人民黄河2023，Vol.45Issue(8) ：64-67.DOI:10.3969/j.issn.1000-1379.2023.08.013

水文变异对深度学习模型训练性能的影响研究

Research on the Influence of Hydrological Variation to the Training Performance of Deep Learning Model

师小雨 黄强
人民黄河2023，Vol.45Issue(8) ：64-67.DOI:10.3969/j.issn.1000-1379.2023.08.013
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据

水文变异对深度学习模型训练性能的影响研究

Research on the Influence of Hydrological Variation to the Training Performance of Deep Learning Model

师小雨 1黄强2
扫码查看

作者信息

  • 1. 西安理工大学 电气工程学院,陕西 西安710048
  • 2. 西安理工大学 水利水电学院 西北旱区生态水利国家重点实验室,陕西 西安710048
  • 折叠

摘要

受气候变化和人类活动的双重影响,黄河流域水文情势发生剧烈演变,水文序列颠覆传统的"一致性"假设.为使深度学习模型更好适应于变异水文序列预测,采用Mann-Kendall检验方法确定径流时间序列变异点,对基于LSTM模型的k-fold交叉验证方法进行改进,提出考虑变异点的k-fold交叉验证方法,分析水文变异对深度学习模型训练的影响.选取黄河支流渭河华县站和黑河祁连山站为研究对象,对比分析不同变异程度的中长期水文序列预测结果.结果表明:渭河华县站的径流时间序列变异发生在1986年和2008年,黑河祁连山站径流时间序列变异发生在1988年;LSTM模型在中长期径流预测中,模型性能主要受时间序列长度的影响,其次受水文变化趋势及变异的影响.

关键词

水文变异/深度学习模型/预测性能/交叉验证

Key words

hydrological variation/deep learning model/predictive performance/cross validation

引用本文复制引用

基金项目

国家重点研发计划(2017YFC0405900)

国家自然科学基金面上项目(51879213)

中国博士后科学基金(2019T120933)

中国博士后科学基金(2017M623332XB)

陕西省自然科学基础研究计划(2019JLM-52)

陕西省自然科学基础研究计划(2018JQ5145)

陕西省水利科技计划(2017slkj-27)

出版年

2023
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
参考文献量13
段落导航相关论文