基于CEEMDAN-LSTM的陶岔渠首水深预测

采用基于自适应噪声的完全经验模态分解-长短期记忆神经网络模型(CEEMDAN?LSTM)对水深进行预测.首先利用中位值平均滤波法对数据进行预处理,再采用CEEMDAN方法对历史水深序列进行分解获得历史水深的高、低频以及残差序列,然后对得到的各个分量使用LSTM神经网络预测,最后叠加各分量预测值重构水深预测结果.以陶岔渠...     

基于CEEMDAN-IPSO-LSTM的水电机组振动预测研究

针对水电机组振动的非线性、非平稳特点,提出一种完全自适应噪声集合经验模态分解(CEEMDAN)方法和长短期记忆(LSTM)神经网络相结合的振动预测模型,利用改进的粒子群优化算法(IPSO)对调节参数进行优化以提高预测精度,采用CEEMDAN算法将振动数据计算展开为多个固有模态函数(IMF),通过计算相关系数筛选出有效的IMF,最后将筛选结果重构后输入LSTM进行模型预测,并与LSTM、支持向量回归(SVR)、CEEMDAN-IPSO-SVR进行对比。结果表明,提出的CEEMDAN和LSTM相结合的振动预测模型可以有效识别水电机组不同运行工况下的振动信号,为故障预警、水电机组安全高效运行提供依据。     

基于CEEMDAN-BiLSTM的月降水量预测模型

准确预报降水量对防洪防涝、水资源高效开发和利用起着至关重要的作用。由于降水量序列具有较强的非线性和突变性,使得传统的统计预测模型难以准确表征其时序特征。因此,本文提出了基于完全自适应噪声集合经验模态分解（CEEMDAN）和双向长短时记忆网络（BiLSTM）的月降水量预测模型,通过对1960年1月～2013年12月的江西宜春气象站降水量数据进行预测,并与长短时记忆网络模型（LSTM）、BiLSTM、互补集合经验模态分解和长短时记忆网络模型（CEEMD-LSTM）、CEEMD-BiLSTM 和CEEMDAN-LSTM 模型进行了对比。结果表明：基于CEEMDAN 法能够得到具有波动性更小的降水量分量序列,以此构建的BiLSTM 模型能够很好地捕捉降水量序列的变化特征;相较于其他模型,其预测结果的均方根误差、平均绝对误差和平均绝对百分比误差更小,且相关系数更大,即CEEMDAN-BiLSTM 模型在降水量预测上具有更为良好的性能,该模型可为降水量预测提供一种新方法。     

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SVM-CEEMDAN-BiLSTM模型的日降水量预测

针对日尺度降水序列中极大值与无雨日预测精度低的问题，提出基于支持向量机(SVM)、完全集合经验模态分解(CEEMDAN)和双向长短期记忆神经网络(BiLSTM)的降水预测耦合模型。将提出的模型应用于鄱阳湖流域景德镇站和赣县站2个典型站点的日降水量预测中，并与各种传统模型组合的预测结果进行了对比。结果表明：耦合模型的降水预测结果与实测结果基本一致且精度最高，为日尺度降水量预测中极大值与无雨日预测精度低的问题提供了一种解决参考。     

EBK和LSTM模型在气象干旱时空预测中的应用

为了检验气象干旱预测模型的有效性,利用1951—2017年河南省19个气象站逐月降水量数据,计算多尺度标准化降水指数(SPI),并建立了SPI序列长短时记忆神经网络模型(LSTM)。对模型参数进行率定和验证后,结合改进的经验贝叶斯克里金插值法(EBK),对河南省气象站多尺度SPI值进行时间序列预测和空间分布预测,并借助均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R~2)对回归预测模型的有效性进行判定。结果表明:在时间序列预测方面,LSTM模型在1月、24月尺度SPI的RMSE值分别为1.116和0.392,MAE值分别为0.911和0.188,R~2值分别为0.102和0.871,说明LSTM模型对SPI的预测精度与该指数的时间尺度有关,随着时间尺度的增大而逐渐提高;在空间分布预测方面,通过EBK得到的LSTM模型预测值在空间分布上与SPI观测值的空间分布十分相似,且能够在大尺度上较为精确地预测河南省旱情。     

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。     

伊犁河谷伊宁县日降水量值的神经网络预测模型

伊犁河谷是新疆重要的农业区,为预防洪水灾害,对降水量进行预测十分必要。本文基于深度学习,对伊宁县构造了BP、RNN、LSTM、GRU 4种不同的神经网络模型,利用该地区2015—2021年的气象数据训练日降水量值预测模型,采用2022年1月1日—5月19日日降水量值对4种模型进行测试评估。结果表明,4种模型中LSTM神经网络模型对日降水量值的预测结果最好,该模型可以作为伊宁县日降水数值的预测模型,其预测的降水量值可作为当地预报洪水灾害的一个重要参考指标,为伊宁地区的防灾减灾提供科学依据。     

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RBFNN数据延拓和CEEMDAN方法的径流序列组合预测

为提高径流预测精度,采用径向基神经网络(RBFNN)数据延拓技术处理完全集合经验模态分解(CEEMDAN)方法中的端点效应问题,并根据分解结果特点构建RBFNN-ARIMA组合预测模型。以1957—2013年黄河源区唐乃亥水文站年径流数据为例,先将选定的序列采用RBFNN进行延拓,然后进行CEEMDAN分解,对得到的分解分量运用RBFNN-ARIMA组合模型进行预测重构得到年径流量预测结果。研究表明,原始序列经过RBFNN数据延拓后再进行CEEMDAN分解,其所得分量可以有效反映不同时间尺度上的波动特征;ARIMA模型对高频IMF1分量的拟合效果较差,对其他中低频分量拟合效果较好;RBFNN-ARIMA组合模型预测结果的平均相对误差为5.23%,相较于RBFNN模型和ARIMA模型预测精度分别提高了9.88%和5.62%。因此,运用基于CEEMDAN方法的"分解-预测-重构"模式进行水文预测,对原始序列进行合理延拓并针对各分量特点进行组合预测可有效提高预测精度。     

Seq2Seq 模型的短期水位预测

为有效预测未来一定时间内的连续水位,提出了基于序列到序列(Seq2Seq) 的短期水位预测模型,并使用一个长短期记忆神经网络(LSTM)作为编码层,将历史水位序列编码为一个上下文向量,使用另一个LSTM 作为解码层,将上下文向量解码来预测目标水位序列。以流溪河为研究对象,针对不同预测长度分别建立水位预测模型,并与LSTM 模型和人工神经网络(ANN)模型进行了对比。结果表明:Seq2Seq 模型对连续6 h、12 h 和24 h 水位预测的纳什效率系数最高分别为0.93、0.90和0.85;当预测长度为6 h 时,LSTM 和Seq2Seq 模型预测结果相似,ANN 模型精度较低;当预测长度为12 h 和24 h 时,Seq2Seq 模型相比LSTM 模型和ANN 模型预测效果更好,收敛速度更快。     

基于CEEMDAN-BA-SVR-Adaboost模型的白水河滑坡位移预测

为提高白水河滑坡位移预测精度,提出一种新的预测模型,即基于自适应噪声完全集合经验模态分解(CEEMDAN)-蝙蝠算法(BA)-支持向量回归机(SVR)-自适应提升算法(Adaboost)的模型。以该滑坡为研究对象,利用CEEMDAN将滑坡位移分解为趋势项以及由IMF分项构成的波动项。首先采用BP神经网络对趋势项位移进行预测,随后利用CEEMDAN-BA-SVR-Adaboost模型对波动项进行预测,并将预测结果与CEEMDAN-PSO-SVR-Adaboost、CEEMDAN-BA-BP-Adaboost、CEEMADAN-BA-SVR、BA-SVR-Adaboost模型预测结果进行对比分析,验证本模型在位移预测方面的优越性。此外,利用CEEMDAN-BA-SVR-Adaboost模型对ZG118波动项位移进行预测,同时计算ZG93监测点最终累计预测位移。结果表明,对白水河滑坡位移进行预测时,CEEMDAN-BA-SVR-Adaboost模型具有较高的准确性和适用性。     

基于深度学习和信号分解的北方寒区河流开河日期预报

中国北方寒区河流春季开河时易产生冰凌现象,威胁涉河水工建筑物的安全。准确地预测寒区河流开河日期可为防凌指挥、调度决策提供重要参考依据。本文基于中国北方典型寒区-黑龙江省的5个代表水文站近60年的历史开河日期序列,采用完全自适应集合经验模态分解(CEEMDAN)技术和深度学习长短期记忆模型(LSTM)方法构建河流开河日期预报的耦合模型,以期提高河流开河日期预报的精度。结果表明：本研究构建的开河日期预报耦合模型(CEEMDAN-LSTM)预测精度明显优于单一深度学习方法(LSTM)计算结果;与LSTM相比,CEEMDAN-LSTM可将开河日期预报的平均绝对误差从2.51 d降低至1.20 d,合格率从91.59%提高至100%。验证期平均绝对误差从3.85 d降低至1.65 d,合格率从88%提高至96%。因此,所构建的开河日期预报耦合模型具有较高的预报精度,可为我国北方寒区春季防凌指挥和调度提供技术支持。     

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。     

基于机器学习方法的湖泊表层总氮组合预测模型

地表水体水质参数具有高度非线性和非平稳性特征。为提高水质预测的精度,以鄱阳湖湖区4个在线水质自动监测站总氮(TN)为例,引入变分模态分解(VMD)方法处理原始TN数据,得到具有不同频域的模态分量,对其中变化复杂的各高频分量,采用长短时记忆神经网络模型(LSTM)进行预测,并引入混沌麻雀搜索优化算法(CSSA)对LSTM模型的超参数进行自动率定;对周期性变化的各低频分量,采用多元线性回归模型(MLR)进行预测,再将上述各分量预测结果叠加得到水体TN的预测结果,最终提出了一种新的水质组合模型VMD-CSSA-LSTM-MLR(VCLM),并与3种单一模型LSTM、支持向量回归(SVR)和BP神经网络进行对比,验证了VCLM模型的效果。提出的模型可以作为湖区在线水质监测和水环境综合管理的有效工具。     

海河流域汛期降水量多尺度分析及预测研究

文章利用完全集合经验模态分解(CEEMDAN)方法,对海河流域汛期(6~9月)降水进行多尺度分析,并识别其演变模式,获得各本征模函数(IMF),然后结合利用最近邻抽样回归模型(NNBR)、自回归模型(AR)、神经网络模型等多种方法对分解的各模态进行建模,选出最佳模型进行预测。经过对比分析,各模态最佳模型分别为神经网络模型与AR模型。因此文章采用CEEMDAN与神经网络及AR模型相结合的方法对海河流域汛期降水进行预测,并且同回归模型及单一的NNBR模型的预测值作比较研究。结果表明文章采用的模型稳定性好,能合理的预测海河流域汛期降水演变趋势,提高中长期汛期降水预测精度,具有一定的应用价值。     

基于EEMD-LSTM组合模型石家庄月降水量预测研究

为了探讨EEMD-LSTM算法对石家庄逐月降水量进行预测的可行性,通过对石家庄市1980-2020年降水数据进行分析发现,该地降水具有不稳定性和复杂性。为解决这一问题,采用经验模态分解(EEMD)方法对降水数据进行预处理,并将提取出的各模态每个子序列(IMF)输入到LSTM神经网络中进行预测。结果表明,EEMD-LSTM算法在石家庄逐月降水量预测中具有较好的性能,其预测结果与实际观测值的误差较小,相应的MAE和RMSE分别为2.12、3.13mm,决定系数为0.92。研究表明,EEMD-LSTM算法可作为一种新的有效工具,用于石家庄市降水量预测研究。     

基于LSTM模型的宁蒙河段封河时间预测研究

为解决目前使用的封河时间预测模型输入参数多、边界条件要求高以及长预见期预测精度较差等问题,采用长短时记忆(LSTM)循环神经网络模型方法,对黄河宁蒙河段封河时间进行预测.结果表明:在非极端天气条件下,LSTM模型的预报精度满足水情预报的要求,该模型的预见期和预测精度优于传统预报模型,对运行条件和边界条件的要求远低于现有...     

基于CEEMDAN-ARMA模型的年径流量预测研究

为了更好地预测河川径流,提高年径流的预测精度,以黄河源区唐乃亥水文站1956—2016年的实测年径流量为研究数据,采用完全集合经验模态分解(CEEMDAN)和自回归滑动平均模型(ARMA)相结合的方法,建立CEEMDAN-ARMA组合模型,并将组合模型的预测结果与单一的ARIMA模型的预测结果进行对比.结果表明:组合模...     

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。