基于改进EMD-LSTM的洪水预测方法研究

• 作者: 刘扬 王立虎
• 来源期刊: 水利水电技术(中英文)
• 学科: 工学
• 关键词: 洪水智能预测 经验模态分解 深度学习 LSTM 并行计算
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 特大暴雨与城市防洪减灾应急专栏
• 页码范围: 35-44
• 页数: 10页
• 分类号: TV124
• 语种: 中文
• DOI: 10.13928/j.cnki.wrahe.2022.01.004

摘要

文章针对当前洪水预测中存在的预测精确度低、可信度差和高延时等问题,结合经验模态分解(Empirical Mode Decomposition,EMD),长短时记忆神经网络(Long Short-term Memory Networks,LSTM),提出一种基于EMD的深度学习模型(EMD-LSTM).该模型首先利用极限学习机(Extreme Learning Machine,ELM)改进EMD端点效应,然后利用改进后的EMD方法将径流时序信号分解为若干本征模态分量(Intrinsic Mode Function,IMF),使非平稳的径流时序信号平稳化,进而利用长短时记忆神经网络模型对分量进行预测,可有效提高LSTM模型的预测精度.同时,为满足洪水预测的实时性要求,将并行计算方法引入EMD-LSTM模型中,以构建并行EMD-LSTM洪水预测方法.试验结果表明,并行EMD-LSTM模型相比于传统LSTM模型,预测精准度提高20.44％,可信度提高29.31％,效率提高93.86％.因此采用EMD方法对非稳态信号进行预处理可有效提高LSTM的预测效果,相比于传统LSTM模型,EMD-LSTM模型整体表现更优,在防洪减灾工作中更具适应性.