典型文献
Seq2Seq模型的短期水位预测
文献摘要：
为有效预测未来一定时间内的连续水位,提出了基于序列到序列(Seq2Seq)的短期水位预测模型,并使用一个长短期记忆神经网络(LSTM)作为编码层,将历史水位序列编码为一个上下文向量,使用另一个LSTM作为解码层,将上下文向量解码来预测目标水位序列.以流溪河为研究对象,针对不同预测长度分别建立水位预测模型,并与LSTM模型和人工神经网络(ANN)模型进行了对比.结果表明:Seq2Seq模型对连续6 h、12h和24 h水位预测的纳什效率系数最高分别为0.93、0.90和0.85;当预测长度为6h时,LSTM和Seq2Seq模型预测结果相似,ANN模型精度较低;当预测长度为12h和24h时,Seq2Seq模型相比LSTM模型和ANN模型预测效果更好,收敛速度更快.
文献关键词：
水位预测;序列到序列模型;长短期记忆神经网络;人工神经网络;深度学习
中图分类号：
作者姓名：
刘艳;张婷;康爱卿;李建柱;雷晓辉
作者机构：
天津大学水利工程仿真与安全国家重点实验室,天津 300072;中国水利水电科学研究院流域水循环模拟与调控国家重点实验室,北京 100038
文献出处：
引用格式：
[1]刘艳;张婷;康爱卿;李建柱;雷晓辉-.Seq2Seq模型的短期水位预测)[J].水利水电科技进展,2022(03):57-63
A类：
B类：
Seq2Seq,短期水位预测,预测未来,长短期记忆神经网络,编码层,列编,上下文,解码,流溪河,人工神经网络,ANN,12h,纳什,最高分,6h,模型精度,24h,收敛速度,序列到序列模型
AB值：
0.243729
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。
