论文部分内容阅读
洪水每年造成巨大危害,准确的预测可以显著减少洪水灾害造成的损失。水文流量元素作为一个时间序列,在形成过程中受到自然因素和人为因素的影响,呈现出非常复杂的确定性与不确定性特征。在进行较长周期流量预测时,采用传统的预测方法在解决像水文流量预测这样的复杂问题时,往往很难作出准确、可靠的预报结果。因此,如何有效的获取水文序列中的有效特征,构造合适的水文流量预测模型,提高中长期水文流量预测的精度是水文领域研究的重点与难点。本文以淮河流域中上游息县站为研究对象,使用息县子流域2011年至2018年的水文历史数据,研究并设计有效的中长期水文流量预测模型。研究重点围绕水文特征提取、传统模型难以模拟水文过程中复杂的物理关系和人工神经网络流量预测模型输入输出独立等问题展开,引入互信息分析特征提取算法、长短期记忆神经网络(LSTM)、门控循环神经网络(GRU)和Attention机制,构建基于互信息的LSTM神经网络循环预测模型和基于Attention机制的Bi GRU神经网络多步预测模型。本文的研究工作取得的主要成果如下:(1)提出了一种基于互信息方法筛选的特征因子作为模型的输入特征提取算法。由于水文流量变化本身是一个时间序列过程,在进行流量预测时,受前期各方面水文要素的影响较大,而互信息能够较好地反应模型输入特征因子与流量之间的复杂关系,本文采用互信息分析算法,动态获取有效地水文输入特征,为后续的建模做了基础的研究。(2)提出了一种基于互信息分析的LSTM神经网络循环预测模型。在互信息分析的基础上,针对传统模型难以有效模拟水文过程中的复杂关系、当前人工神经网络输入输出相互独立和中长期水文流量预测时准确度降低等问题,充分利用LSTM神经网络的时间序列处理能力,构建了一种基于互信息的LSTM神经网络循环预测模型。结果表明,该模型能够自动有效的获取输入序列的有效相关特征,在进行较长时间段的流量预测过程中,也能有较好的预测效果。(3)提出了一种基于Attention机制的Bi GRU神经网络多步预测模型。由于Attention机制能够自动匹配输入序列不同时间步的权重参数,提取与输出更有用的信息,而GRU神经网络相对于LSTM网络结构更加简单,能很大程度上提高训练效率,因此,相对于上一个模型,从另外一个角度出发,构建了一个基于Attention机制的Bi GRU神经网络多步预测模型。该模型在进行多步预测时,不仅具有较高的洪水流量预测精度,而且在训练集和测试集具有更快的预测速度。(4)设计实现了上述两种模型的实验对比分析和相关评估。本文实验均采用Tensorflow和Keras框架,实现了当前比较流行的洪水流量预测模型,并与上述提出的模型进行对比分析,结果表明,本文所提出的模型预测效果均优于其它模型,具有一定的通用性。另外,依据国家标准的水文预报规范要求,所提出的模型在洪峰到达时间误差、洪峰峰值误差、均方根误差的评估中都能取得较好的效果,对防洪减灾具有一定的实际意义。