径流预报是缓解洪水的一种重要方法。基于1978-2010年的水文资料,结合长短期记忆神经网络(Long-Short Term Memory,LSTM),构建了灞河流域径流预测模型,并且评价了模型对同一流域不同特征水文站的差异及不同季度的预测效果差异。结果表明...径流预报是缓解洪水的一种重要方法。基于1978-2010年的水文资料,结合长短期记忆神经网络(Long-Short Term Memory,LSTM),构建了灞河流域径流预测模型,并且评价了模型对同一流域不同特征水文站的差异及不同季度的预测效果差异。结果表明:不同神经元的组合,对LSTM模型预测效果会产生影响,利用最佳的神经元组合可以更加有效预测径流量变化,大峪河大峪(三)站的最佳组合为第一层神经元128个,第二层神经元32个;灞河罗李村(四)站的最佳组合为第一层神经元128个,第二层神经元8个;灞河马渡王站的最佳组合为第一层神经元8个,第二层神经元2个。不同站点的LSTM最佳模型都能较为有效的预测三个水文站2006-2010年的径流量变化,其中大峪河大峪(三)站效果最佳,其余两个站点效果相对较差。LSTM模型对各个季度的预测效果有差异,各个站点大部分第三季度的均方根误差都较大,而对第一、四季度的径流预测相对较准确。展开更多
文摘径流预报是缓解洪水的一种重要方法。基于1978-2010年的水文资料,结合长短期记忆神经网络(Long-Short Term Memory,LSTM),构建了灞河流域径流预测模型,并且评价了模型对同一流域不同特征水文站的差异及不同季度的预测效果差异。结果表明:不同神经元的组合,对LSTM模型预测效果会产生影响,利用最佳的神经元组合可以更加有效预测径流量变化,大峪河大峪(三)站的最佳组合为第一层神经元128个,第二层神经元32个;灞河罗李村(四)站的最佳组合为第一层神经元128个,第二层神经元8个;灞河马渡王站的最佳组合为第一层神经元8个,第二层神经元2个。不同站点的LSTM最佳模型都能较为有效的预测三个水文站2006-2010年的径流量变化,其中大峪河大峪(三)站效果最佳,其余两个站点效果相对较差。LSTM模型对各个季度的预测效果有差异,各个站点大部分第三季度的均方根误差都较大,而对第一、四季度的径流预测相对较准确。