典型文献
基于多种学习方案LSTM的信江流域径流预测
文献摘要：
长短期记忆神经网络(LSTM)在径流预测中具有广泛应用,不同的输入使神经网络具有不同的学习方案,从而影响到模型性能.设置3种不同的LSTM学习方案,以前期径流预测当日径流(方案一)、以前期降雨预测当日径流(方案二)和以前期径流和前期降雨预测当日径流(方案三),比较其在相同模型结构下对信江流域丰水期和枯水期径流预测的性能.结果表明,丰水期和枯水期时方案三拟合度最高,平均绝对误差为0.0126和0.0076,纳什效率系数为0.94和0.96,对于信江流域基于LSTM的日径流预测,应当将前期降雨与前期径流结合起来作为模型输入.研究对基于数据驱动的径流预测输入集数据的选取有参考价值.
文献关键词：
LSTM;学习方案;径流预测;数据驱动;信江流域
中图分类号：
作者姓名：
郑勇;马炳焱;成静清;刘章君;邓武彬
作者机构：
江西省水利科学院,江西 南昌 330029;郑州大学水利科学与工程学院,河南 郑州 450001;江西省水利厅,江西 南昌 330009
文献出处：
引用格式：
[1]郑勇;马炳焱;成静清;刘章君;邓武彬-.基于多种学习方案LSTM的信江流域径流预测)[J].水力发电,2022(07):22-27
A类：
B类：
学习方案,信江流域,径流预测,长短期记忆神经网络,模型性能,当日,前期降雨,降雨预测,模型结构,丰水期,枯水期径流,时方,拟合度,平均绝对误差,纳什,来作,模型输入
AB值：
0.205254
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。
