基于EMD-LSTM模型的河流水量水位预测

基于经验模式分解方法和长短期记忆网络(empirical model decomposition and long short-term memory network,EMD-LSTM)模型对水位数据进行预测。先采用中值滤波对数据序列进行预处理,然后对数据序列进行EMD分解,并对EMD分解的每个特征序列使用LSTM模型进行预测,最后叠加各个序列预测值,得到最终的预测结果。以南水北调工程某河流每隔1 h的瞬时流量、流速和水深监测数据为研究对象,采用EMD-LSTM模型进行建模,试验结果表明,该模型能够实现水位、水速和瞬时流量连续12 h和6 h的准确预测,且比LSTM模型具有更高的预测精度,可为水位预判和水资源的实时调度提供决策依据。     

基于EMD-LSTM-ANFIS模型的年径流预测研究

为提高径流预测精度,提出基于经验模态分解(EMD)和长短期记忆(LSTM)神经网络、自适应神经模糊推理系统(ANFIS)相结合的径流预测模型。通过EMD将原始径流序列分解成多个更具规律的分量序列,利用自相关函数法(AFM)和虚假最邻近法(FNN)对每个分量序列进行相空间重构,确定输入、输出向量,建立EMD-LSTM-ANFIS预测模型,并构建EMD-LSTM、EMD-ANFIS、LSTM、ANFIS作对比模型,利用建立的5种模型对云南省龙潭站年径流进行预测及对比分析。结果表明:EMD-LSTM-ANFIS模型对实例年径流预测的平均相对误差为3.18%,平均相对误差较EMD-LSTM、EMD-ANFIS、LSTM、ANFIS模型分别降低55.0%、65.2%、68.1%、78.4%,具有更高的预测精度和更强的泛化能力。EMD-LSTM-ANFIS模型用于径流预测是可行和可靠的。     

基于改进EMD-LSTM的洪水预测方法研究

文章针对当前洪水预测中存在的预测精确度低、可信度差和高延时等问题,结合经验模态分解(Empirical Mode Decomposition,EMD),长短时记忆神经网络(Long Short-term Memory Networks,LSTM),提出一种基于EMD的深度学习模型(EMD-LSTM).该模型首先利用极限...     

基于WD-COA-LSTM模型的月降水量预测

为进一步提高月降水量预测精度,提出了基于小波分解（WD）和郊狼优化（COA）算法的长短期记忆神经网络（LSTM）降水量预测模型（WD-COA-LSTM）。首先用小波分解对时间序列进行预处理,消除序列的非平稳性,得到1个低频序列和3个高频序列;然后通过郊狼优化算法对神经网络（LSTM）模型进行参数优化;最后将各子序列预测值叠加得到月降水量预测值。将提出的模型应用于洛阳市栾川县白土镇和洛宁县故县镇两个雨量站的月降水量预测中,并与LSTM、COA-LSTM、WD-LSTM模型预测结果进行对比。结果表明：提出的WD-COA-LSTM模型的预测精度最高,说明小波分解和郊狼优化算法能有效加强LSTM模型预测的精度和泛化能力,为月降水量的预测提供了一种新的途径。     

基于EMD的小波神经网络模型预测大坝变形

针对大坝变形预测中非平稳非线性的数据处理问题,以及小波神经网络(WNN)在预测中无法实现自适应多分辨率分析的不足,提出一种基于经验模态分解(EMD)的小波神经网络预测模型(EMD-WNN)。利用经验模态法将变形时间序列分解成具有不同物理尺度特征的变形分量,以便降低其非平稳性;然后采用游程判定法对波动程度相似的分量重构为高、中和低频3个分量,并分别对其建立WNN模型;最后叠加各预测值即为最终预测结果。算例与多元回归模型、BP神经网络模型和WNN模型对比分析表明,该算法预测精度较高,可用于大坝变形预测。     

基于EEMD-LSTM-MLR的大坝变形组合预测模型

大坝变形监测数据序列具有非平稳、非线性特征,是水压、温度和时效综合作用的结果。引入集合经验模态分解(EEMD)方法处理变形数据,在得到多尺度大坝变形分量的基础上,对于其变化复杂的高频分量,采取长短期记忆神经网络(LSTM)以获得较优预测结果;对于周期性变化的低频分量,借助多元线性回归(MLR)实现快捷且有效的预测;最终通过分量重构,得到大坝变形的预测结果。工程实例分析表明:EEMD方法避免了模态混叠现象,可以得到更为合理的多尺度变形分量;LSTM和MLR分别对高、低频分量具有良好的预测能力。将分量叠加重构的最终结果分别与多种单一预测算法、基于EMD的组合算法以及传统模型等预测效果比较表明,基于EEMD-LSTM-MLR的组合预测模型的平均绝对误差(MAE)、平均绝对百分误差(MAPE)及均方根误差(RMSE)均低于上述对比模型,有着更高的预测精度,为大坝变形预测提供了新的思路。     

基于EEMD-SE-LSTM的混凝土坝变形监测模型

为提高混凝土坝变形监测数据的预测精度,构建了一种基于集成经验模态分解(EEMD)与样本熵重构(SE)的长短期记忆网络(LSTM)预测模型.模型利用EEMD对原始数据序列进行分解,并计算每个分量序列的样本熵,以原始序列样本熵作为基准进行重构,再对重构后的各序列建立LSTM模型进行预测,最后把各预测值叠加以得到最终预测结果.以某混凝土拱坝为例,将该模型预测结果与EMD-LSTM、LSTM和SVM模型的预测结果进行对比,结果表明EEMD-SE-LSTM模型具有更高的预测精度,在混凝土坝的变形预测中具备更好的可行性与优越性.     

基于EEMD-LSTM-ARIMA的土石坝渗压预测模型研究

渗压监测是土石坝渗流安全评价的重要内容之一。由于渗压受到诸多外界因素的影响,测点的渗压值时间序列往往存在非平稳性、局部突变等特点,为此基于“分解-重构-组合”的思想构建了土石坝渗压预测的EEMD-LSTM-ARIMA模型。首先采用集合经验模态分解（EEMD）对时间序列特征进行提取,根据长短期记忆神经网络（LSTM）对提取出的特征分量进行预测,同时结合差分自回归移动平均方法（ARIMA）进行残差修正,组合LSTM和ARIMA的预测结果,重构得到改进预测模型。以某深厚覆盖层上的土石坝工程为例,选取主河床坝体防渗墙后2个典型测点的实测渗压值序列为研究对象进行应用验证。结果表明：相较于单一的LSTM模型和ARIMA模型,改进模型的平均绝对误差MAE、均方误差MSE、均方根误差RMSE均为3种模型中的最小值,预测精度明显优于另外2种模型,该模型为土石坝渗压的精确预测分析提供了新途径。     

基于CEEMDAN-PE-LSTM的混凝土坝变形预测

由于混凝土坝变形监测数据有明显的非线性、非平稳特征,且数据序列包含一定的噪声,容易导致模型预测精度不高。针对上述问题,提出了基于自适应噪声完全集合经验模态分解（CEEMDAN）-排列熵（PE）-长短时记忆神经网络（LSTM）的混凝土坝变形预测模型。利用CEEMDAN对非线性信号的自适应分解能力,将原始变形数据分解为频率不同、复杂度差异明显的一组固有模态函数（IMF）,降低序列中不同尺度信息的相互影响。基于PE算法将复杂度相近的IMF分量进行合并重组。最后,对若干重组序列分别构建LSTM模型进行预测,将预测结果相加得到最终变形预测值。以某混凝土坝水平位移监测数据进行建模分析,结果表明:CEEMDAN-PE-LSTM模型与常规模型相比预测精度显著提高,能更好地对非线性数据序列进行预测。与单一的LSTM模型相比,平均绝对误差、平均绝对百分比误差和均方根误差分别降低了76.43%、75.55%和74.73%,表明该模型通过对原始序列的分解与重组获取不同尺度特征,可以更好地把握非线性、非平稳数据的变化规律,提高预测精度,能有效运用于混凝土坝的变形预测。     

基于多模型比选耦合的降水预测

变化环境下水文时间序列的模拟预测难度不断加大,以往研究大多聚焦在模型的不同组合尝试与应用探索,但缺乏针对不同组合模型适用性与稳定性的系统研究。选择经验模态分解（empirical mode decomposition,EMD）、总体平均经验模态分解（ensemble empirical mode decomposition,EEMD）、改进的总体平均经验模态分解（modified ensemble empirical mode decomposition,MEEMD）和变分模态分解（variational mode decomposition,VMD）4种常用的分解算法,与多元线性回归（multivariable linear regression,MLR）、随机森林（random forest,RF）、BP神经网络（back propagation,BP）、卷积神经网络（convolutional neural networks,CNN）和长短期记忆神经网络（long short-term memory,LSTM）5种具有代表性的模型结合,构建20种基于“分解-预测-重构”模式的组合模型,并以华北地区密云、官厅两流域年和汛期降水为例,进行模型适用性与稳定性综合对比分析。结果表明：单一模型对密云流域年降水和汛期降水的预测结果优于官厅流域,但整体预测结果均不理想;结合分解算法后的组合模型预测结果明显优于单一模型,且该预测结果存在正负误差抵消现象,因此有助于进一步提高组合模型的整体预测精度;与基于EMD系列的分解算法相比,VMD算法对模型预测精度提升效果最显著,组合模型适用性和稳定性整体上表现为VMD-MLR＞VMD-LSTM＞VMD-BP＞VMD-CNN。     

基于经验模态分解和LSTM模型的滑坡位移预测

建立高精度的位移预测模型对滑坡的提前预报具有重要意义,然而以往的研究多是选用静态预测模型,无法满足滑坡的动态特性。鉴于此,以三峡库区新滩滑坡为例,选用了近期较为流行的长短时记忆网络(LSTM)模型来对滑坡滑动前的累积位移进行动态预测。首先选用经验模态分解法(EMD)将滑坡累积位移分解成趋势项和周期项,然后利用多项式函数预测趋势项位移;再利用动态LSTM模型预测周期项位移;最后将各分量位移累加得到最终的模型计算值。结果表明:LSTM模型预测结果的均方根误差为17.07 mm,相关性系数达0.999,具有较高的预测精度,为"阶梯状"滑坡位移的预测提供了一种可行的思路。     

基于时间序列分析的地下水动态研究

根据济南市区多年地下水监测资料,采用多元回归模型研究济南岩溶水地下水位动态特征,地下水位年内动态呈明显季节性变化;随时间的推移,年际动态呈现降雨量对地下水位的影响程度逐渐减小、开采量的影响程度逐渐增加的特点。采用时间序列分析法分离了地下水位序列的趋势项、周期项和随机项,建立地下水位预测模型,计算结果与实测值相吻合。为济南岩溶水的合理利用、泉水保护、地下水的监测管理提供了科学依据。     

Pressure fluctuation signal analysis of pump based on ensemble empirical mode decomposition method

Pressure fluctuations, which are inevitable in the operation of pumps, have a strong non-stationary characteristic and contain a great deal of important information representing the operation conditions. With an axial-flow pump as an example, a new method for time-frequency analysis based on the ensemble empirical mode decomposition （EEMD） method is proposed for research on the characteristics of pressure fluctuations. First, the pressure fluctuation signals are preprocessed with the empirical mode decomposition （EMD） method, and intrinsic mode functions （IMFs） are extracted. Second, the EEMD method is used to extract more precise decomposition results, and the number of iterations is determined according to the number of IMFs produced by the EMD method. Third, correlation coefficients between IMFs produced by the EMD and EEMD methods and the original signal are calculated, and the most sensitive IMFs are chosen to analyze the frequency spectrum. Finally, the operation conditions of the pump are identified with the frequency features. The results show that, compared with the EMD method, the EEMD method can improve the time-frequency resolution and extract main vibration components from pressure fluctuation signals.     

基于EMD分解法的大坝变形预测模型及应用

针对传统模型对脉动时间序列的预测效果较差的情况,结合经验模态分解(EMD)、相关向量机(RVM)理论以及改进粒子群算法(IPSO)的优点,提出一种基于EMD分解法的大坝变形预测模型。首先利用EMD分解法对大坝变形时间序列进行分解和重构,使非平稳的大坝变形时间序列平稳化,再以RVM理论为基础进行预测,核函数选用高斯核函数,并采用改进粒子群算法(IPSO)进行寻优,最终建立EMD-RVM(IPSO)大坝变形预测模型。通过实例计算得到,SVM、RVM和EMDRVM(IPSO)三种模型的平均残差分别为5.29 mm、3.13 mm、0.97 mm,并且EMD-RVM(IPSO)模型的预测值误差均控制在5%以内。这证明EMD分解法对非平稳时间序列的预处理可有效提高预测精度,相比于标准SVM模型和RVM模型,EMD-RVM(IPSO)模型的预测精度更高,且结构稀疏度更好,在实际工程中具有一定的可行性。     

基于LSTM-Arima的大坝变形组合预测模型及其应用

大坝变形是水压、温度等多种因素综合作用的结果,变形监测数据是非平稳非线性的时间序列,并且在时间维度上具有关联性。为充分挖掘变形监测数据在长短时间跨度上的关联性,提出了应用长短期记忆网络(LSTM)预测大坝变形的方法。为进一步提升预测精度,利用自回归差分移动平均模型(Arima)对预测残差进行误差修正,从而建立基于LSTM-Arima的大坝变形组合预测模型。以某混凝土重力坝为例,将组合模型的预测结果与Arima模型、支持向量机(SVM)的预测结果进行对比分析。结果表明LSTM-Arima的预测结果优于Arima模型和SVM的预测结果,LSTM-Arima的均方根误差(RMSE) 比Arima模型和SVM分别降低了40.65%和59.00%,平均绝对误差(MAE)分别降低了35.49%和55.60%,表明LSTM-Arima模型具有较高的预测精度。研究成果对于更精确地开展大坝变形预测有一定参考价值。     

Operational Prediction of Groundwater Fluctuation in South Florida using Sequence Based Markovian Stochastic Model

The ecosystem of South Florida is characterized by a vast wetland system, karst surficial hydrogeology, and extended coastal boundary. The ecosystem is poised under risks of: ecological failure due to increased fragmentation by urbanization; groundwater flow disruption because of sinkhole formation; and intrusion of oceanic water with decreasing water table head because of drought or over pumping. It was found important to synthesize the spatiotemporal state of the groundwater hydrology and also develop a forecasting model to support the intensive management and monitoring in place. In this study, an objective was set to develop a stochastic sequence model capable of forecasting groundwater levels on a monthly span at a daily time scale. The groundwater level simulation was conceptualized as a sequence of daily fluctuating states of magnitudes and patterns that has a defined probability of occurrence. The model setup involved representation of daily fluctuation magnitudes in ten states and pattern changes in three states. The sequential occurrence of states of magnitudes and patterns at each time step was used for estimation of the transitional probabilities and employed in a hidden Markov model frame work for ensemble generation and estimation of posterior probabilities. A realization was chosen based on the highest maximum likelihood ratio of 90% and smallest root mean square error of 0.05–0.12 m against the historical data. A monthly forecasting at daily time step was done dynamically incorporating observed data at each time step and revising prior and posterior probability estimation in the hidden Markov model formulation. A case study was conducted at three well sites, which are situated at three different hydrogeologic settings. The model not only reproduced annual groundwater fluctuation patterns but also forecasted preceding monthly fluctuations at maximum likelihood ratio above 90% and root mean square error below 0.15 m. A further study was recommended first to analyze break point parametric estimation for seasonal analysis, and secondly to integrate the approach in other hydrological models for the purpose of synthetic groundwater fluctuation generation.     

基于CEEMD-RF模型的渣土边坡地下水埋深预测

地下水是影响渣土边坡稳定性的关键因素之一,地下水埋深预测对分析渣土边坡稳定性具有重要意义。考虑渣土边坡地下水水位的高度非平稳和非线性特点,提出了一种基于相空间重构的互补集合经验模态分解-随机森林（CEEMD-RF）的地下水埋深预测模型。以广州市某渣土边坡SW2水文观测孔为例,将基于相空间重构的CEEMD-RF模型应用于该渣土边坡的地下水埋深预测,并与相空间重构的RF模型预测结果进行对比分析。结果表明:利用CEEMD-RF模型对地下水埋深预测的拟合优度为0.997,均方根误差为0.03 m,优于相空间重构的RF模型预测结果;基于相空间重构的CEEMD-RF模型预测的地下水埋深序列能很好地反映地下水埋深的尖变点。