时序分解和CNN-LSTM相融合的月径流预报模型

作者：雷庆文; 高培强; 李建林

来源：长江科学院院报, 2022, 1-7.

• 径流预测
• STL
• 非线性特征
• 卷积神经网络
• CNN-LSTM

针对常规模型无法充分提取径流序列的复杂非线性特征信息，提出一种基于局部加权回归周期趋势分解算法（STL）与卷积神经网络（CNN）和长短时记忆神经网络（LSTM）相融合的月径流预报模型。该模型首先利用STL将径流序列分解为趋势项、季节项和随机波动的余项，分解后的各分量序列输入CNN进行卷积运算和子采样层重采样，CNN输出的特征序列通过LSTM拟合时序关系后由全连接层输出径流预测值。以黑河流域讨赖河基准站的月径流数据为例，对比分析LSTM、STL-CNN、STL-CNN-LSTM三种模型的预测效果，验证结果表明：STL和CNN-LSTM相融合的模型预报误差最小、精度等级最高。该模型相较于直接对原始径流序列进行分析的常规模型，可以较为显著地提高月径流预测的能力。

• 单位
  河南理工大学; 河北工程大学; 煤炭资源与安全开采国家重点实验室; 中国矿业大学（北京）