基于优化算法的CNN-BiLSTM-attention的月径流量预测

作者：朱豪; 胡圆昭; 尹明财; 贾慧; 张济世^*

来源：人民长江, 2023, 54(12): 96-104.

DOI：10.16232/j.cnki.1001-4179.2023.12.013

• 径流量时间序列
• 卷积神经网络
• 双向长短期记忆网络
• 注意力机制
• 萤火虫改进的麻雀搜索算法

为有效提取径流时间序列的信息特征，提高径流预测模型的高维非线性拟合能力和预测性能的稳定性，将卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)和注意力机制(attention)相结合，构建了CNN-BiLSTM-attention的径流组合模型。以长江流域中游汉口站径流量数据进行模拟验证，对比分析BiLSTM,CNN,BiLSTM-attention, CNN-BiLSTM和CNN-BiLSTM-attention 5种径流预测模型模拟月径流的误差特征，利用FA-SSA,GWO和BAO 3种优化算法分别对CNN-BiLSTM-attention组合模型的卷积核个数、BiLSTM隐藏层神经元个数、全连接隐藏层神经元个数、dropout层、批量大小和学习速率6个超参数优化，探究3种优化算法对CNN-BiLSTM-attention月径流预测性能的影响。结果表明：BiLSTM-attention预测误差最大，BiLSTM次之，CNN-BiLSTM-attention组合模型整体预测精度最高；CNN-BiLSTM-attention径流组合模型能有效捕获关键信息和掌握径流时序变化规律，预测径流值与实际值能够较好吻合；FA-SSA优化算法优于GWO和BAO,更能优化CNN-BILSTM-attention的超参数值，并进一步提高该模型的预测精度。

• 单位
  兰州交通大学