典型文献
改进EEMD-GRU混合模型在径流预报中的应用
文献摘要：
为解决径流预测模型存在的预测精确度低、稳定性差、延时高等问题,结合门控制循环单元神经网络(gated recurrent unit,GRU),集合经验模态分解(ensemble empirical mode decomposition,EEMD)的各自优点,提出一种基于改进EEMD方法的深度学习模型(EEMD-GRU).该模型首先以智能算法对径流信号进行边界拓延,以解决EEMD边界效应.然后利用改进EEMD方法将径流信号分解为若干稳态分量,将各分量作为GRU模型的输入并对其进行预测.实验结果表明,与结合了经验模态分解的支持向量回归模型相比,并行EEMD-GRU径流预测模型的预测精准度、可信度和效率分别提高82.50％、144.67％和95.49％.基于EEMD-GRU的最优运算结果表明,该方法可进一步减少区域防洪的经济损失,提高灾害监管的工作效率.
文献关键词：
径流预报;集合经验模态分解;深度学习;门控制循环单元神经网络;并行计算;混合模型;时序预测;工程应用
中图分类号：
作者姓名：
刘扬;王立虎;杨礼波;刘雪梅
作者机构：
华北水利水电大学 信息工程学院, 河南 郑州 450046
文献出处：
引用格式：
[1]刘扬;王立虎;杨礼波;刘雪梅-.改进EEMD-GRU混合模型在径流预报中的应用)[J].智能系统学报,2022(03):480-487
A类：
门控制循环单元神经网络
B类：
EEMD,GRU,混合模型,径流预报,径流预测模型,预测精确度,延时,gated,recurrent,unit,集合经验模态分解,ensemble,empirical,mode,decomposition,深度学习模型,先以,智能算法,对径,边界效应,信号分解,支持向量回归模型,可信度,区域防洪,并行计算,时序预测
AB值：
0.288841
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。
