典型文献
用于洞察多时间尺度水文过程的深度学习模型
文献摘要：
在流量预测工作中,搭建了由单元、输入门、输出门和遗忘门组成的循环神经网络长短期记忆(RNN LSTM)模型,能学习长期时间依赖和捕获非线性关系,用来预测每日、每周和每月时间尺度的河流流量.利用2006—2014年唐河流域倒马关水文站的多个气候和水文要素数据集,可以对深度学习模型进行训练和验证.通过设置多个时序步长,探讨记忆单元存储信息的长短对不同时间尺度的影响.研究发现,RNN LSTM模型在日尺度预测中表现出较好的预测性能,数据集的粗粒度特性是影响周尺度和月尺度预测性能的关键.
文献关键词：
RNN LSTM;不同时间尺度;时序步长;气候和水文数据集;粗粒度特性
中图分类号：
作者姓名：
刘文强
作者机构：
天津师范大学水资源与水环境重点实验室,天津 300387;天津师范大学地理与环境科学学院,天津 300387
文献出处：
引用格式：
[1]刘文强-.用于洞察多时间尺度水文过程的深度学习模型)[J].现代盐化工,2022(06):98-102,105
A类：
倒马关,时序步长,粗粒度特性,气候和水文数据集
B类：
洞察,多时间尺度,水文过程,深度学习模型,流量预测,入门,出门,遗忘,循环神经网络,长短期记忆,RNN,时间依赖,非线性关系,每月,河流流量,唐河,关水,水文站,水文要素,要素数据,不同时间尺度,日尺度,预测性能,月尺度
AB值：
0.27364
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。
