一种LSTM-BP多模型组合水文预报方法

doi:10.3969/j.issn.1006-2475.2018.07.017

计算机与现代化 ›› 2018, Vol. 0 ›› Issue (07): 82-.doi: 10.3969/j.issn.1006-2475.2018.07.017

一种LSTM-BP多模型组合水文预报方法

（河海大学计算机与信息学院,江苏南京211100）

收稿日期:2018-03-19 出版日期:2018-08-23 发布日期:2018-08-27
作者简介:冯钧(1969-),女,江苏常州人,河海大学计算机与信息学院教授,博士,研究方向:时空间数据管理,智能数据处理与数据挖掘,水利信息化;潘飞(1993-),男,江苏扬州人,硕士研究生,研究方向:数据挖掘。

AHydrologicForecastMethodBasedonLSTM-BP

(CollegeofComputerandInformation,HohaiUniversity,Nanjing211100，China)

Received:2018-03-19 Online:2018-08-23 Published:2018-08-27

摘要/Abstract

摘要： 水文数据是具有时序性的非线性数据，具有高度的不确定性和复杂性。使用单一模型进行预报的结果常常不尽人意，因此本文基于LSTM和BP神经网络建立LSTM-BP多模型组合预报模型进行水文预报。以子午河流域洪水数据为例进行预报，实验结果表明，多模型组合预报模型的预报结果要优于单一模型，同时预报的稳定性和精确度也得到了提高，从而为水文预报提供了新的思路。

关键词: 长短期记忆, 多模型组合预报模型, 水文预报

Abstract: Hydrologicaldataissequentialandnon-linear,withhighuncertaintyandcomplexity.Theresultsofhydrologicalforecastingusingasinglemodelareoftendissatisfactory.Therefore,thispaperputsforwordamulti-modelcombinationforecastmodel,basedonLSTMandBPneuralnetwork,toforecasttheflood.ThemodeltakeshydrologicaldatarecordsofthepastyearobtainedfromtheZiwuheRiverasanexample,thetestresultsshowthattheeffectsofmulti-modelcombinationforecastmodelarebetterthanthatofasinglemodel,andthestabilityandaccuracyofforecastingarealsoimproved,whichprovidesanewideaforhydrologicalforecasting.

Key words: longshort-termmemory(LSTM), multi-modelcombinationforecastmodel, hydrologicforecast

中图分类号:

TP183

冯钧，潘飞. 一种LSTM-BP多模型组合水文预报方法[J]. 计算机与现代化, 2018, 0(07): 82-.

FENGJun,PANFei. AHydrologicForecastMethodBasedonLSTM-BP[J]. Computer and Modernization, 2018, 0(07): 82-.

参考文献

［1］范剑锋.时间序列数据特征选择和预测方法研究［D］.南京:南京大学,2016.
［2］章上游,林三益,黄庆宏.ARMA模型在实时水文预报中的应用探讨［J］.四川水力发电，1993(2):10-18.

［3］〖ZK(＃〗宋楠.多元自回归模型在区域中长期水文预报中应用研究［J］.水土保持应用技术,2017(2):22-25.
［4］王竹,杨旭,张静,等.基于BP神经网络的大伙房水库洪水预报［J］.水电能源科学,2016(4)31-34.
［5］曹广学,张世泉.BP模型在降雨径流预报中的应用研究［J］.太原理工大学学报,2005,36(3):350-353.
［6］张巧利,金世国.非线性多步预测与优化方法在水文预报中的应用［J］.舰船科学技术,2017(4):136-138.
［7］袁曾琼.关于水文时间序列分析方法的研究［J］.科技展望,2016,26(28):321.
［8］WangShuohang，JiangJing.LearningnaturallanguageinferencewithLSTM［C］//Proceedingsofthe15thAnnualConferenceoftheNorthAmericanChapteroftheAssociationforComputationalLinguistics.2016:1442-1451.

［9］ShiXingjian,ChenZhourong,WangHao,etal.ConvolutionalLSTMnetwork:Amachinelearningapproachforprecipitationnowcasting［C］//Proceedingsofthe28thInternationalConferenceonNeuralInformationProcessingSystems.2015:802-810.
［10］SongJun,TangSiliang,XiaoJun,etal.LSTM-in-LSTMforgeneratinglongdescriptionsofimages［J］.ComputationalVisualMedia,2016,2(4):1-10.
［11］QuXiaoyun,KangXiaoning,ZhaoChao,etal.Short-termpredictionofwindpowerbasedondeepLongShort-TermMemory［C］//2016IEEEPESAsia-PacificPowerandEnergyEngineeringConference(APPEEC).2016:1148-1152.
［12］MarchiE，FerroniG，EybenF,etal.Multi-resolutionlinearpredictionbasedfeaturesforaudioonsetdetectionwithbidirectionalLSTMneuralnetworks［C］//2014IEEEInternationalConferenceonAcoustics,SpeechandSignalProcessing(ICASSP).2014:2164-2168.

［13］芮孝芳.流域水文模型研究中的若干问题［J］.水科学进展，1997,8(1):94-98.
［14］肖恭伟,刘国林,曹淑敏,等,基于BP神经网络对七里街测站洪峰的预报与分析［J］.山东理工大学学报(自然科学版),2016,30(4):49-52.
［15］刘晓璐.水文预报时间序列神经网络模型［J］.河南水利与南水北调,2017,46(10):43-44.
［16］李杨,黎光明.中长期水文预报方法措施［J］.低碳世界,2016(12):84-85.
［17］王毓森.水文时间序列趋势与突变分析系统开发与应用［J］.甘肃科技,2016,32(9):36-37.

[1]	张晓东1, 白广芝1, 李敏1, 李昊洋2. 基于经验小波变换的油气井产量预测模型 [J]. 计算机与现代化, 2024, 0(12): 53-58.
[2]	李钧超1, 尤菲1, 张超2, 苏乐乐2, 龚龑2. 基于新型多目标浣熊优化算法的BiLSTM-Attention#br# 预测模型及误差分析[J]. 计算机与现代化, 2024, 0(11): 70-76.
[3]	李进1, 魏艳龙1, 薛红新2, 梁海坚2. 基于LSTM-SIR-EAKF的流感样病例预测[J]. 计算机与现代化, 2024, 0(09): 38-44.
[4]	杨江1, 孙晓梅1, 许韬2. 基于业务内容构建股票关联关系的股价预测[J]. 计算机与现代化, 2024, 0(07): 21-25.
[5]	郑立瑞, 肖晓霞, 邹北骥, 刘彬, 周展. 基于BERT的电子病历命名实体识别[J]. 计算机与现代化, 2024, 0(01): 87-91.
[6]	王宇航, 董宝良, 公超, 尚真真, 姚康宁. 基于意图识别的空中群目标动态威胁评估[J]. 计算机与现代化, 2023, 0(12): 100-104.
[7]	曾丽丽, 汤华贝, 牛艺晓, 孟凡月. 基于LSTM堆叠残差网络的岩相识别方法[J]. 计算机与现代化, 2023, 0(08): 38-43.
[8]	朱亚军, 拥措, 尼玛扎西, . 基于藏文BERT的藏医药医学实体识别[J]. 计算机与现代化, 2023, 0(01): 43-48.
[9]	冯申, 於跃成, 张宗海. 结合动态多类信息的兴趣点推荐[J]. 计算机与现代化, 2022, 0(08): 57-64.
[10]	张龄允, 韩莹, 张凯, 卢海鹏, 丁昱杰. 基于深度学习的短时交通流预测模型[J]. 计算机与现代化, 2022, 0(07): 54-60.
[11]	徐胜超, 叶力洪. 基于长短期记忆神经网络的容器云队列在线任务动态分配[J]. 计算机与现代化, 2022, 0(07): 79-84.
[12]	饶海兵, 朱苏磊, 杨春夏. 基于空时特征融合和注意力机制的网络入侵检测模型[J]. 计算机与现代化, 2022, 0(06): 116-121.
[13]	齐战硕, 高彦东. 面向消除通信时延的车辆轨迹多步预测方法[J]. 计算机与现代化, 2022, 0(05): 114-118.
[14]	纪平, 郭瑛. 基于长短期记忆网络修正测距的水下定位算法[J]. 计算机与现代化, 2022, 0(02): 52-57.
[15]	徐小亮, 赵英. 基于BiLSTM和ResCNN的实体关系抽取方法[J]. 计算机与现代化, 2022, 0(01): 10-16.

一种LSTM-BP多模型组合水文预报方法

AHydrologicForecastMethodBasedonLSTM-BP

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价