首页|缺失数据条件下基于GAN与LSTM的水文预报研究

缺失数据条件下基于GAN与LSTM的水文预报研究

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对传统水文预报模型因观测数据缺失而导致预报精度不高的问题,利用生成对抗网络(GAN)可以学习数据分布生成数据的特点,将生成对抗网络与长短时记忆网络(LSTM)相结合,提出一种新的耦合模型GAN-LSTM.首先,利用生成对抗网络中"二元极小极大博弈"思想生成与缺失数据分布一致且能够表征缺失数据特性的填充数据来解决数据缺失问题;然后,将填充整合后的数据输入长短时记忆网络进行水文预报;最后,以清溪河清溪水文站的实测水文数据集为例进行了试验,试验结果表明所提出的模型在缺失数据条件下的预报性能显著优于其他同类模型.
Hydrological Forecast Based on GAN and LSTM Under the Condition of Missing Data

秦鹏、陈雨、卢文龙

展开 >

四川大学 电子信息学院,四川 成都610065

成都万江港利科技股份有限公司,四川 成都610041

生成对抗网络 缺失数据 水文预报

国家973计划项目

2013CB328903-2

2021

10.3969/j.issn.1000-1379.2021.06.004

人民黄河
水利部黄河水利委员会

人民黄河

CSTPCD北大核心
影响因子：0.494
ISSN：1000-1379
年,卷(期)：2021.43(6)
  • 2
  • 8