论文部分内容阅读
河流是地表水的重要组成部分,如何准确地预测河流径流量一直是水文学领域重要的研究内容,但是径流量变化的非线性等特征导致高精度的日径流量预测仍然是相当困难的。因此,本文针对河流日径流量预测,在模型中加入短时滞输入,并结合自注意力机制和长短期记忆网络（Long Short-Term Memory,LSTM）,构建自注意长短期记忆网络（Self-Attentive Long Short-Term Memory,SA-LSTM）模型和基于注意力机制和长短时滞的长短期记忆网络（a LSTM based rainfall runoff model with attentive long and short lag-time,LSTM-ALSL）。以密西西比河流域的八个站点以及模型参数实验（MOPEX）数据集中的四个站点为研究对象,进行了面向径流输入的日径流量预测和面向降雨径流输入的日径流量预测,对比分析了不同模型的总体预测精度、峰值流量和基流预测的精度,得到以下结论:（1）在面向径流输入的日径流量预测中,SA-LSTM模型在常规的LSTM中加入短时滞输入,并结合自注意力机制获取短时滞中的信息,有效地提高了日径流量预测精度。在密西西比河流域所有八个站点,SA-LSTM模型的预测精度在所有模型中都为最高。在纳什效率系数（Nash–Sutcliffe efficiency coefficient,NSE）上,SA-LSTM模型比LSTM模型平均提高了14.2%,在均方根误差（root mean square error,RMSE）和平均绝对误差（mean absolute error,MAE）上,SA-LSTM模型分别比LSTM模型平均降低了12.8%和14.7%,同时在峰值流量和基流的预测上SALSTM模型也显著提高了精度,说明短时滞输入有效提高了预测精度。（2）在面向降雨径流输入的日径流量预测中,LSTM-ALSL模型在常规的LSTM模型中加入短时滞输入,同时对短时滞输入和长时滞输入都使用自注意力机制,并结合原始长时滞输入进行预测,提高了日径流量预测精度。在MOPEX数据集的四个站点,LSTM-ALSL模型的预测精度在所有模型中都为最高。在NSE上,LSTM-ALSL模型比LSTM平均提高了5.7%,在RMSE和MAE上,LSTM-ALSL模型较LSTM分别至少降低了8.1%和10.6%,同时在峰值流量和基流的预测上LSTM-ALSL模型也显著提高了精度,说明短时滞输入有效提高了预测精度。