为改善传统循环神经网络预测梯度消失的问题,并探讨组合模型在水位预测中的应用,提出了一种基于门控循环单元(Gated Recurrent Unit,GRU)和BP神经网络的组合预测模型,对广州市猎德涌的源头西湖水位进行预测.研究以西湖3-7月的水文时间序列作为训练集,8月作为测试集,通过控制变量法确定了GRU-BP模型的最佳参数.该模型以西湖监测点的历史雨量及水位作为输入条件,预测未来1 h的水位过程,通过GRU融合层进行非线性分配单个模型框架的输出向量权重从而修正预测误差;利用并联式的集成方式能精确分配补水、排水时序变化及雨量等信息对水位增量的反馈权重.结果表明,与基于卷积神经网络(CNN)和GRU的组合模型及GRU、长短时记忆网络(Long Short-Term Memory,LSTM)、BP相比,GRU-BP模型整体预测精度分别提高了10.6％,17.2％,32.5％,51.2％.进一步选取短时间序列(3-4月)和典型雨季水文时间序列(5-7月)训练模型,并在参数不变情况下探讨了不同预测步长对模型精度的影响.结果显示,使用数据驱动模型时,应尽可能选择典型及代表性的水文数据用于训练;模型对暴雨期及大雨期水位进行预测时,预测步长设置为30 min时,可以获得一定的提前时间,同时也能取得较好的预测精度;GRU-BP集成时的精确度与稳定性得到了提高,为湖泊水位预测提供了一种新的方法.

集成学习;水位预测;GRU-BP;组合模型

刘惟飞;陈兵;余周

华南理工大学环境与能源学院,广东广州 510006;广东省环境风险防控与应急处置工程技术研究中心,广东广州 510006

中国农村水利水电

[1]刘惟飞;陈兵;余周-.基于GRU-BP组合模型的湖泊水位预测方法探索)[J].中国农村水利水电,2022(11):58-65

GRU,组合模型,湖泊水位,水位预测,方法探索,循环神经网络,神经网络预测,梯度消失,门控循环单元,Gated,Recurrent,Unit,组合预测模型,西湖,湖水,列作,训练集,测试集,控制变量法,最佳参数,监测点,雨量,输入条,预测未来,水位过程,层进,模型框架,预测误差,并联式,集成方式,配补,补水,时序变化,长短时记忆网络,Long,Short,Term,Memory,雨季,训练模型,下探,步长,模型精度,使用数据,数据驱动模型,水文数据,暴雨,大雨,能取,集成学习

0.406668