典型文献
基于改进EMD-LSTM的洪水预测方法研究
文献摘要：
文章针对当前洪水预测中存在的预测精确度低、可信度差和高延时等问题,结合经验模态分解(Empirical Mode Decomposition,EMD),长短时记忆神经网络(Long Short-term Memory Networks,LSTM),提出一种基于EMD的深度学习模型(EMD-LSTM).该模型首先利用极限学习机(Extreme Learning Machine,ELM)改进EMD端点效应,然后利用改进后的EMD方法将径流时序信号分解为若干本征模态分量(Intrinsic Mode Function,IMF),使非平稳的径流时序信号平稳化,进而利用长短时记忆神经网络模型对分量进行预测,可有效提高LSTM模型的预测精度.同时,为满足洪水预测的实时性要求,将并行计算方法引入EMD-LSTM模型中,以构建并行EMD-LSTM洪水预测方法.试验结果表明,并行EMD-LSTM模型相比于传统LSTM模型,预测精准度提高20.44％,可信度提高29.31％,效率提高93.86％.因此采用EMD方法对非稳态信号进行预处理可有效提高LSTM的预测效果,相比于传统LSTM模型,EMD-LSTM模型整体表现更优,在防洪减灾工作中更具适应性.
文献关键词：
洪水智能预测;经验模态分解;深度学习;LSTM;并行计算
中图分类号：
作者姓名：
刘扬;王立虎
作者机构：
华北水利水电大学信息工程学院,河南郑州450000
文献出处：
引用格式：
[1]刘扬;王立虎-.基于改进EMD-LSTM的洪水预测方法研究)[J].水利水电技术（中英文）,2022(01):35-44
A类：
洪水智能预测
B类：
EMD,洪水预测,预测精确度,可信度,延时,经验模态分解,Empirical,Mode,Decomposition,长短时记忆神经网络,Long,Short,term,Memory,Networks,深度学习模型,极限学习机,Extreme,Learning,Machine,ELM,端点效应,径流,流时,时序信号,信号分解,本征模态分量,Intrinsic,Function,IMF,非平稳,平稳化,并行计算,效率提高,非稳态信号,防洪减灾
AB值：
0.3267
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
