论文基于2003-2014年水文资料,采用长短期记忆神经网络(Long-Short Term Memory,LSTM),构建了汉江上游安康站日径流预测模型,评价了不同输入条件下日径流预测的精度.结果 表明:当预见期为ld时,在仅以安康站前期日径流量作为输入的条件下,LSTM模型在训练期和检验期的效率系数分别达到0.68和0.74;如再将流域前期面雨量和上游石泉站前期日径流量加入LSTM网络作为输入变量,安康站日径流量预测效果将更好,训练期和检验期的效率系数最高可达到0.83和0.84,均方根误差也有显著削减,且对主要洪峰流量的预测能力也有一定提高.此外,LSTM可以有效避免过拟合等问题,具有较好的泛化性能.但当预见期从ld延长至2、3d时,LSTM的预测精度显著降低.
Daily runoff predication using LSTM at the Ankang Station, Hanjing River
NETL
NSTL
万方数据
维普
