基于SFLA-CNN和LSTM组合模型的水位预测

• 作者: 周勇强 朱跃龙
• 来源期刊: 计算机与现代化
• 关键词: 水位预测 随机蛙跳算法 卷积神经网络 长短期记忆网络 组合模型
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 人工智能|ARTIFICIAL INTELLIGENCE
• 页码范围: 1-7
• 页数: 7页
• 分类号: TP391
• 语种: 中文
• DOI: 10.3969/j.issn.1006-2475.2021.04.001

摘要

水文时间序列受降雨量的影响,在变化规律上呈现季节性、非线性的特点.传统单一模型结构简单,对于复杂的非线性水文时间序列具有预测精度较低、不能很好捕捉水文时间序列的复合特征的问题.组合预测模型采用多分类器的思想,能够有效地提高预测准确度,然而在模型参数选择方面需要手工调参,花费时间多且不准确.本文提出一种基于SFLA-CNN和LSTM的组合预测模型:通过随机蛙跳算法SFLA对CNN模型进行参数寻优,得到优化后的SFLA-CNN预测模型;之后利用BP神经网络对SFLA-CNN和LSTM模型的预测值进行非线性组合,获得最终预测结果.在江苏省太湖区域的水位预测实验结果表明,该组合模型与现有模型相比,有效地提高了预测准确率,具有更好的泛化能力.