基于CEEMDAN-LSTM模型的郑州市月降水量预测

• 作者: 罗上学 张美玲 聂雅梅 贾晓楠 曹瑞红 朱美婷 李晓娟
• 来源期刊: 水利规划与设计
• 学科: 地球科学
• 关键词: 降水量预测 完全集合经验模态分解 长短期记忆神经网络模型
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 水文水资源
• 页码范围: 45-50
• 页数: 6页
• 分类号: P333
• 语种: 中文
• DOI: 10.3969/j.issn.1672-2469.2022.02.011

摘要

降水预测对农业生产和水资源利用具有重要意义.由于单一模型难以准确预测降水量,文章建立了基于完全集合经验模态分解(CEEMDAN)和长短期记忆神经网络(LSTM)的耦合模型,对郑州市月降水量进行预测,并与LSTM模型、EEMD-LSTM模型和CEEMDAN-SVR模型的性能进行了比较.结果 表明,CEEMDAN克服了EEMD存在重构误差和模态混叠的问题,提高了LSTM模型的预测性能;CEEMDAN-LSTM模型对郑州市月降水量预测的均方根误差是15.01mm,平均绝对误差是11.31mm,决定系数为0.932,显著优于其他模型.提出的CEEM-DAN-LSTM模型简单有效,对郑州市月降水量序列里的峰值和谷值也能准确预测.