基于多步分解和长短期记忆网络的径流预测方法及设备技术

本申请涉及径流预测技术领域，提供了基于多步分解和长短期记忆网络的径流预测方法及设备。径流预测方法，包括：使用VDM算法对径流数据序列进行分解，得到中间分解结果；使用EDM算法对中间分解结果进行二次分解，得到测试数据集，测试数据集包括两个以上目标分量；将测试数据集输入径流预测模型中，得到各个目标分量的预测值；径流预测模型是对长短期记忆网络LSTM模型训练得到的；基于各个目标分量的预测值确定径流数据序列的预测值。上述技术方案中，通过采用两步分解的方式，先用VMD滤除部分噪声，提取信号主要成分，再用EMD对提取的主要成分进一步细化分解，更精细地捕捉信号的非线性和非平稳特性，如此可以有助于提高径流预测结果的准确性。

【技术实现步骤摘要】

本申请涉及径流预测，尤其是涉及基于多步分解和长短期记忆网络的径流预测方法及设备。

技术介绍

1、在水资源管理和生态环境保护领域,准确预测径流变化对于合理规划水资源利用和防洪减灾具有重要意义。因此,基于机器学习的径流预测方法成为研究的热点之一。

2、统计模型方法基于线性回归理论,当应对复杂的径流信息时预测精度仍需提高,径流预测需要更强大的模型来处理非线性的复杂的径流数据。如循环神经网络(recurrentneural network，rnn)等深度学习网络被用来预测径流,但是rnn在处理过长的时间序列时会造成梯度爆炸。

3、相关技术中，提出了rnn的改进版本长短时记忆网络(long short-term memory，lstm),运用lstm的三个门控单元来避免造成梯度爆炸。

4、然而在研究过程中发现，lstm在记忆长期的时间序列时会忽略一些短期的重要特征，而这些短期的特征可能也会对径流产生影响，这就会导致相关技术中的径流预测结果准确性不高的问题。

技术实现思路>

1、为了有助本文档来自技高网...

【技术保护点】

1.一种基于多步分解和长短期记忆网络的径流预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述使用经验模态分解EDM算法对所述中间分解结果进行二次分解，得到测试数据集，还包括：

3.根据权利要求2所述的方法，其特征在于，所述基于训练数据集构建所述径流预测模型，包括：

4.根据权利要求3所述的方法，其特征在于，所述测试数据集包括第一时间段对应的第一子数据集和第二时间段对应的第二子数据集，所述第二时间段位于所述第一时间段之后；

5.根据权利要求3所述的方法，其特征在于，所述使用麻雀算法根据所述训练数据集确定最优超...

【技术特征摘要】

1.一种基于多步分解和长短期记忆网络的径流预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述使用经验模态分解edm算法对所述中间分解结果进行二次分解，得到测试数据集，还包括：

3.根据权利要求2所述的方法，其特征在于，所述基于训练数据集构建所述径流预测模型，包括：

4.根据权利要求3所述的方法，其特征在于，所述测试数据集包括第一时间段对应的第一子数据集和第二时间段对应的第二子数据集，所述第二时间段位于所述第一时间段之后；

5.根据权利要求3所述的方法，其特征在于，所述使用麻雀算法根据所述训练数据集确定最优超参数，包括：

6.根据权利要求1所述的方法，其特征在于，所述使...

【专利技术属性】
技术研发人员：李文杰，阳艾利，费一凡，高胖胖，袁晓奇，张福州，杨智强，刘志豪，
申请(专利权)人：厦门理工学院，
类型：发明
国别省市：