基于CEEMDAN-TCN模型的河南省月降水量预测

针对水文时间序列非线性难以预测的特性,为进一步提高降水量的预测精度,提出一种基于自适应噪声的完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和时间卷积网络(Temporal Convolutional Network,TCN)的耦合模型,使用河南省1960年1月-2000年7月的月降水量数据,对2000年8月-2017年12月降水量进行预测。模型使用CEEMDAN将原始不平稳的降水量序列分解为一组相对平稳的子序列分量,再利用TCN对各子序列分别进行预测,将各子序列分量的预测结果叠加得到最终结果。为验证模型的有效性,将该模型与LSTM、TCN、CEEMDAN-LSTM模型进行对比。结果表明,CEEMDAN-TCN模型预测精度最高,相较于3种对比模型RMSE分别减少了42.82%、35.65%、18.12%,MAE分别减少了37.75%、27.53%、19.39%。在空间分布上,使用普通克里金插值法得到的CEEMDAN-TCN预测值与实际值的空间分布接近。综上,CEEMDAN方法可以有效降低月降水量数据的不平稳性,耦合CEEMDAN方法的组合模型较单一模型预测精度更高;CEEMDAN-TCN模型相较3种对比模型的预测精度均有不同程度提升,该方法将CEEMDAN信号分解技术、深度学习模型与降水量预测领域相结合,有效地提升了月降水量预测精度。