图神经网络驱动的流域洪水预报技术

本研究提出了一个图指导的时空关联预报模型(GSCPM,graph-guided spatiotemporal correlation prediction model),针对性地解决流域洪水预报中的时空关系建模和滞后影响问题。该模型通过多个长短期记忆网络(LSTM)编码每个监测点历史属性的时间关联特征,随后利用图卷积神经网络(GCN)挖掘监测点间的地理空间依赖。此外,提出了雨量滞后特征、泄洪量滞后特征和上游水位滞后特征用以挖掘变量滞后效应。本文在现实流域数据集上进行了广泛的实验,通过跟LSTM、RNN等模型的比较,证明了GSCPM模型的优越性,适合在流域洪水预报中推广使用。

LSTM优化模型的水库水位预测研究

提高水库水位的预测精度对水库的水资源调度、防洪减灾、安全管理等方面具有重大意义。但水库水位的变化受到众多因素影响,特别是近年来异常气候的增多,水库水位的快速变化也有增多的趋势,水库水位的变化与各因素之间并非简单的线性关系。本文利用长短时记忆神经网络(LSTM)在处理长时间序列问题上的优势和Attention机制能够对不同的特征赋予不同的权重,以及粒子群优化算法自适应全局搜索的优势,提出了将粒子群LSTM-Attention复合模型应用于福州市某水库水位预测的思路。结果表明相对于粒子群RNN优化模型、粒子群LSTM优化模型等水库水位预测模型,本文提出的改进粒子群LSTM-Attention优化模型具有更高的预测准确度。