基于VMD-TCN模型的渭河流域月径流量预测研究.pdf
《基于VMD-TCN模型的渭河流域月径流量预测研究.pdf》由会员分享,可在线阅读,更多相关《基于VMD-TCN模型的渭河流域月径流量预测研究.pdf(5页珍藏版)》请在咨信网上搜索。
1、 收稿日期:基金项目:国家自然科学基金资助项目();陕西省自然科学基础研究计划项目()作者简介:张上要(),男,江西上饶人,硕士研究生,研究方向为径流预测 通信作者:罗军刚(),男,陕西西安人,教授,博士,研究方向为水利信息化、水文预测预报:【水文泥沙】基于 模型的渭河流域月径流量预测研究张上要,罗军刚,石国栋,景 鑫,连亚妮,左岗岗(西安理工大学 西北旱区生态水利国家重点实验室,陕西 西安;陕西省渭河生态区保护中心,陕西 西安)摘 要:为了有效减小径流序列非线性、非平稳性对径流预测精度的影响,提出一种将变分模态分解()与时间卷积网络()相耦合的 模型,并用于渭河流域咸阳和华县水文站的月径流量
2、预测。采用多种模型性能评价指标对 模型与其他模型(、)的预测性能进行比较,并分析了 模型在不同预见期下的预测表现。结果显示 模型较其他模型具有预测误差更小、预测精度更高以及峰谷值拟合更优的特点,且随着预见期的增大,模型的预测性能会逐渐降低但预测效果保持良好。关键词:径流预测;变分模态分解;时间卷积网络;渭河流域中图分类号:文献标志码:引用格式:张上要,罗军刚,石国栋,等基于 模型的渭河流域月径流量预测研究人民黄河,():,(,;,):,()()(,),:;在变化环境影响下,径流变化逐渐呈现出非线性、非平稳性特征,传统的线性时间序列模型预测精度不高且模型方法的改进空间有限。随着人工智能的发展,机
3、器学习领域的非线性模型开始应用于径流预测,并且取得不错的效果。同时,信号分解技术能够将水文时间序列分解成若干相对稳定的固有模态分量(),将其与径流预测模型相耦合能够显著提升径流预测的精度。为克服径流序列非平稳性导致预测精度差的问题,周婷等将小波分解()与支持向量机()进行耦合并应用于径流预测,研究表明 能够有效提升径流预测的精度。张金萍等将自回归滑动平均模型()与完全集合经验模态分解()结合,发现 能够显著提高 的拟合优度。桑宇婷等将 与 神经网络进行耦合,并用于汾河流域的月径流量预测,预测结果显示 模型在模拟期和验证期的径流预测精度都达到甲级。包苑村等将变分模态分解()与卷积长短期记忆神经网
4、络()结合开展月径流量预测,结果表明 模型对径流序列的峰值和谷值拟合更优。等将 与深度神经网络()进行耦合,用于渭河流域张家山水文站的日径流量预测,其预测结果表现良好。等采用一种两阶段分解集成水文预测方法,解决信号分解过程中未来信息的引入导致模型预测结果失真的问题。鉴于上述研究背景,笔者将变分模态分解()与时间卷积网络()相结合构建了 耦合预测模型,将其应用于渭河流域咸阳和华县水文站的月径流量预测。通过与其他 种模型(、第 卷第 期 人 民 黄 河 ,年 月 ,、)对比,验证 的预测性能,同时分析 在不同预见期的预测表现。研究方法 变分模态分解()是在 年首次提出的一种新型信号处理算法,该信号
5、分解算法具有自适应和完全非递归的特点。分解对噪声具有良好的鲁棒性,特别适用于复杂度高且非平稳时间序列的预处理,并且能够有效避免出现模态混叠的问题。将原始径流序列()分解成 个模态分量()(,),考虑到径流序列使用 分解的各个分量所具有的特性,需要构造出以下变分问题:,()()()()式中:,为径流序列分解后的各个分量;,为每一个分解分量的中心频率;()()表示对()进行希尔伯特变换,()为冲击函数。求解式()需要引入二次惩罚函数 和拉格朗日乘子()将其转换成无约束的优化问题,具体的公式如下:(,)()()()()()()()()将交替方向乘子算法()与傅里叶等距变换结合对式()进行优化,优化后
6、得到如下方程:()()()()()()()()()()()()()式中:为迭代次数,为噪声容忍度,()、()和()分别为对()、()和()进行傅里叶等距变换的结果。时间卷积网络()时间卷积网络()是一种新型的时间序列预测模型,它是在卷积神经网络()的基础上进行改进的,其模型架构包括因果卷积()、空洞卷积()和残差模块()。的梯度稳定使其能够有效避免模型训练过程中发生梯度消失或梯度爆炸导致模型训练失败的问题,同时具有灵活的感受野。模型卷积结构的层与层之间都是相互依赖的,后一层的输出依赖上一层的输入,每一层都间隔神经元对上一层进行信息提取,通过间隔采样的形式,逐层膨胀系数以 为指数增长,以便使用更
7、少的层数获得更大的感受野。为保证每一层的信息不丢失,需要对每一层的边缘进行填充。模型梯度稳定的原因是引入残差模块,残差模块的引入可以保证在进行特征提取时信息相对完整,保证模型预测准确。预测模型构建本研究将 分解与 模型相结合构建 模型用于月径流量预测,使用贝叶斯优化算法进行超参数调优。开展径流预测主要分 个阶段,分别是数据集划分阶段、预测样本生成阶段和径流预测阶段,具体流程见图。模型在进行序列分解时将验证集数据逐一添加至训练集中能够有效避免模型训练引入未来信息。同时采用直接法生成预测样本能够提高模型的预测效率,节省计算资源。图 模型预测流程人 民 黄 河 年第 期 模型性能评价指标本文使用 种
8、模型性能评价指标用于评估模型的预测能力,分别是纳什效率系数()、标准均方根误差()、平均绝对百分比误差()和峰值预测性能指标()。反映预测结果所含信息量占预测目标所含信息量的比重,其值越接近 表示模型的预测效果越好。是对预测结果均方根误差的归一化,适用于多模型对比,其值越接近 则预测效果越好。直接反映模型的预测误差,越接近 表示模型的预测性能越好。能够评价不同比例峰值的预测效果,越接近 表示峰值预测性能越好。按照水文情报预报规范()规定,预测精度为甲级;,预测精度为乙级;,预测精度为丙级。实例分析 试验环境搭建本试验采用 环境,的附加分解使用 的 库进行,模型采用 搭建,超参数优化框架采用。研
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 VMD TCN 模型 渭河 流域 径流 预测 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。