首页|基于TCN-Attention模型的多变量黄河径流量预测

基于TCN-Attention模型的多变量黄河径流量预测

扫码查看
原文链接
  • 万方数据
  • 维普
针对河流径流量变化受到众多因素影响,具有随机性和非线性的特征,难以对其精确预测的问题,基于黄河花园口水文站2008—2012年日均流量、日降水量、日均含沙量数据,提出一种结合时间卷积神经网络(TCN)和注意力(Attention)机制的多变量TCN-Attention模型,对花园口水文站日均流量进行预测,并选取LSTM模型和TCN模型进行预测对比实验.结果表明,TCN模型和TCN-Attention模型的预测性能整体优于LSTM模型;Attention机制可以通过调整特征向量权重提升TCN模型的预测性能,与TCN模型相比,TCN-Attention模型的MAE、RMSE、MAPE值分别降低了20.25％、24.90％、24.39％;TCN-Attention模型具有较优的泛化性能,可以提升日均流量预测精度.
Multivariate Yellow River Runoff Forecast Based on TCN-Attention Model

王军、高梓勋、单春意

展开 >

郑州大学 管理工程学院,河南 郑州450001

郑州航空工业管理学院 大数据科学研究院,河南 郑州450046

日均流量预测 时间卷积神经网络 Attention机制 花园口水文站

22210221029220A520041202102210375,212102210518HNKJZK-2021-61C

2022

10.3969/j.issn.1000-1379.2022.11.004

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)：2022.44(11)
  • 2
  • 1