基于改进注意力机制的LSTM水位预测模型研究

为了进一步提高水位预测的准确性,本文提出一种融入改进注意力机制的长短期记忆网络（Long Short Time Memory,LSTM）预测模型。该模型将输入序列拆分为时间序列和特征序列,在LSTM网络模型前引入注意力机制对两个序列分别进行注意力计算,然后再进行融合,LSTM网络能够根据重要程度自适应地选择最重要的输入特征,注意力机制层的参数通过竞争随机搜索算法获取,从而进一步增强了模型的鲁棒性。最后在鄱阳湖的水位数据上进行预测实验,结果表明：相对于支持向量回归（SVR）、LSTM等模型,本文提出基于改进注意力机制的LSTM模型具有更好的预测精度,可为水位预测和水资源的精准调度提供技术支持。     

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splice-LSTM的多因素西江水位预测模型研究

准确的水位和水量等水文时间序列预测是水资源管理的重要依据。受上游支流流量、水位等因素影响，传统的单因素水位预测模型不能有效考虑众多因素，水位预测精度面临严峻挑战。以典型西江干线梧州站水位精准预测为研究对象，建立了基于splice-LSTM的多因素水位预测模型，采用拼接的长短期记忆网络(LSTM)和全连接线性模型(Linear),对2020～2021年西江干线多站点的流量数据进行分析，预测梧州站点的水位。研究结果表明：(1)由于splice-LSTM中引入了非线性层，提高了近期历史输入数据的权重，使得模型预测值更加接近历史真实值，降低了预测误差，Linear部分可以提高模型对于线性成分的敏感性，使得模型在水位峰值处的预测更加准确；(2) splice-LSTM模型与传统单因素的ARIMA模型、LSTM模型相比，在水位预测方面准确度分别提升14.4%,10.1%。研究成果可为西江船闸运行调度中心精准预调度船舶提供参考。     

基于ARIMA-CNN-LSTM模型的黄河开封段水位预测研究

为准确预测水文条件复杂的黄河开封段水位变化，提出一种基于ARIMA-CNN-LSTM的多变量水位预测模型。该模型通过综合考虑水位的多重影响因素，结合卷积神经网络(CNN)和长短时记忆网络(LSTM)来学习数据中的非线性特征，同时应用ARIMA模型进行参数校正，从而实现对黄河开封段水位未来一段时间的预测。结果表明：相较于LSTM模型、CNN-LSTM模型、ARIMA模型以及BP神经网络模型，ARIMA-CNN-LSTM模型的预测精度更高，对峰值反应更灵敏，可以更加精准地预测未来一段时间的黄河开封段水位变化。     

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PSO-SVR-LSTM水位预测模型研究

河流的水位变化受到众多复杂因素的影响,水位数据不仅显现非线性特点还具有时序性和复杂性等特点.水位预测的精度提高对河道管理、水利建设、水资源调度、防洪减灾和航运安全等方面具有重大意义.本文利用长短时记忆神经网络(LSTM)在处理长时间序列问题上的优势和支持向量回归机(SVR)能够很好地处理非线性数据的优势以及粒子群优化算法(PSO)自适应全局搜索的优势,提出了将PSO-SVR-LSTM组合模型应用于南昌市潦水万家埠段的水位预测中.仿真实验结果表明:相对于LSTM模型、SVR模型和BP等模型,本文提出的PSO-SVR-LSTM模型的预测精确度更高.     

五强溪水电站大坝变形预测模型研究

基于逐步回归法、偏最小二乘回归法和长短期记忆(LSTM)循环神经网络，构建了五强溪水电站大坝变形预测模型。采用拉伊特准则确定可靠的监测数据，基于可靠的监测数据，构建考虑水压、温度、时效因素的混凝土重力坝变形预测逐步回归和偏最小二乘回归模型，根据五强溪大坝坝顶J23测点2006年～2020年的监测资料获得该测点的沉陷曲线逐步回归和偏最小二乘回归预测模型。根据数值试验，选定的LSTM模型包括2个LSTM层，激活函数采用整流线性单元函数，输入序列长度为20。训练集数据取2006年～2017年的监测值，2018年～2020年的监测数据作为测试集数据。采用随机搜索对LSTM循环神经网络的超参数进行优化。比较3种模型结果可知：3种模型在沉降曲线的预测效果均较好；偏最小二乘回归法能合理地解释各分量；训练数据足够时，LSTM循环神经网络的预测精度非常高；采用偏最小二乘法回归模型或LSTM模型预测J23测点变形更为妥当。     

基于神经网络的小型水库洪水预报研究

针对经验预测方法精度不高,传统水文模型应用至小型水库进行洪水预报工作量大、推广较难的问题,引入具有强大特征学习能力的人工神经网络(ANN)方法,结合遗传算法(GA)寻参,对小型水库进行洪水预报。利用GA实现ANN中时间步长和隐含层神经元节点参数自动寻优,可避免寻参盲目性,针对性地为各小型水库构建个性化洪水预报模型。通过构建反向传播(BP)、长短期记忆(LSTM)、门控循环单元(GRU)神经网络洪水预报模型,对实测洪水过程进行模拟对比试验。结果表明：LSTM模型预报精度高、稳定性良好,能学习并模拟实际洪水过程水位变化规律,预报性能优于BP和GRU模型。     

基于LSTM神经网络的水电站短期水位预测方法

针对常规水位预测方法信息挖掘能力不足和启发式算法机理不明确等缺点,提出了一种基于长短时记忆(long short-term memory, LSTM)网络的水位预测方法。该方法采用水位和出力等直接监测数据,避免了出入库流量等间接计算值带来的二次误差,进而提升水位预测的准确率;采用梯度下降法与Broyden-Fletcher-Goldfarb-Shanno (BFGS)算法相结合训练模型,Wolfe-Powell线搜索方法选取步长,提高模型收敛速率。将该方法用于葛洲坝水电站的上下游水位预测,结果表明,该方法能够实现下游水位连续6 h和上游水位连续3 h的准确预测,具有较高的预测精度和实用性,为葛洲坝水库的实时调度提供了技术支撑。     

基于BP神经网络的不同时间尺度泵站 前池水位预测模型

针对建筑物调控下的水位预测难题,建立基于BP神经网络的泵站前池水位预测模型,在不同时间尺度下分析时间序列、影响因子、预报因子对水位预测精度的影响。将构建模型应用于胶东调水工程东宋泵站,研究结果表明：在数据总量一定的情况下,训练期和预测期之比为7∶3时,预测结果较好;数据量越大,保持一定预报精度所需要的正相关的影响因子数量越多;短时间内,预测时间间隔与数据本身时间间隔相同时,预测效果更好。该构建模型能够满足明渠调水工程泵站前池的水位动态预测需求,实现泵站前池水位的2 h准确预测和4 h一般准确预测,同时可在其他类似明渠调水工程中推广应用。     

基于主要驱动因子筛选法和深度学习算法的浙江省动态需水量预测

收集了浙江省2000—2020年各用水行业需水量数据,采用基于Spearman秩相关分析的主要驱动因子筛选法筛选了影响各行业需水量的主要驱动因子,进而构造了改进的长短时记忆(LSTM)神经网络需水量预测模型,对各行业需水量进行动态滚动预测,并将改进LSTM模型的预测结果与传统单变量LSTM预测模型、卷积神经网络模型、支持向量回归模型的预测结果进行了对比。结果表明,基于主要驱动因子筛选法改进的LSTM模型能实时动态滚动预测各行业每年需水量,且预测结果精度高于其他3种模型。     

基于机器学习模型的河道水位预测

结合已有机器学习模型——卷积神经网络(CNN)和门控循环单元(GRU)的优点,构建了并联卷积循环神经网络(PCNN-GRU)模型,并将其用于赣江下游外洲站日尺度水位变化的预测。结果显示:相较于目前流行的长短时记忆(LSTM)模型、GRU模型以及卷积循环神经网络(CNN-GRU)模型,PCNN-GRU模型的均方根误差和平均绝对误差分别降低了18.39%、21.11%、15.48%和21.31%、18.64%、14.28%,纳什-萨特克里夫效率系数和准确率分别提高至0.999 2和88.12%,表明所建模型具有良好的预测性能,可用于河道水位预测。     

图神经网络驱动的流域洪水预报技术

本研究提出了一个图指导的时空关联预报模型（GSCPM，graph-guided spatiotemporal correlation prediction model），针对性地解决流域洪水预报中的时空关系建模和滞后影响问题。该模型通过多个长短期记忆网络（LSTM）编码每个监测点历史属性的时间关联特征，随后利用图卷积神经网络（GCN）挖掘监测点间的地理空间依赖。此外，提出了雨量滞后特征、泄洪量滞后特征和上游水位滞后特征用以挖掘变量滞后效应。本文在现实流域数据集上进行了广泛的实验，通过跟LSTM、RNN 等模型的比较，证明了GSCPM 模型的优越性，适合在流域洪水预报中推广使用。     

基于EMD-LSTM耦合模型的趵突泉岩溶地下水水位预测应用

由于岩溶地下水具有强烈的非线性及非平稳波动特征,水位预测结果容易产生较大误差。针对岩溶地下水水位预测精度较差的问题,提出一种EMD-LSTM耦合模型,首先采用经验模态分解（EMD）将趵突泉岩溶地下水水位分解为5个分量（4个本征模函数项和1个残余项）,以此消除水位数据的非平稳波动性;同时构建长短期记忆（LSTM）神经网络模型,并将与地下水水位动态变化密切相关的降水量（表征含水层补给项）和月平均气温值、月最高气温值、月最低气温值、水汽压值（表征含水层排泄项）作为输入项分别对5个分量进行预测,最终将分量预测结果累加获得地下水水位预测值。结果表明：EMD能够显著消除岩溶地下水水位的非平稳波动特征;EMD-LSTM耦合模型可有效提高岩溶地下水水位的预测精度,其均方根误差相比于LSTM神经网络模型、ARIMA模型分别减小了27.86%和59.94%。总体来说,本文所提出的EMD-LSTM耦合模型具有较强的可靠性和稳定性,可为岩溶地下水水位的精确预测提供借鉴。     

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BP神经网络的海河干流叶绿素浓度短时预测研究

为实时预测海河干流水体藻华的暴发时段及影响程度,提高环境管理部门决策能力,以海河干流段典型断面的水质在线监测及气象站高频、实时数据为基础,基于BP神经网络,以实时叶绿素浓度、气温、光照强度和气压四项指标为输入变量,建立了叶绿素浓度日变化量的预测模型,对海河干流大光明桥处水域叶绿素浓度随时间的变化进行预测。结果表明:对海河干流叶绿素浓度短时预测影响较大的因素依次为溶解氧(叶绿素)、气温、光照强度、气压、降雨、电导率、相对湿度;预测时长越短,预测精度越高。当预测时长分别为24 h、12 h、6 h时,Nash效率系数分别为0.77、0.85、0.93,预报误差的标准误差分别为5.7μg/L、4.6μg/L、3.1μg/L;12 h内的预测精度可满足海河河道藻华预警的实际需求,为其短期预警提供了数据支撑。     

Lake Level Prediction using Feed Forward and Recurrent Neural Networks

The protection of high quality fresh water in times of global climate changes is of tremendous importance since it is the key factor of local demographic and economic development. One such fresh water source is Vrana Lake, located on the completely karstified Island of Cres in Croatia. Over the last few decades a severe and dangerous decrease of the lake level has been documented. In order to develop a reliable lake level prediction, the application of the artificial neural networks (ANN) was used for the first time. The paper proposes time-series forecasting models based on the monthly measurements of the lake level during the last 38 years, capable to predict 6 or 12 months ahead. In order to gain the best possible model performance, the forecasting models were built using two types of ANN: the Long-Short Term Memory (LSTM) recurrent neural network (RNN), and the feed forward neural network (FFNN). Instead of classic lagged data set, the proposed models were trained with the set of sequences with different length created from the time series data. The models were trained with the same set of the training parameters in order to establish the same conditions for the performance analysis. Based on root mean squared error (RMSE) and correlation coefficient (R) the performance analysis shown that both model types can achieve satisfactory results. The analysis also revealed that regardless of the model types, they outperform classic ANN models based on datasets with fixed number of features and one month the prediction period. Analysis also revealed that the proposed models outperform classic time series forecasting models based on ARIMA and other similar methods .