基于LSTM模型的排水系统流量预测研究

排水系统流量预测对于城市水安全、污水厂优化运行具有重要意义。与需要复杂建模和大量地理信息数据的传统水文水力学模型不同，机器学习可以通过数据驱动实现排水系统的流量预测预警。结合流量数据的时序性，分别在单变量（流量）、双变量（流量和降雨）的情况下，采用5种长短期记忆神经网络（LSTM）模型（Vanilla LSTM、Stacked LSTM、Bidirectional LSTM、CNN LSTM、ConV LSTM）对江苏省无锡市某污水处理厂的进水流量进行预测。结果表明，Bidirectional LSTM最优的实验参数条件是：隐藏层单元数为250，训练轮数为200，训练集样本数为250；在同等条件下，Bidirectional LSTM相较其他4种方法可以更有效地预测未来流量；相比仅输入流量变量，在增加降雨变量后，可以提升近20%的流量预测精度。