改进时间卷积网络和长短时记忆网络的泸水河流域月径流量预测模型

TP183%TV124; 为提升水文模型预测精度和计算效率,解决传统方法难以浓缩多源水文特征,以及长时间跨度下数据量纲、值域不同造成的特征冗杂问题,提出基于改进时间卷积网络(TCN)和长短时记忆网络(LSTM)的月径流量预测模型.通过构造多卷积核并行网,以提取多源时序特征,并保持原因果卷积特性.引入扩张卷积抽取高阶水文特征,提升长时间跨度记忆单元处理效率.利用残差链接方式跨层传输底层完整特征,丰富特征结果,同时优化整体网络学习过程,并以泸水河流域为例进行验证.实验结果表明,该模型在计算效率、精度、网络结构上均优于其他对比模型,从而验证了其在该流域水文预测的有效性....

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 28; no. 11; pp. 3558 - 3575
Main Authors 王万良, 胡明志, 张仁贡, 董建杭, 金雅文
Format Journal Article
LanguageChinese
Published 浙江工业大学 计算机科学与技术学院,浙江 杭州 310023%浙江禹贡信息科技有限公司,浙江 杭州 310052 30.11.2022
Subjects
时间卷积神经网络
长短时记忆神经网络
径流预测模型
多源水文数据
Online AccessGet full text
ISSN1006-5911
DOI10.13196/j.cims.2022.11.019

Cover

More Information
Summary:TP183%TV124; 为提升水文模型预测精度和计算效率,解决传统方法难以浓缩多源水文特征,以及长时间跨度下数据量纲、值域不同造成的特征冗杂问题,提出基于改进时间卷积网络(TCN)和长短时记忆网络(LSTM)的月径流量预测模型.通过构造多卷积核并行网,以提取多源时序特征,并保持原因果卷积特性.引入扩张卷积抽取高阶水文特征,提升长时间跨度记忆单元处理效率.利用残差链接方式跨层传输底层完整特征,丰富特征结果,同时优化整体网络学习过程,并以泸水河流域为例进行验证.实验结果表明,该模型在计算效率、精度、网络结构上均优于其他对比模型,从而验证了其在该流域水文预测的有效性.
ISSN:1006-5911
DOI:10.13196/j.cims.2022.11.019