基于Attention机制优化LSTM-Seq2seq模型的径流模拟研究

作者：李文佳; 吴丽丽^*; 温小虎^*; 冯起; 周婷; 杨林山; 尹振良

来源：冰川冻土, 2023, 1-13.

• 径流预测
• LSTM
• Seq2seq
• Attention
• 党河

实时准确地预测中长期日径流对干旱半干旱地区水资源合理利用具有重要意义。针对长短期记忆网络（Long Short-Term Memory, LSTM）模型输入输出时间步长度相等、处理长序列遗忘多、无法按重要程度分配权重等不足，构建了一种基于注意力机制（Attention Mechanism, Attention）优化的LSTMSeq2seq组合模型（LSTM-Seq2seq-Attention）。该模型将序列到序列模型（SequencetoSequence,Seq2seq）中编码器、解码器设置为三层LSTM结构，并在解码器输出序列前引入注意力机制对模型进一步优化。为验证LSTM-Seq2seq-Attention模型的有效性，本研究以党河上游为研究区域，基于历史数据对流域未来1～7 d的日径流进行模拟预测；预测结果与传统的机器学习模型支持向量机（Support Vector Machines, SVM）以及单一的LSTM模型预测结果进行了对比。结果表明：SVM、LSTM和LSTMSeq2seq-Attention模型均可用于短期日径流预测；但相比之下，LSTM-Seq2seq-Attention模型在中长期日径流预测中的预测效果更突出。说明LSTM-Seq2seq-Attention模型较单一模型具备更强的预测力，可作为干旱半干旱地区中长期日径流预测模拟的可靠工具。

• 单位
  甘肃农业大学; 中国科学院西北生态环境资源研究院