首页|深度学习的LSTM-GRU复合模型在水文模拟中的应用

深度学习的LSTM-GRU复合模型在水文模拟中的应用

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
在深度学习中,长短期记忆网络(LSTM)和门控循环单元(GRU)是两种模拟时间序列、循环神经网络(RNN)的主要基础结构,各有优缺点.为弥补二者的不足,提高河流流量的预测精度,建立了LSTM-GRU复合模型,并用于海河流域大清河水系白沟河流域流量的预测.基于东茨村水文站2006-2019年的日观测数据,以8个水文气象因子(气压、水温、相对湿度、降水量、日照、地温、风速、水位)的观测数据为输入,河流流量为输出,建立LSTM-GRU水文模型.为验证该模型的优势,将LSTM-GRU的模拟结果分别与LSTM和GRU的结果进行比较.结果表明,LSTM-GRU复合模型的稳定性和精确度明显优于单一的LSTM或GRU模型,为河流流量预测提供了一个更精准的方法.
The LSTM-GRU Combinatorial Model of Deep Learning and Its Application to Hydrological Simulations

陆冠宇、刘文强、郝慧清、王奇、郝永红

展开 >

天津师范大学 地理与环境科学学院,天津 300387

天津师范大学 天津市水资源与水环境重点实验室,天津 300387

天津师范大学 数学科学学院,天津 300387

深度学习 长短期记忆网络(LSTM) 门控循环单元(GRU) 移动平均 流量预测

国家自然科学基金国家自然科学基金国家自然科学基金

420722774127224540972165

2023

10.19797/j.cnki.1000-0852.20210457

水文
水利部水文局 水利部水利信息中心

水文

CSTPCDCSCD北大核心
影响因子：0.742
ISSN：1000-0852
年,卷(期)：2023.43(3)
  • 6