科研之友
微信
新浪微博
Facebook
分享链接
摘要
考虑到原始监测数据中噪声对库水位预测精度的影响，研究提出了基于小波-LSTM神经网络构建的流溪河流域短期水库水位预测模型。模型以流溪河水库和黄龙带水库2015—2020年的时序数据为研究对象，以小波分解对水位时序数据进行多尺度分析，以2019年8月1日为界划分数据集，以均方根误差RSME、纳什效率系数NSE和平均绝对误差MAE为评价指标，并与LSTM模型在1、6和12 h预见期情境下的预测结果进行了对比分析。结果表明，在1、6和12 h预见期下，小波-LSTM模型和LSTM模型的NSE值均大于0.9,2种模型均取得了不错的预测效果；在相同预见期下，相较于LSTM模型，小波-LSTM模型预测的整体误差和极值误差均更小，模型的整体预测效果更优；对模型输入特征而言，单特征小波-LSTM模型的整体预测误差和极值误差均低于多特征小波-LSTM模型，对水位时序数据的整体预测效果更好，预测中的异常值也相对更少。
- 单位
