人民黄河2023，Vol.45Issue(9) ：65-69.DOI:10.3969/j.issn.1000-1379.2023.09.011

基于SSA-LSTM模型的黄河水位预测研究

Research on the Prediction of the Yellow River Water Level Based on SSA-LSTM Model

王军 马小越 张宇航 崔云烨
人民黄河2023，Vol.45Issue(9) ：65-69.DOI:10.3969/j.issn.1000-1379.2023.09.011
✕
  • 维普
  • 万方数据

基于SSA-LSTM模型的黄河水位预测研究

Research on the Prediction of the Yellow River Water Level Based on SSA-LSTM Model

王军 1马小越 2张宇航 2崔云烨2
扫码查看

作者信息

  • 1. 郑州航空工业管理学院,河南 郑州 450015;河南日报社,河南 郑州 450014
  • 2. 郑州航空工业管理学院,河南 郑州 450015
  • 折叠

摘要

黄河流域内的水资源分配和调度对于各个地区的经济发展和人民生活至关重要.为提高黄河水位预测精度,提出一种基于麻雀搜索算法(SSA)和长短期记忆(LSTM)网络融合的黄河水资源调度预测模型,即利用SSA算法优化LSTM模型的超参数后,对黄河水位进行预测.结果表明,SSA-LSTM模型的EMAP(平均绝对百分比误差)、ERMS(均方根误差)、EMA(平均绝对误差)和R2(拟合优度)分别为 0.006 3、0.030 4、0.024 7、0.994 5.相较于层感知器(MLP)、LSTM对照模型,SSA-LSTM模型的EMAP、ERMS、EMA明显减小,R2 有所提升.采用SSA算法自动进行参数选优的方式,可解决LSTM模型手动选择参数的难题.这种方法不仅大幅缩短模型训练时间,还能找到最优网络参数,从而发挥模型的最佳性能.利用SSA-LSTM模型预测黄河水位具有良好的准确性和鲁棒性,可以为黄河水资源调度提供依据.

关键词

水资源调度/长短期记忆网络/麻雀搜索算法/SSA-LSTM模型/深度学习/黄河

Key words

water resource scheduling/long short-term memory network/sparrow search algorithm/SSA-LSTM model/deep learning/Yellow River

引用本文复制引用

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
被引量2
参考文献量9
段落导航相关论文