基于LASSO回归和QRLSTM的来水预测方法研究

精准的河流断面来水流量预测对于水资源配置管理、洪水预警和防灾减灾、生态保护和水力发电工程规划有着重要意义。为了提高单一来水流量预测模型的预测精度,采用LASSO回归算法结合分位数回归长短期记忆神经网络(QRLSTM)以及核密度估计(KDE)算法,提出了一种来水流量预测方法(LASSO-QRLSTM)。首先采用LASSO回归从高维来水特征向量中提取关键的解释变量,以降低解释变量与被解释变量之间非线性关系的复杂程度;接着建立QRLSTM来水流量预测模型,以获得不同分位点下的分位数预测值;进而利用KDE拟合概率密度函数,获得未来的来水流量可能值以及相应的概率,得出最终预测结果。将提出的模型应用于广东省西江关键断面和高要水文站的来水流量预测,并与LASSO-QRNN、LASSO-GBDT、QRLSTM、QRNN、GBDT模型进行对比。结果表明:(1)结合LASSO回归的混合预测模型预测效果均好于单一的QRLSTM、QRNN、GBDT模型。(2)提出的LASSO-QRLSTM模型在对思贤滘断面流量预测中的RMSE为1 804.270 m^(3)/s,NSE值达0.973;在概率性指标方面,LASSO-QRLSTM模型的连续分级概率评分(CRPS)和弹球损失(PL)值分别为842.618和465.964,各项评价指标均为最佳,在对比模型中表现出最好的预测效果,特别是在极值处具有更好的拟合效果和更窄的概率预测区间,表现出该模型在河流来水流量预测中的独特优势。(3)在后续对高要水文站来水流量的预测中,其预测性能得到进一步验证,展现出良好的适应性和稳定性。研究成果可为精准的水文预测和水资源优化配置提供参考。