VMD-PSO-LSTM模型的日径流多步预测

为了弱化径流时间序列的非线性和非平稳性,提高不同预见期的日径流预测精度,提出了一种新的VMD-PSO-LSTM多步预测组合模型。首先采用变分模态分解(VMD)方法将原始日径流序列分解为子序列,通过粒子群优化算法(PSO)对长短期记忆(LSTM)模型参数进行优化,对各子序列建立PSO-LSTM模型,各分量的预测值重构集成预测结果。将VMD-PSO-LSTM模型应用于黄河下游花园口和利津站的日径流多步预测,采用Nash sutcliffe效率系数(ENS)、相关系数(R)和均方根误差(ERMS)3个定量评价指标对模型预测结果进行评价。结果表明:在预见期为1、2、3 d的情况下,两个测站的Nash sutcliffe效率系数和相关系数均在0.90以上。与CEEMD-PSO-LSTM和PSO-LSTM模型的预测结果对比表明,该模型能够有效提高日径流多步预测精度,是一种高效稳定的径流预报模型。