基于LSTM-GM神经网络模型的风暴潮增水预报方法

为充分挖掘风暴潮增水的时序关联特性,提高风暴潮增水的预报精度,综合考虑台风因素、气象要素和天文潮因素对风暴潮增水的影响,结合长短期记忆(LSTM)神经网络和灰色模型(GM)的优势,提出基于LSTM-GM神经网络模型的风暴潮增水预报方法。利用该方法采用12场历史台风数据对小清河入海口风暴潮增水进行模拟预报,并将预报结果与LSTM神经网络、BP神经网络的预报结果进行对比。结果表明:相较于LSTM神经网络和BP神经网络,LSTM-GM神经网络模型的纳什效率系数分别提高了6.5%和11.4%,均方根误差分别降低了70.6%和72.2%,平均相对误差分别降低了50%和69.2%;LSTM-GM神经网络模型可有效处理风暴潮增水与各影响因素间的非线性关系,提高风暴潮增水预报的精度。