勇，成静清，刘章君，潘雪梅，许新发，雷声，温天福，谭毅，邹虹，
申请(专利权)人：江西省水利科学院，
类型：发明
国别省市：