Page 149 - 水文预报与水资源优化管理技术

水文预报与水资源优化管理技术

行了预测。所采用的数据集是马来西亚西北部的 Kelantan 河，采用了 1964—
2004 年 50 年的观测数据进行研究，共 14976 个样本。通过设置不同历史数据

（2000 ～ 6000d）作为训练集，预测未来 100 ～ 600d 的径流量，相比于传统的
BP 神经网络，采用 LSTM 的深度学习模型精度更高。Kao 等人利用基于 LSTM

的编码器－解码器结构，对中国台湾地区石门地区的洪水发生进行了预测，该研
究收集了 23 个台风事件中的 12216 个水文数据，数据采样间隔为 1h，模型采用

了每小时的入库流量和降雨数据，时间步长考虑为 8h，来预测未来 1h ～ 6h 的
入库流量，对比前馈神经网络模型，所提出的 LSTM 模型能够更好地捕捉洪水发

生的时间关联性。Ren 等人针对级联渠道水位的实时预测问题，提出了基于多层
感知机和 LSTM 的深度学习预测模型，并通过时空窗口实现了水位数据的数据增

强，在南水北调工程近 5 年的 19704 渠道水位数据中，可以实现未来 2、4、6h
的精准预测，精度可达 90%。上述研究所采用数据量的时间跨度大，所蕴含的信

息十分丰富，基于 LSTM 的模型架构能够很好地捕捉历史趋势对当前和未来径流
变化的影响。

为解决含噪声径流数据的准确预测问题，Feng 等提出了基于变分模态分解
（variational mode decomposition，VMD）结合支持向量机的预测模型，并通过粒

子群优化算法对支持向量机的参数进行优化，VMD 将原始径流时间序列分解为
不同分量，然后用支持向量机对每个分量进行预测，在长江三峡和丹江口水库的

预测分析中，所提出的模型比传统的神经网络模型和极限学习机方法精度要高。

李文武等人提出了变分模态分解、相空间重构和深度门控网络相结合的径流组合
预测模型，在白山水库的数据集测试表明，分解－预测－重构的策略能有效分解

非平稳性的径流序列，充分学习内嵌的水文规律。基于分解的思路能够去除数据
的噪声，在一定程度上也能提高预测精度，但在水文数据模态分解的过程中不可

避免地使用了未来的信息，该方法仅能作为回归模型来使用，无法实现在径流时
间序列预测问题。

针对洪水等极端水文数据获取难题，Kabir 等提出了用于河流洪水泛滥的快

142