亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        改進時間卷積網(wǎng)絡(luò)和長短時記憶網(wǎng)絡(luò)的瀘水河流域月徑流量預(yù)測模型

        2022-12-05 10:59:16王萬良胡明志張仁貢董建杭金雅文
        計算機集成制造系統(tǒng) 2022年11期
        關(guān)鍵詞:水文徑流卷積

        王萬良,胡明志,張仁貢,董建杭,金雅文

        (1.浙江工業(yè)大學(xué) 計算機科學(xué)與技術(shù)學(xué)院,浙江 杭州 310023;2.浙江禹貢信息科技有限公司,浙江 杭州 310052)

        0 引言

        水資源是人類賴以生存的重要需求和人類社會經(jīng)濟與國民生活中不可替代資源。據(jù)國家水利部《2019年水資源公報》表明,我國目前存在的677座大型水庫和3 628座中型水庫年末蓄水總量較往年減少91.7億m3,76個湖泊年末蓄水總量較往年減少28.9億m3[1]。具體而言,快速變化的全球氣候和高強度人類活動,一直影響著流域下墊面和產(chǎn)匯流過程,導(dǎo)致全球流域降水、徑流等氣象、水文要素更加難以琢磨,加深了水文預(yù)測中的不確定性和預(yù)報難度[2]。因此,當(dāng)前最迫切需解決的問題是如何從一眾徑流預(yù)測技術(shù)中尋找突破,優(yōu)選穩(wěn)定性高且準(zhǔn)確的水文模型,并應(yīng)用于實際生產(chǎn)需要中。

        傳統(tǒng)水文預(yù)報方法可分為過程驅(qū)動模型方法和數(shù)據(jù)驅(qū)動模型方法兩大類[3]。過程驅(qū)動模型是指以水文學(xué)概念為基礎(chǔ),利用數(shù)學(xué)模型方法對徑流過程與河道演進進行模擬,從而模擬得到水文預(yù)報。例如趙人俊等[4]提出的概念性流域降雨徑流模型——新安江模型,以流域蓄水容量曲線為核心,按泰森多邊形法劃分計算單元做匯流計算,再對出口以下的河道洪水進行單元出流過程相加,最后得到流量過程。王中根等[5]利用水土評估模型(Soil and Water Assessment Tool,SWAT)結(jié)合地理、水文數(shù)據(jù)模擬黑河流域復(fù)雜多變的徑流過程。劉江濤等[6]開發(fā)了適用于半干旱高寒地區(qū)的降水輸入模塊,利用高程分帶將降水組合成半網(wǎng)格半站點的降水輸入數(shù)據(jù)驅(qū)動模型,并在拉薩河流域進行有效對比實驗。李抗彬等[7]在TOP-MODEL模型中引入植被冠層截留蒸散發(fā)模型和Holtan超滲產(chǎn)流模型,采用馬斯京根河道洪水演進模型,并對半濕潤地區(qū)流域降雨徑流過程進行模擬驗證,結(jié)果表明改進模型模擬精度有很大的提高。然而,數(shù)據(jù)驅(qū)動模型通常依據(jù)水文站歷年累積的大量水文資料,建立數(shù)學(xué)關(guān)系尋求預(yù)報對象與預(yù)報因子的最優(yōu)描述關(guān)系,例如人工神經(jīng)網(wǎng)絡(luò)模型、回歸分析模型等[8-9]人工智能模型。由于自然流域和降水過程在空間和時間上存在極大差異,而水文系統(tǒng)是一個多源耦合的系統(tǒng),呈現(xiàn)多尺度,多特征,多規(guī)律的水文過程,存在參數(shù)難以統(tǒng)一以及水文模型可移植性差等問題[10]?;谌斯ぶ悄艿纳窠?jīng)網(wǎng)絡(luò)模型具有良好的非線性映射能力[11-12],在大數(shù)據(jù)處理和特征提取方面具有獨特優(yōu)勢[13],不需要考慮水文過程的物理機制,能很好地適應(yīng)復(fù)雜的時間序列數(shù)據(jù),在解決水文預(yù)報以及多特征、多規(guī)律水文過程有獨到的優(yōu)勢[14-15]。近年來,水文預(yù)報領(lǐng)域引入多種常見的人工智能模型,如人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)、隨機森林(random forest)、循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)、支持向量機(Support Vector Machine,SVM)等,并取得了可觀的預(yù)測結(jié)果。如PARK等[16]利用混合ANN與遺傳算法(Genetic Algorithm,GA)模型的實時徑流預(yù)測模型,并以韓國Sumji流域為對象驗證模型的可行性和精確性。馮鈞等[17]將將長短時記憶網(wǎng)絡(luò)(Long Short Term Memory,LSTM)與反饋(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)結(jié)合,成功地在子午河流域進行多次徑流預(yù)報。張森等[15]構(gòu)建了基于多種群遺傳算法(Multiple Population Genetic Algorithm,MPGA)與LSTM混合模型,并用于晉江流域進行延時回歸預(yù)測。李代華[18]提出基于Mittag-Leffler、Pareto、Cauchy 3種重尾分布改進的布谷鳥搜索算法(Cuckoo Search,CS)優(yōu)化的支持向量機月徑流預(yù)測模型,并驗證了該模型的可行性。REDDY等[19]利用事件對抗神經(jīng)網(wǎng)絡(luò)(Event Adversarial Neural Network,EANN)混合模型在Kallada流域進行月徑流量預(yù)測,并與常規(guī)前饋神經(jīng)網(wǎng)絡(luò)(Feed Forward Neural Network,F(xiàn)FNN)、多元自適應(yīng)回歸樣條模型(Multivariate Adaptive Regression Splines model,MARS)進行性能分析,成功驗證了人工智能模型的精確性和可行性。

        目前,很少有學(xué)者將近年新提出的深度學(xué)習(xí)方法應(yīng)用于水文領(lǐng)域進行實驗探索,極度缺乏新模型對于復(fù)雜且耦合度高的多源水文、氣象時空數(shù)據(jù)的應(yīng)用經(jīng)驗。例如,2018年由BAI等[20]提出的一維時間卷積網(wǎng)絡(luò)將卷積神經(jīng)網(wǎng)絡(luò)思想引入處理時序數(shù)據(jù)中,使用多層網(wǎng)絡(luò)來學(xué)習(xí)較長時間跨度的信息,其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。相較于門控循環(huán)網(wǎng)絡(luò)(Gated Recurrent Unit,GRU)、RNN等標(biāo)準(zhǔn)遞歸網(wǎng)絡(luò),時間卷積網(wǎng)絡(luò)(Temporal Convolutional Network,TCN)在時間序列問題上能得到更精確的輸出,并能保持更簡單清晰的網(wǎng)絡(luò)結(jié)構(gòu),但是少有人將其應(yīng)用于處理多源水文、氣象數(shù)據(jù),缺乏相關(guān)實驗報告。LSTM[21]作為一種由循環(huán)神經(jīng)網(wǎng)絡(luò)發(fā)展而來的具備特殊門結(jié)構(gòu)的模型,因其較RNN能更好地處理時序數(shù)據(jù)、實現(xiàn)長期記憶,而被廣泛應(yīng)用于時間序列預(yù)測領(lǐng)域。近年許多學(xué)者、專家都對其進行模型改進,并取得了相應(yīng)的成果。例如,KRATZERT等[22]利用LSTM直接學(xué)習(xí)各流域內(nèi)通用水文模型參數(shù),在更少的參數(shù)迭代情況下,構(gòu)建更優(yōu)的水文模型,并通過實驗證明了該模型的可行性;SHI等[23]通過引入卷積替代LSTM矩陣乘法操作,建立了更精確的時空序列預(yù)測模型;宋亞等[24]整合自編碼神經(jīng)網(wǎng)絡(luò)與雙向LSTM,優(yōu)化數(shù)據(jù)依賴特征提取精度,有效解決了時序數(shù)據(jù)維度高、樣本量大的問題。

        水文預(yù)報所依賴的數(shù)據(jù)因其領(lǐng)域特殊性,存在一定的多源性、趨勢性、不確定性[25],以及隨機規(guī)律特征,讓目前單一水文預(yù)報模型無法全面提取多源流域水文特征,在提高徑流預(yù)測精度上還存在較大的提升空間。李福興等[26]采用經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)提取多尺度徑流序列特征,混合差分整合移動平均自回歸模型(Auto-Regressive Integrated Moving Average,ARIMA)與廣義回歸神經(jīng)網(wǎng)絡(luò)(General Regression Neural Network,GRNN)模型對不同尺度固有模式分量(Intrinsic Mode Functions,IMF)進行過程模擬,并有效地提高了預(yù)測精度;梁浩等[27]提出融合大氣環(huán)流異常因子后的基于小波分解(Wavelet Decomposition,WD)的SVM水文預(yù)報模型,并在渭河流域取得了滿意的試驗結(jié)果;包苑村等[28]提出基于變分模態(tài)分解(Variational Mode Decomposition,VMD),卷積—長短期記憶網(wǎng)絡(luò)的渭河流域月徑流量預(yù)測模型,提高了月徑流預(yù)測精度。以上研究表明了多模型組合應(yīng)用在提高徑流預(yù)測精度上的可行性。

        基于上述分析,本文構(gòu)建一種能有效利用多源水文和氣象數(shù)據(jù),基于改進TCN和LSTM耦合的瀘水河流域月徑流量預(yù)測模型TCN_LSTM,主要改進包括:

        (1)TCN_LSTM通過構(gòu)造多卷積核并行網(wǎng),進行多源時序特征卷積提取,并使提取的時序特征仍具有因果特性。

        (2)TCN_LSTM引入擴張卷積在數(shù)據(jù)輸入階段進行高階水文特征濃縮,達到了多尺度特征提取和擴大感受野,避免多源水文數(shù)據(jù)因數(shù)據(jù)量綱、值域不同而導(dǎo)致LSTM記憶單元冗雜問題,并提高記憶單元處理效率的目的。

        (3)引入殘差鏈接至TCN_LSTM模型,直接跨層傳輸?shù)讓犹卣?,從而簡化整體數(shù)據(jù)特征學(xué)習(xí)過程,增強梯度傳播能力。

        1 理論方法

        1.1 時序卷積網(wǎng)絡(luò)

        BAI等[20]提出的(TCN)是一種具有特殊結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)模型,是以傳統(tǒng)一維卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),同時結(jié)合因果卷積、擴張卷積與殘差鏈接而得到的新型網(wǎng)絡(luò)模型[29-31],目前,該模型在機器翻譯、音頻合成和自然語言處理等任務(wù)上取得了優(yōu)異的結(jié)果。TCN為進一步分層捕獲時空數(shù)據(jù)特征提供了新思路[32],其核心特點是:①相較于普通卷積,該模型能夠靈活接受任意尺寸的感受野,即使?fàn)奚欢ňW(wǎng)絡(luò)深度也能以較大的感受野抽取數(shù)據(jù)特征[33];②TCN網(wǎng)絡(luò)結(jié)構(gòu)可以獲取任意長度的時序數(shù)據(jù),并將其映射到相同長度輸出序列[34]。TCN利用一維卷積核掃入當(dāng)前時間節(jié)點及該節(jié)點之前的歷史時序數(shù)據(jù),沿網(wǎng)絡(luò)層進行數(shù)據(jù)處理[35]。其模型結(jié)構(gòu)如圖1所示。TCN模型具有如下特征:

        (1)TCN采用因果卷積,保證模型不能顛倒序列順序,防止信息“泄露”,即該時刻的輸出僅與上一層中該時刻對應(yīng)輸入及更早時刻輸入進行卷積,與未來時刻無關(guān)。如圖1所示,此時卷積核尺寸k取值為3,即每一層的該時刻輸出都是由前一層對應(yīng)的位置及前兩個位置的輸入共同計算得到,并隨著隱藏層層數(shù)的增加,一個輸出所對應(yīng)的輸入越多,所需要考慮的時間序列數(shù)據(jù)時刻越久[36]。

        (2)TCN采用擴張卷積,通過增加卷積核的大小及擴張系數(shù)值,使得數(shù)據(jù)的感受野增大,形成更長時的卷積“記憶”,使得當(dāng)模型進行多維數(shù)據(jù)并行輸入時能保持高效的計算效率[37]。其結(jié)構(gòu)可參考圖1所示,該圖隱藏層最下層擴張系數(shù)大小為d=1,表示輸入時每個時間點都進行采樣,下一層d=2表示每兩個時間點作為一個輸入,當(dāng)隱藏層d=8時,時刻t感受野大小為最下層時刻t-17~t時刻數(shù)據(jù),而此時隱藏層僅3層結(jié)構(gòu),這樣隨著層數(shù)加深,有效窗口的大小呈指數(shù)增長,則能以更少的層數(shù)獲取更大的感受野以及更低的網(wǎng)絡(luò)復(fù)雜度[38]。

        (3)TCN引入殘差網(wǎng)絡(luò),其核心思想是“連接”相隔一層或多層的網(wǎng)絡(luò)層,以有效解決復(fù)雜模型中的梯度消失問題[39]。隨著網(wǎng)絡(luò)模型隱藏層層數(shù)的增加與復(fù)雜化,其能提取到的不同特征就會越豐富,但時間卷積網(wǎng)絡(luò)中感受野大小的設(shè)置限度取決于網(wǎng)絡(luò)深度和擴張系數(shù)大小,這勢必會導(dǎo)致網(wǎng)絡(luò)結(jié)構(gòu)更加復(fù)雜,網(wǎng)絡(luò)穩(wěn)定性變差,造成梯度消失、梯度爆炸等問題[37],而引入殘差塊則能有效提高模型表現(xiàn),保證模型良好性能。

        1.2 長短時記憶網(wǎng)絡(luò)

        長短時記憶網(wǎng)絡(luò)是基于循環(huán)神經(jīng)網(wǎng)絡(luò)的衍生網(wǎng)絡(luò),較原始RNN的基礎(chǔ)上引入門控機制,以解決整體網(wǎng)絡(luò)模型因復(fù)雜網(wǎng)絡(luò)層造成的梯度消失、梯度爆炸和無法處理長期依賴的問題[40]。在面對長期依賴問題時,LSTM模型為解決傳統(tǒng)RNN模型單隱藏層狀態(tài)傳遞方式導(dǎo)致的權(quán)重更新緩慢情況,引入細胞狀態(tài)傳遞方式,使得在反向傳播更新權(quán)重過程與網(wǎng)絡(luò)層特征傳遞過程中兩者狀態(tài)變化得以保持穩(wěn)定,網(wǎng)絡(luò)權(quán)重參數(shù)更新與長時記憶能力保持高效率,故LSTM模型常被用于長短期風(fēng)電、水利、疾病預(yù)測及自然語言處理等領(lǐng)域,并取得廣泛應(yīng)用[41-42]。LSTM與其他神經(jīng)網(wǎng)絡(luò)相似,具備輸入層、隱含層、輸出層,其隱含層中的神經(jīng)元能通過上一時刻與當(dāng)前時刻輸入的依賴信息控制當(dāng)前記憶單元狀態(tài),廣泛應(yīng)用于處理時間序列數(shù)據(jù)[43]。RNN與LSTM網(wǎng)絡(luò)整體結(jié)構(gòu)如圖2和圖3所示。

        如圖2所示,相較于標(biāo)準(zhǔn)RNN結(jié)構(gòu)具有簡單重復(fù)模塊,LSTM網(wǎng)絡(luò)通過設(shè)置3個控制單元來讓依賴信息有選擇地影響循環(huán)神經(jīng)網(wǎng)絡(luò)每個時刻的狀態(tài)[44-45]。首先由遺忘門的Sigmoid層決定當(dāng)前時刻與上一時刻相應(yīng)水文預(yù)測數(shù)據(jù)中需要舍棄的信息,其次再由輸入門的Sigmoid層決定記憶單元中需要更新的依賴信息,最后根據(jù)當(dāng)前記憶單元狀態(tài),經(jīng)由輸出門將存儲的依賴信息傳輸?shù)较乱簧窠?jīng)元,并循環(huán)此步驟[46-48]。LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

        圖4為LSTM網(wǎng)絡(luò)中記憶單元結(jié)構(gòu)示意圖,其利用遺忘門和更新門選擇必要依賴信息,并與當(dāng)前細胞狀態(tài)一起傳遞到下一刻,從而實現(xiàn)時序數(shù)據(jù)特征提取[49]。假設(shè)此時模型處于t時刻,記憶單元已經(jīng)存儲前t-1時刻的水文信息Ct-1,LSTM具體處理流程為:

        (1)根據(jù)當(dāng)前時刻輸入xt和上一時刻輸出結(jié)果ht-1,由遺忘門ft決定從之前存儲的信息Ct-1中進行“舍棄”,利用遺忘系數(shù)與存儲信息Ct-1按位相乘,而向量ft值越接近0的依賴信息越會率先遺忘,而取值接近1的信息得到保留,其遺忘門計算公式為:

        ft=σ(Wf·[ht-1,xt]+bf)。

        (1)

        式中:Wf、bf為遺忘門的可調(diào)向量參數(shù);σ為Sigmoid激活函數(shù),

        (2)

        式中e為自然對數(shù)。

        (2)經(jīng)由上一步遺忘了部分信息之后,輸入門it會根據(jù)當(dāng)前時刻輸入信息xt和上一時刻輸出xt-1來更新信息加入Ct-1中,其輸入門計算公式為:

        it=σ(Wi·[ht-1,xt]+bi)。

        (3)

        式中Wi、bi為輸入門的可調(diào)向量參數(shù)。

        輸入層Sigmoid層決定了需要更新的值之后,由tanh層構(gòu)造依賴信息Ct,后續(xù)將結(jié)合這兩步驟進行更新記憶單元狀態(tài)值。新依賴信息計算公式為:

        (4)

        式中WC、bC為依賴信息的可調(diào)向量參數(shù);tanh為雙曲正切函數(shù),

        (5)

        (6)

        (3)由輸出門根據(jù)記憶單元狀態(tài)和輸入依賴信息決定最終輸出信息,其計算公式為:

        (7)

        式中Wo、bo為輸出門的可調(diào)向量參數(shù)。

        2 改進TCN_LSTM徑流預(yù)測模型

        水文預(yù)測中,徑流的形成過程機理復(fù)雜,考慮多源水文因素以及高緯度水文特征的提取對于提高水文徑流預(yù)測精度具有十分重要的影響。若只分析低維的水文實測數(shù)據(jù),模型的擬合度往往不盡如人意[50-51]?;诖?,本方法將改進的TCN和LSTM相結(jié)合,構(gòu)建了TCN_LSTM月徑流量預(yù)測模型,可以用來提高水文預(yù)測的準(zhǔn)確度和計算效率,其網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示,其中隱含層數(shù)量不僅限于圖中的兩層,箭頭按時刻從左向右進行隱含層狀態(tài)的傳遞。

        首先,利用改進的TCN模型,在保持因果卷積特性下,有效結(jié)合多源水文數(shù)據(jù),從多源角度分析水文徑流預(yù)測。其次,引入擴張卷積至標(biāo)準(zhǔn)LSTM中,利用其高效的特征提取,實現(xiàn)從水文數(shù)據(jù)中提取更高階水文特征并過濾無用信息,提高LSTM隱藏層記憶單元處理效率。最后,通過加入殘差鏈接,優(yōu)化預(yù)測模型整體網(wǎng)絡(luò)結(jié)構(gòu),直接跨層傳輸特征,簡化整體數(shù)據(jù)特征學(xué)習(xí)過程,增強梯度傳播能力。具體流程如下:

        (1)初始化TCN模型結(jié)構(gòu)及參數(shù) 在水文預(yù)測領(lǐng)域,由于復(fù)雜的自然氣候原因,徑流預(yù)測需要考慮多源水文因素的影響。輸入通常為多維度水文數(shù)據(jù),包括集水流域降雨量、上游徑流量、流域蒸發(fā)量、損失量、氣溫等水文數(shù)據(jù)。鑒于標(biāo)準(zhǔn)TCN模型只有一維的卷積核,只能處理一維輸入數(shù)據(jù),故本文思路是將多個一維擴張卷積在多維度上進行并行操作,構(gòu)造一組多個可分離一維卷積核并行網(wǎng),以提取各維度上隱含特征信息,并進行特征融合,充分保留了不同維度上水文數(shù)據(jù)之間的關(guān)聯(lián)性,并能大大提升模型運算效率。

        一層多個一維擴張卷積流程示意圖如圖6所示。在圖6中,輸入數(shù)據(jù)I是一個由n種數(shù)據(jù),總時間跨度為m的時間序列數(shù)據(jù)構(gòu)成的n×m的矩陣,經(jīng)過卷積層中大小為d×1,擴張因子D為2的卷積濾波Fn作用之后,輸出T為n個特征圖,其中第n個特征圖由輸入In與卷積濾波Fn進行擴張卷積運算,其計算公式為:

        Tn=Fn×In。

        (8)

        對于圖6中演示的一層多維卷積操作,其感受野大小計算公式為式(9),即該層卷積核感受野為7×7=49。

        rn+1=(2D+2-1)×(2D+2-1)。

        (9)

        針對TCN_LSTM中多層多維卷積網(wǎng),感受野大小計算遞推公式為:

        (10)

        式中:Si表示第i層步長,Kn表示第n層卷積核尺寸。卷積核尺寸計算公式為:

        (11)

        式中P表示網(wǎng)絡(luò)模型中padding值。輸入數(shù)據(jù)經(jīng)過此類多次卷積操作后,其水文數(shù)據(jù)中包含的抽象特征被有效提取,且仍可保持各種類數(shù)據(jù)的內(nèi)聯(lián)性,經(jīng)過多層卷積操作后通過TCN中全卷積層獲得與輸入維度相同的輸出矩陣。

        改進的TCN模型在保留原有擴張卷積與因果卷積特性前提下,從原來的單維水文數(shù)據(jù)覆蓋至全種類數(shù)據(jù)維度輸入,充分保證其能有效處理長歷史水文數(shù)據(jù),以及加快網(wǎng)絡(luò)模型的訓(xùn)練速度,具有更良好的實時反饋感。

        (2)初始化LSTM模型結(jié)構(gòu)及參數(shù) 較標(biāo)準(zhǔn)LSTM模型在處理長期記憶上,因長歷史、多種類數(shù)據(jù)優(yōu)化存儲能力不足而導(dǎo)致的預(yù)測精度下降、預(yù)測反饋延遲問題。本文通過在LSTM網(wǎng)絡(luò)循環(huán)層之前加入擴張卷積操作來提取當(dāng)前時刻t蘊含的依賴信息量,使得對于相同尺寸的輸入數(shù)據(jù),網(wǎng)絡(luò)所含的感受野越大,提取所有數(shù)據(jù)所需的網(wǎng)絡(luò)層數(shù)越少,顯著簡化了網(wǎng)絡(luò)結(jié)構(gòu),優(yōu)化了網(wǎng)絡(luò)處理速度與預(yù)測精度。

        擴張卷積操作示意如圖7所示。圖7中卷積核大小設(shè)置為3,擴張率為1,在t時刻卷積層Z所蘊含的有效信息是從卷積層X在時刻1~時刻t所蘊含信息中抽取的更高階特征,能極大效率地過濾長時數(shù)據(jù)中包含的無用信息,同時能保留原有多維度水文信息之間關(guān)聯(lián)性,減少后續(xù)處理的數(shù)據(jù)量,提升整體處理效率。

        在水文數(shù)據(jù)經(jīng)過卷積層處理操作之后,多維水文序列高階特征經(jīng)由全連接層進入循環(huán)層得到輸出結(jié)果,然后將預(yù)測的結(jié)果與歷史水文實測數(shù)據(jù)進行比較,利用輸出層計算所得誤差進行梯度反向傳播更新循環(huán)層各參數(shù)配置,當(dāng)達到最大迭代次數(shù)時,選取損失函數(shù)值最小的水文模型。

        (3)為整體模型引入殘差鏈接 考慮到改進TCN_LSTM徑流預(yù)測模型需要學(xué)習(xí)長時間跨度下多維度水文數(shù)據(jù),網(wǎng)絡(luò)卷積層仍然具有非常龐大的數(shù)量,且經(jīng)過多層卷積、壓縮操作,依賴信息較原始信息仍有一定差別與丟失,故在網(wǎng)絡(luò)模型中引入殘差鏈接方式,使得網(wǎng)絡(luò)能夠跨層傳輸?shù)讓右蕾囆畔?,最大限度讓輸出層融合高階特征與詳細的底層特征,提升徑流預(yù)測精確度。

        一個殘差塊b包括直接映射部分與殘差部分,其表達公式為:

        (12)

        式中:Xn表示第n層卷積層蘊含的依賴信息;C表示擴張卷積操作,即直接映射部分;F為不同層之間進行殘差映射操作。本文模型中的卷積層由多卷積核并行構(gòu)成,以進行深層次特征提取,同時設(shè)計并組合多個通用殘差塊來進行源數(shù)據(jù)多維度特征提取。在每一層殘差塊中包含兩層擴張因果卷積和激活函數(shù)ReLU,并應(yīng)用權(quán)重歸一化到卷積核,此外在每次擴張因果卷積后添加dropout進行正則化以減輕源特征過擬合的發(fā)生。其結(jié)構(gòu)圖如圖8所示,針對K層并行殘差塊,源數(shù)據(jù)輸入各層殘差函數(shù)中,為解決不同的輸入輸出寬度,額外利用一層擴張卷積確保得到相同形狀的張量。

        (4)徑流預(yù)測 利用歷史水文數(shù)據(jù)預(yù)訓(xùn)練得到最優(yōu)模型,將測試樣本輸入模型中計算,最后得到徑流預(yù)測數(shù)據(jù),并與實際測試集進行比較,得到模型預(yù)測結(jié)果。

        混合模型整體流程示意圖如圖9所示。整體模型在初始化模型結(jié)構(gòu)、超參數(shù)以及對多源數(shù)據(jù)進行預(yù)處理篩選剔除錯誤數(shù)據(jù),如0值、空值等情況,并利用相鄰水文站數(shù)據(jù)進行補齊。隨后,將多源數(shù)據(jù)進行多維矩陣構(gòu)造,并作為數(shù)據(jù)輸入,在卷積層對數(shù)據(jù)進行空洞卷積提取高維特征,該步驟可以有效減少高維網(wǎng)絡(luò)層權(quán)值系數(shù)數(shù)量,也能大幅減少整體模型的時空復(fù)雜度。經(jīng)由全連接層將卷積后的高維特征輸入循環(huán)層進行計算,同時利用殘差鏈接跨層將底層未經(jīng)卷積層處理的數(shù)據(jù)傳輸至循環(huán)層,以防止復(fù)雜網(wǎng)絡(luò)層多次循環(huán)導(dǎo)致的數(shù)據(jù)丟失與失真情況。隨后記錄每次迭代模型的損失值,記錄每迭代一輪的最優(yōu)模型,當(dāng)達到最大迭代次數(shù)時,比較最優(yōu)結(jié)果,輸出損失值小的模型。將該最優(yōu)模型作為最終結(jié)果,利用測試集進行測試,得到TCN_LSTM模型預(yù)測結(jié)果。

        3 實例應(yīng)用

        3.1 研究區(qū)域概況

        贛江位于長江流域南部,是長江南部第七大分支,屬于鄱陽湖盆地水系統(tǒng),面積為83 500平方公里,涵蓋南昌、伊春、新余、九安,占鄱陽湖盆地總面積51.5%。贛江二級支流瀘水河(安??h境內(nèi))從武功山南麓伊始,從屬贛江2級支流,全長總共約120 000 m,并于吉安縣城西匯入贛江的1級支流河水[52]。本文以滬水河流域為例,安??h滬水河流域水資源開發(fā)和利用已經(jīng)處于相對較成熟階段,到2009年底全縣共修建116座電站(含在建10座),裝機容量達6.83萬千瓦時(可投產(chǎn)裝機6.667萬千瓦),豐水期小水電年發(fā)電量近2.0億千瓦時[53-54]。

        社上水文站于1957年設(shè)站,有1958~1961年的水文、氣象觀測資料,1962年1月撤消,改為社上水庫站,1976年開始在壩上設(shè)立水尺觀測水庫水位,同時觀測降雨量,保存有1976~2015年水位、降雨觀測資料。

        東谷水文站位于江西省安??h橫龍鎮(zhèn)東谷村,1979年4月由吉安地區(qū)水電處為東谷水庫設(shè)立的專用水文站,現(xiàn)屬江西省水文局領(lǐng)導(dǎo)。2005年停止測流,保有有1979年5月~2004年的水位、流量、降水量資料。東谷水庫建成后設(shè)立東谷水庫站進行監(jiān)測水庫水位、降雨量,保有有2010~2015年的水位、降雨量觀測資料[55-56]。

        因此,以瀘水河流域徑流序列數(shù)據(jù)提取變化特征,構(gòu)建合理的徑流預(yù)測模型,為該流域內(nèi)水電站及水情環(huán)境研究提供了科學(xué)支持,對當(dāng)?shù)睾侠磉\用水資源,改善生態(tài)環(huán)境,開展水資源規(guī)劃,推進當(dāng)?shù)厣鷳B(tài)文明建設(shè)和可持續(xù)發(fā)展有巨大作用。

        3.2 模型輸入輸出確定

        為了驗證改進后TCN_LSTM耦合水文模型在目標(biāo)流域月徑流預(yù)測能力,本文研究就水文站月徑流量建立TCN_LSTM預(yù)報模型。模型輸出層輸出為徑流的回歸結(jié)果,即該水文站當(dāng)月徑流量,模型的輸入為水文站歷史觀測水文、氣象及時間數(shù)據(jù),包括該站點降雨量、當(dāng)?shù)貧鉁?、區(qū)域內(nèi)徑流蒸發(fā)量、徑流滲透量、實測徑流量、平均風(fēng)速以及時間節(jié)點,共10項影響因子。由于影響水域徑流量的物理成因預(yù)測方法結(jié)果更優(yōu)[56],且為避免各因子之間高相關(guān)性造成的預(yù)報有誤,本模型在輸入層處理時運用主成分分析方法[57]對初定的影響因子進行數(shù)據(jù)降維,降低數(shù)據(jù)之間的相關(guān)性。輸入層數(shù)據(jù)長度m根據(jù)歷史觀測數(shù)據(jù)長度進行計算,構(gòu)建成一個10×m維度的矩陣,輸入網(wǎng)絡(luò)模型進行計算。

        3.3 評價指標(biāo)選取

        為評估預(yù)測結(jié)果的精確性和有效性,本實驗采用均方根誤差(RMSE)、平均絕對誤差(MAE)及納什系數(shù)(NSE)評價指標(biāo)來進行預(yù)測精度的評價,具體計算公式如下:

        (13)

        (14)

        (15)

        RMSE為均方根誤差的算術(shù)平方根,取值范圍為0到正無窮,其取值越小表明模型擬合越優(yōu),越具有更高的精確度;MAE是平均絕對誤差,是絕對誤差的平均值,能很好地反映預(yù)測值誤差的實際情況,其取值范圍為0到正無窮,值越小表明模型誤差越?。患{什系數(shù)NSE用于評價模型精度,一般用于驗證水文模型模擬結(jié)果好壞,其范圍為負無窮到1,數(shù)值越接近1,代表模型精確度越高,若NSE數(shù)值為負數(shù)則表明模型無法正常完成模擬。

        3.4 模型參數(shù)實驗及分析

        改進TCN_LSTM模型由前文介紹及式(9)和式(10)可得,隱藏層層數(shù)nTCN、擴張因子DTCN及卷積核大小K對于TCN模型性能有關(guān)鍵作用。同時,由經(jīng)驗法推論可得,擴張因子DLSTM及隱藏層層數(shù)nLSTM對于LSTM模型的“輸入層”特征提取和預(yù)測性能有重要影響,故本文采取相應(yīng)對照實驗來分析隱藏層層數(shù)、神經(jīng)元個數(shù)、擴張因子及卷積核大小對于改進TCN_LSTM模型的整體影響。

        本實驗中擴張因子D分別取4、8、16,卷積核大小K分別取3、5,隱藏層層數(shù)nTCN、nLSTM分別取4、8和64、128,共組成36個實驗,如表1所示。其中,卷積核數(shù)量固定為32,采取訓(xùn)練次數(shù)為800,學(xué)習(xí)率為0.01,損失系數(shù)為0.4,其他參數(shù)保持不變。最終分別通過對比各實驗組訓(xùn)練集和測試集在NSE系數(shù)上的表現(xiàn)來選擇最佳參數(shù)組。

        表1 TCN_LSTM模型參數(shù)選取對照實驗

        通過選取不同參數(shù)進行模型訓(xùn)練集和測試集驗證,得到各個組別實驗的最終實驗結(jié)果如圖10所示。

        通過對照觀察組別1、2、3、4及5、6、7、8可得出當(dāng)保持nLSTM不變,增加一定擴張因子、隱藏層層數(shù)nTCN、卷積核大小后對于整體模型的精度提升較高,其中擴張因子對于精度的影響更為明顯。

        通過對比1、2、3、4及20、21、22、23、24組別,訓(xùn)練集和測試集的精度差異隨著模型參數(shù)及網(wǎng)絡(luò)層參數(shù)量的增加而逐漸產(chǎn)生較大差異,可發(fā)現(xiàn)隨著nLSTM、nTCN、D等參數(shù)增大,模型的過擬合現(xiàn)象逐漸明顯,對于模型精度影響較大,由經(jīng)驗分析法可得出在當(dāng)前數(shù)據(jù)規(guī)模及權(quán)值學(xué)習(xí)迭代次數(shù)下,模型復(fù)雜度已無法支持繼續(xù)加深。

        結(jié)合圖10NSE系數(shù)結(jié)果對比分析5、6、7、8、9及13、14、15、16、17組別可得出,在模型可承受范圍內(nèi),逐步增加nLSTM、nTCN、D等參數(shù)可得到正反饋結(jié)果,模型精度在訓(xùn)練集與測試集上得到正向提升。

        通過對比組別13、14、17、18、19、20可得出,擴張因子的增大對于輸入層特征抽取有正向作用,但隨著隱藏層層數(shù)的增加,在提高模型復(fù)雜度的同時起到負向作用,反而加大了模型過擬合現(xiàn)象的產(chǎn)生,表現(xiàn)為在訓(xùn)練集上有更高的精確度,卻在測試集上表現(xiàn)不佳,如組別19、20所示。

        由上述分析可得,本文改進TCN_LSTM模型選取參數(shù)組合為擴張因子D=8,隱藏層大小分別為nTCN=4、nLSTM=128,卷積核大小為K=5。此時,本文模型有著更優(yōu)的預(yù)測精確度,后續(xù)對比實驗中均采用此參數(shù)。

        3.5 對比實驗及分析

        本文針對社上、東谷水文站的歷史水文、氣象數(shù)據(jù)進行模型與實驗,數(shù)據(jù)分配情況如表2。

        表2 水文站數(shù)據(jù)訓(xùn)練及測試分配情況

        《水文情報預(yù)報規(guī)范》中規(guī)定預(yù)見期超過流域最大匯流時間,且在三天以上一年以內(nèi)的水文徑流預(yù)報允許誤差范圍為變幅的20%內(nèi),其中相對誤差計算公式如式(16):

        (16)

        式中:xt表示t時刻徑流實測值,yt表示t時刻徑流預(yù)測值。

        本文分別選取東谷水文站2002年和社上水文站2013年場次數(shù)據(jù)為例進行水文預(yù)報合格率檢查,具體數(shù)據(jù)如表3。

        分析表3中實驗結(jié)果可知,改進TCN_LSTM模型得出的預(yù)測值在相對誤差值上是完全符合水文情報規(guī)范中要求的中長期徑流預(yù)測要求的。

        表3 水文站徑流量數(shù)據(jù)抽樣實驗結(jié)果

        為更好地展現(xiàn)本文提出的混合模型在月徑流預(yù)測中的精確性,同時選用日前徑流預(yù)測領(lǐng)域技術(shù)選型較多的BP模型[58]、SVM模型[59]、GRU模型[60]、RNN模型[61]、TCN模型[20]、ANN模型[62]、LSTM模型[63]以及本文TCN_LSTM模型對數(shù)據(jù)樣本進行擬合實驗,進一步對比8種模型在水文徑流變化趨勢中的差異。考慮到各模型間不同超參數(shù)設(shè)置會對預(yù)測結(jié)果有一定影響,本文在原模型的基礎(chǔ)上經(jīng)過交叉驗證、多次試錯以及以往經(jīng)驗參考得出針對本文數(shù)據(jù)集的最佳參數(shù)。各模型主要設(shè)置如下:

        (1)BP神經(jīng)網(wǎng)絡(luò)選用單隱藏層結(jié)構(gòu)的三層模型??紤]到輸入層及輸出層節(jié)點數(shù)分別為9、1,通過經(jīng)驗公式計算可得隱藏層節(jié)點數(shù)最佳為8,誤差控制率為0.001,學(xué)習(xí)系數(shù)為0.01,隱含層傳遞函數(shù)為poslin,輸出層傳遞函數(shù)為purelin,學(xué)習(xí)函數(shù)采用trainlm。

        (2)SVM模型在顧哲衍等[59]工作的基礎(chǔ)上,經(jīng)過多重交叉試錯后,確定最佳懲罰系數(shù)為500,ε值為1.5,γ值為0.001。

        (3)GRU采用單層模型,其中神經(jīng)元節(jié)點數(shù)為32,隱藏層層數(shù)為3,丟失系數(shù)為0.3,學(xué)習(xí)系數(shù)為0.01,優(yōu)化器采用Adam,激活函數(shù)采用softmax。

        (4)RNN與LSTM采用單層模型,隱藏層節(jié)點數(shù)為32。

        (5)ANN模型隱藏層節(jié)點數(shù)為32,隱藏層層數(shù)為3,學(xué)習(xí)率為0.01,激活函數(shù)為ReLu,損失系數(shù)為0.3,學(xué)習(xí)率為0.01。

        (6)TCN模型每層擴張系數(shù)為[1,2,4,8,16],每層卷積核大小設(shè)置為5×5,卷積核個數(shù)為32。

        本文實驗結(jié)果如表4和表5所示。

        表4為各預(yù)測模型結(jié)果評價指標(biāo)對比。由表4可知,通過與其他常用于時間序列的神經(jīng)網(wǎng)絡(luò)算法對比,TCN_LSTM模型在RMSE、MAE及NSE等評價指標(biāo)上具有更優(yōu)秀的表現(xiàn),結(jié)果也更加準(zhǔn)確。本文TCN_LSTM模型預(yù)測結(jié)果相較于單一TCN、LSTM模型在實驗結(jié)果上的差距遠遠小于傳統(tǒng)RNN、ANN等常用模型。NSE作為一項常用來評估水文模型好壞的指標(biāo),由表4可知,TCN_LSTM模型NSE值在東谷和社上水文站分別為0.98和0.96,結(jié)果均比LSTM、RNN、TCN等模型有提高,表明TCN_LSTM模型在進一步結(jié)合多源數(shù)據(jù)特征,提取對預(yù)測結(jié)果正相關(guān)的特征上具有更加優(yōu)良的效果,從而證明了該方法提高徑流預(yù)測精度的可行性。

        表4 水文站徑流量在不同模型下標(biāo)準(zhǔn)差對比

        表5為各模型之間計算效率的對比實驗。通過各階段模型訓(xùn)練輪次中最優(yōu)平均絕對誤差值(L1_loss)和均方誤差值(L2_loss)的比較可知,TCN_LSTM、LSTM、TCN、GRU能較RNN、ANN模型更快擬合水文數(shù)據(jù),獲得更優(yōu)的徑流預(yù)測模型,其中RNN、LSTM、GRU模型因其自身時間連接特性導(dǎo)致計算時數(shù)據(jù)量隨著循環(huán)層迭代、特征積累,其需要更大的顯存空間,故在訓(xùn)練時間上需耗費更多時間,GPU計算速度較CPU優(yōu)化效率不高,甚至存在下降趨勢。GRU較LSTM在網(wǎng)絡(luò)結(jié)構(gòu)上進行優(yōu)化,極大減少了訓(xùn)練所需參數(shù)量,提升了模型擬合速度,但是最終在訓(xùn)練輪次達到1 000輪以上時,GRU模型損失值難以收斂,精度提升上限不及LSTM。BP模型通過不斷對數(shù)據(jù)樣本進行訓(xùn)練,達到網(wǎng)絡(luò)權(quán)值與閾值修正,實驗采用的單隱藏層BP模型通過各隱藏節(jié)點來逼近需求中的“非線性函數(shù)”,雖然訓(xùn)練速度極快,但是模型結(jié)構(gòu)限制導(dǎo)致收斂速度很慢,收斂最終效果欠佳。ANN模型實質(zhì)是將輸入時序數(shù)據(jù)到輸出結(jié)果的非線性函數(shù)變換,網(wǎng)絡(luò)結(jié)構(gòu)較其他模型更為簡單,訓(xùn)練速度較其他模型更快,雖然在GPU上能適應(yīng)并行計算,且速度較CPU有一定優(yōu)化,但變化較小,損失值較高。TCN模型內(nèi)核是基于卷積操作,對于“記憶”數(shù)據(jù)提取與計算具有更優(yōu)效率,且易于進行并行化操作,因此在模型迭代計算上能較快獲得更優(yōu)收斂性,同時在GPU平臺上能進行更高效計算。由表5損失值隨訓(xùn)練輪次變化可得,ANN模型在整體訓(xùn)練階段損失值變化一直處于較高的水平,隨著輪次進行,損失值難以降低,模型難收斂。同比RNN模型、GRU模型與LSTM模型需保持較多的訓(xùn)練輪次才能得到較優(yōu)模型,如LSTM在300輪以上能達到較優(yōu)收斂性,GRU在300輪訓(xùn)練時模型已形成收斂趨勢且訓(xùn)練所需時間更短,RNN則需1 000輪之后才能達到較低收斂值。模型擬合需大量的時間與數(shù)據(jù)進行計算,而數(shù)據(jù)特征的堆疊易于造成特征量計算爆炸,影響計算效率。反觀本文提出的TCN_LSTM,基于循環(huán)層基礎(chǔ)上利用卷積抽取‘時序’特征并行進行計算,提升模型計算效率,使得整體模型能以更少的訓(xùn)練輪次、更短的訓(xùn)練時間獲取更高擬合度的徑流預(yù)測模型,證明了本文方法通過引入卷積操作、殘差鏈接,加快數(shù)據(jù)特征抽取與傳輸速度,提高模型計算效率的可行性。

        表5 不同模型計算效率對比

        圖11為東谷水文站2012年至2015年徑流量各模型的預(yù)測結(jié)果對比圖,圖12為社上水文站2001年至2004年徑流量的擬合曲線對比圖。從圖中可以看出該段數(shù)據(jù)集波動頻率較高,振幅較大,對于模型的精確性檢驗具有一定參考性。分析結(jié)果如下:

        (1)觀察圖11a~圖11c和圖12a~圖12c發(fā)現(xiàn),本文提出TCN_LSTM模型相較于單一TCN與LSTM模型在預(yù)測整體趨勢上具有更高的耦合性與周期內(nèi)更低的振蕩性,整體預(yù)測精度更加準(zhǔn)確。從圖10c和圖11c可發(fā)現(xiàn),TCN模型在整體趨勢上依然具有較優(yōu)的精確度,在數(shù)據(jù)密集時間段能保持良好的預(yù)測穩(wěn)定性,但是隨著時間跨度加大以及數(shù)據(jù)源因不同地區(qū)而表現(xiàn)不同時空特征時,模型預(yù)測趨勢波動較大,精確度變化幅度呈不穩(wěn)定趨勢,模型的普適性低于LSTM模型。從圖10d和圖11d可發(fā)現(xiàn),LSTM模型在面對不同區(qū)域及長時間跨度下時空特征數(shù)據(jù)具有優(yōu)于TCN的穩(wěn)定性,但是也不難看出,在部分數(shù)據(jù)密度較大時間段內(nèi),模型預(yù)測趨勢波動也較大,分析原因是LSTM模型門控結(jié)構(gòu)雖然能支持低維度下更長時間跨度的數(shù)據(jù)記憶,但是不具備類似因果卷積與擴張卷積在數(shù)據(jù)特征上的強泛化能力。從圖10a和圖11a可發(fā)現(xiàn),面對復(fù)雜多變情況下,本文提出的TCN_LSTM模型在數(shù)據(jù)特征泛化能力、長跨度下數(shù)據(jù)記憶能力與不同區(qū)域下預(yù)測模型穩(wěn)定性都優(yōu)于單一的TCN與LSTM模型,由圖中可看出在東谷水文站及社上水文站預(yù)測曲線一定程度上能近似地耦合真實徑流曲線變化趨勢,較單一的TCN與LSTM模型預(yù)測曲線精度有明顯提升,基本能對高頻率、大振幅、復(fù)雜地域下的數(shù)據(jù)集有更加友好的預(yù)測表現(xiàn)。

        (2)觀察圖11a、圖11c~圖11e和圖12a、圖12c~圖12e,可以看出改進后的預(yù)測模型比常用的RNN模型、LSTM模型、GRU模型精確度更高。觀察圖11d和圖12d可發(fā)現(xiàn)RNN模型在波動頻率較為密集的周期內(nèi)擬合效果較差,分析其原因為RNN循環(huán)單元按鏈?zhǔn)芥溄?,序列輸出為多層遞歸的結(jié)果,前部序列信息在傳遞到后部時,信息權(quán)重下降,信息丟失,造成RNN預(yù)測結(jié)果在后續(xù)階段波動變化大,結(jié)果不準(zhǔn)確。GRU模型為LSTM模型的變種,故可同時觀察研究圖11c、圖11d和圖12c、圖12d由圖中可發(fā)現(xiàn)LSTM模型擬合度較GRU表現(xiàn)更好,對比兩者結(jié)構(gòu)與常用場景可發(fā)現(xiàn)GRU為達到簡化模型目的,將忘記門與輸入門合成為單一更新門使得參數(shù)量較LSTM減少至少三分之一,大大地加快了訓(xùn)練,也導(dǎo)致模型收斂更快,訓(xùn)練過程中對于時空特征精細化抽取較LSTM難以提升效率,表現(xiàn)為在數(shù)據(jù)震蕩密集復(fù)雜的時間段精確度有明顯下降,即犧牲精度換取速度。面對本文復(fù)雜多變的時空特征情況,GRU模型擬合度不如LSTM。

        (3)觀察圖11a、圖11f和圖12 a、圖12f,SVM模型實驗結(jié)果表明,單SVM模型對于模型擬合程度欠佳,分析原因為當(dāng)樣本量、樣本特征維度提高,SVM模型自身結(jié)構(gòu)限制了計算效率與計算準(zhǔn)確度,也表明了隨著現(xiàn)實情況復(fù)雜度上升,純數(shù)學(xué)模型或機器學(xué)習(xí)算法作為主要支撐的預(yù)測模型難以滿足現(xiàn)實需求。

        (4)觀察圖11a、圖11g、圖11h和圖12a、圖12g、圖12h,人工神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)相較于實驗中其他常用時間序列處理的對比模型結(jié)構(gòu)上更為簡單,計算時間響應(yīng)上也更為快速,但從圖中對比可發(fā)現(xiàn),同等數(shù)據(jù)量下,ANN模型與BP模型在結(jié)果集上精確度較低。觀察圖11g和圖12g可發(fā)現(xiàn),ANN模型整體趨勢上與實測曲線大體擬合,但對于精度值存在誤差較大,究其原因是模型學(xué)習(xí)體量需求巨大,現(xiàn)有數(shù)據(jù)集無法滿足該模型學(xué)習(xí)能力,并且現(xiàn)有模型結(jié)構(gòu)導(dǎo)致其無法有效降低本文數(shù)據(jù)集存在的噪聲影響,仍需花費未可估計的時間與精力去評估與測試ANN模型超參數(shù)集與模型結(jié)構(gòu),整體來說不適用于本文情況。觀察圖11h和圖12h可發(fā)現(xiàn),本文選取的單隱藏層結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)表現(xiàn)擬合度欠佳,與實測曲線相差較大,分析原因為其結(jié)構(gòu)體量相較于其他模型過于簡單,對于多維時空數(shù)據(jù)特征處理能力較弱。模型本身對于超參數(shù)與結(jié)構(gòu)的調(diào)整上限較其他模型更低,預(yù)測穩(wěn)定性也處于較低狀態(tài),且與ANN模型同樣需要耗費更多的精力與時間來進行模型調(diào)整。反觀圖11a和圖12a曲線大致擬合情況與表3中標(biāo)準(zhǔn)差的實驗結(jié)果相符合,說明改進TCN_LSTM模型能夠充分利用時間卷積網(wǎng)絡(luò)與長短時記憶網(wǎng)絡(luò)的各個優(yōu)點,針對長時數(shù)據(jù)有更加有效的處理,以及更優(yōu)良的多源數(shù)據(jù)高階特征提取操作,充分優(yōu)化整體模型網(wǎng)絡(luò)結(jié)構(gòu),避免梯度爆炸、消失造成的結(jié)果失真,整體模型優(yōu)于改進前的單個模型效果,更加符合流域?qū)嶋H的產(chǎn)匯流情況,滿足實際生產(chǎn)應(yīng)用需要。

        4 結(jié)束語

        本文基于改進TCN和LSTM模型建立了月徑流量水文預(yù)測模型TCN_LSTM,支持多源水文、氣象數(shù)據(jù)輸入,并以贛江二級支流瀘水河上社上水文站與東谷水文站作為研究區(qū)域進行改進模型的徑流預(yù)測效果研究,為該流域水文徑流模擬提供了一種有效的研究思路,具有理論意義與實用價值。本文研究得出如下結(jié)論:

        (1)本文改進后的耦合水文徑流預(yù)測模型在均方根誤差、平均絕對值誤差及納什系數(shù)上平均值分別為32.88、26.63和0.97,精度相較于常用單一神經(jīng)網(wǎng)絡(luò)模型如RNN、LSTM、TCN、ANN模型都有顯著提高,且有更低的損失值。表明該模型在該流域的產(chǎn)匯流擬合情況極佳,能很好適應(yīng)該支流的水文預(yù)測情況。

        (2)改進后的耦合水文模型在水文數(shù)據(jù)變化頻率快、振幅大上的表現(xiàn)相較于其他模型更優(yōu),從實驗結(jié)果中可看出,改進模型能有效利用更長時間跨度的多源水文數(shù)據(jù),同時提取高階特征與利用低階特征進行預(yù)測,預(yù)測結(jié)果基本符合水文預(yù)報規(guī)范規(guī)定,也更加擬合實測數(shù)據(jù)集。

        本研究仍存在可深入研究空間,未來可從如下方面進一步開展:

        (1)本文研究對象的局限性問題 考慮到瀘水河流域相關(guān)氣候研究較成熟,徑流過程季節(jié)性趨勢較明顯,水文數(shù)據(jù)完備,故以此為分析對象,導(dǎo)致研究場景未覆蓋其他具備不同徑流過程和氣候特性的流域。在未來研究中可以此為方向進行本文模型的魯棒性驗證,擴展模型所能處理的流域類型范圍,推動模型的完善。

        (2)研究場景的可深入挖掘性 無法否定的是徑流過程是一個綜合各方面因素的復(fù)雜形成過程,隨著自然環(huán)境中人為因素的影響加深,未來不能僅僅從歷史顯性水文影響因子上進行研究,更應(yīng)該深入分析挖掘隱性因素,探尋整體徑流過程中的內(nèi)在規(guī)律,提升預(yù)測精度。

        猜你喜歡
        水文徑流卷積
        2022年《中國水文年報》發(fā)布
        基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
        水文
        水文水資源管理
        從濾波器理解卷積
        電子制作(2019年11期)2019-07-04 00:34:38
        基于傅里葉域卷積表示的目標(biāo)跟蹤算法
        水文
        Topmodel在布哈河流域徑流模擬中的應(yīng)用
        探秘“大徑流”
        攻克“大徑流”
        日日碰狠狠添天天爽超碰97| 亚洲国产av一区二区三区天堂| 日韩性爱视频| 久久久亚洲免费视频网| а√天堂8资源中文在线| 久久久久久久久久久国产| 国产成人亚洲精品电影| 久久老熟女乱色一区二区| 黄色潮片三级三级三级免费| 国产精品无码一区二区三级 | 白白色免费视频一区二区在线| 后入内射国产一区二区| 无遮无挡爽爽免费视频| 久久精品国产亚洲av大全相关| 午夜日韩视频在线观看| 国产情侣亚洲自拍第一页| 国产永久免费高清在线| 国产成人国产在线观看入口| 亚洲av粉嫩性色av| 亚洲最大中文字幕熟女| 高潮迭起av乳颜射后入| 亚洲av日韩aⅴ无码电影| 日本加勒比一道本东京热| 天天综合网网欲色| 国产无遮挡又黄又爽在线视频| 国产精品98福利小视频| 激情都市亚洲一区二区| 山外人精品影院| 亚洲一区欧美二区| 免费一区二区三区av| 蜜桃视频在线看一区二区三区| 激情综合色五月丁香六月亚洲| 人妻av一区二区三区av免费| 人日本中文字幕免费精品| 精品乱码一区内射人妻无码 | 国产女奸网站在线观看| 一区二区精品天堂亚洲av | 性生交大全免费看| 白白色免费视频一区二区| 国产激情一区二区三区不卡av| 国内精品伊人久久久久网站|