呂海峰 冀肖榆 丁勇

摘要：

準確的水位和水量等水文時間序列預測是水資源管理的重要依據(jù)。受上游支流流量、水位等因素影響，傳統(tǒng)的單因素水位預測模型不能有效考慮眾多因素，水位預測精度面臨嚴峻挑戰(zhàn)。以典型西江干線梧州站水位精準預測為研究對象，建立了基于splice-LSTM的多因素水位預測模型，采用拼接的長短期記憶網(wǎng)絡（LSTM）和全連接線性模型（Linear），對2020～2021年西江干線多站點的流量數(shù)據(jù)進行分析，預測梧州站點的水位。研究結(jié)果表明：① 由于splice-LSTM中引入了非線性層，提高了近期歷史輸入數(shù)據(jù)的權重，使得模型預測值更加接近歷史真實值，降低了預測誤差，Linear部分可以提高模型對于線性成分的敏感性，使得模型在水位峰值處的預測更加準確；② splice-LSTM模型與傳統(tǒng)單因素的ARIMA模型、LSTM模型相比，在水位預測方面準確度分別提升14.4%，10.1%。研究成果可為西江船閘運行調(diào)度中心精準預調(diào)度船舶提供參考。

關 鍵 詞：

水位預測； 船閘調(diào)度； splice-LSTM模型； 西江流域

中圖法分類號： TV698.1

文獻標志碼： A

DOI：10.16232/j.cnki.1001-4179.2023.07.012

0 引 言

精準的水位預測對于江河流域安全及水資源的合理調(diào)度具有重要意義?？紤]到江河水位存在波動性、季節(jié)性等眾多特點，且影響水位的因素較多，如各個上游支流的流量、潮汐和降雨量等，多因素作用使得水位規(guī)律難以預判，水位精準預測的難度大大提升。隨著大數(shù)據(jù)、人工智能等技術的快速發(fā)展，對于水位長時段預測問題，國內(nèi)外眾多水文學者利用機器學習、數(shù)據(jù)挖掘以及深度學習方法［1-2］，研究改進現(xiàn)有水位預測方法和模型，提出了一系列可行的預測模型。對于該領域，學者們主要從兩方面進行研究：一方面是水位預測模型構(gòu)建的時間序列、機器學習、深度學習算法；另一方面是用于提升模型泛化能力的特征抽取算法及模型，且在水位預測方面，學者們的研究方法主要側(cè)重于傳統(tǒng)的單因素時間序列處理，即只考慮將水位作為輸入變量。目前，國內(nèi)外主要基于以下幾種時間序列學習算法進行水位預測領域的模型研究。

一種是應用十分廣泛的時間序列預測模型——基于差分自回歸移動平均模型（Autoregressive Integrated Moving Average model，ARIMA）［3］時間序列的水位預測。其核心為非平穩(wěn)時間序列向平穩(wěn)時間序列轉(zhuǎn)變，接著以因變量對其誤差隨機項和滯后值建立回歸模型。King等［4］在2017年提出改進的ARIMA模型，以預測美國新墨西哥州海洛因水庫月流量，Pearson系數(shù)高達0.968。余珍［5］在2018年采用ARIMA模型對漢口、監(jiān)利、安慶站歷史水位時間序列進行預測分析，逐日平均水位的預測與觀測值擬合程度較高，但是汛期水位頻繁劇烈的波動在一定程度上會降低預測精度。

另一種是基于神經(jīng)網(wǎng)絡模型的水位預測。常用的神經(jīng)網(wǎng)絡水位預測模型包括：遞歸神經(jīng)網(wǎng)絡（Recurrent Neural Networks，RNN）、卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks，CNN）和人工神經(jīng)網(wǎng)絡（Artificial Neural Networks，ANN）。其中ANN也被稱為前饋神經(jīng)網(wǎng)絡，一般由輸入層、隱藏層和輸出層構(gòu)成，是一個多數(shù)神經(jīng)元互相連接構(gòu)成且具有適應性的運算模型。每一層由多個激活函數(shù)組成的神經(jīng)元構(gòu)成，神經(jīng)元間的連接包括對當前信號輸出的權重。ANN可以學習非線性函數(shù)，但容易丟失空間特征。Deo等［6］在2017年利用ANN構(gòu)建了澳大利亞新南威爾士州達令河月平均水位預測模型，預測效果較好，均方根誤差（RMSE）約為0.49 m。許國艷等［7］將CNN應用于水位時間序列模型的預測，取得了RMSE為0.028、預報準確率為91%的理想預測結(jié)果。劉青松等［8］在2020年提出基于AR-RNN多變量模型，對四川省清溪河流域的水位進行預測，實現(xiàn)了較低相對誤差的預測效果。LSTM［9］是RNN的一個變種，它通過增加門控機制來緩解RNN梯度消失或爆炸的問題，門控的值可以決定信息的丟失或保留，使得LSTM可以真正有效地學習長距離的時序信息。目前基于LSTM 模型的時間序列預測已經(jīng)得到廣泛應用，如馮銳［10］在2019年基于LSTM模型構(gòu)建九龍江流域單站點水位預測模型及三水位站聯(lián)動預測模型，對長江沿線水位進行預測，取得較好的效果。LSTM遺忘門結(jié)構(gòu)能夠保留或丟失過去的順序信息，用來預測時間序列數(shù)據(jù)較為合適。因此，本文采用Kulisz等［11］提出的擴展多個隱藏層的LSTM結(jié)構(gòu)，根據(jù)歷史數(shù)據(jù)來進行水位預測研究。

盡管基于數(shù)據(jù)驅(qū)動的神經(jīng)網(wǎng)絡，尤其是RNN模型的水位預測模型取得了較好效果。然而水位預測并不是與所有輸入數(shù)據(jù)呈現(xiàn)正相關，不相關的數(shù)據(jù)容易成為影響水位預測的干擾因素。由此可見，基于純數(shù)據(jù)驅(qū)動的水位預測存在下列局限：① 水位受上游支流、周邊雨量、潮汐等因素的影響，這些長期的歷史數(shù)據(jù)驅(qū)動模型難以保存，導致預測達不到預期效果；② 數(shù)據(jù)驅(qū)動模型預測效果隨著預測步長增加而急劇降低。

鑒于上述模型存在的不足，本文在傳統(tǒng)的單因素水位預測基礎之上，以西江流域梧州站水位預測為例，引入上游支流的流量、水位等多因素進行水位預測，提出了一種基于splice-LSTM的多因素水位預測模型，并根據(jù)實驗確定較優(yōu)預測時間間隔，利用均方根誤差（RMSE）、Pearson相關系數(shù)平方（R2）和Nash-Sutcliffe 效率系數(shù)（NSE）等評價指標確定較優(yōu)模型參數(shù)。

1 研究區(qū)域與方法

1.1 研究區(qū)概況

西江，古稱郁水、浪水和牂牁江，是珠江干流，東連粵港澳，西接云貴，貫穿廣西［12］。發(fā)源地為云南省曲靖市烏蒙山余脈馬雄山東麓，貫穿粵、桂、黔、滇等4個省（區(qū)），至廣東省三水思賢滘與北江、東江匯集，融匯珠江三角洲多條河，經(jīng)過磨刀門流入南海。珠江-西江流域徑流量和水運量處在全國第2位，僅次于長江。2014年珠江-西江經(jīng)濟帶發(fā)展規(guī)劃的批復標志著西江黃金水道上升為國家戰(zhàn)略。西江干流在廣西境內(nèi)的內(nèi)河航道以梧州為總匯，梧州是西江黃金水道的龍頭城市，也是西江水情、航運數(shù)據(jù)的主要測量點和匯聚點。

西江全流域有600多個水文站監(jiān)測實時數(shù)據(jù)（流量、水位），部分水文站位置如圖1所示。本次研究以緩解西江船舶［13］滯航的問題為目的，預測船舶在枯水期及汛期適合通航的水位點。對西江流域梧州站點水位數(shù)據(jù)進行采集后，構(gòu)建基于splice-LSTM的水位預測模型進行梧州站單站點的水位預測。為更好地保障船舶正常安全通航，應設計更為精準的水位預測方法。

1.2 評價指標與原始數(shù)據(jù)

1.2.1 評價指標

為了檢驗模型有效性，本文利用西江干線梧州站點2020～2021年的流量和水位數(shù)據(jù)進行實驗。模型評價指標選取Pearson相關系數(shù)平方R2、均方根誤差RMSE和Nash-Sutcliffe效率系數(shù)NSE［14］進行衡量。

1.3 數(shù)據(jù)預處理

考慮到有些傳感器不能正常工作，原始數(shù)據(jù)里可能存在異常值和缺失值。假如把帶有異?；蛉笔е档脑紨?shù)據(jù)作為模型輸入，可能會降低模型的擬合效果。實驗中對異常值和缺失值的處理均采用插補法進行填充，具體做法是對缺失值或者異常值所處的時刻t最近n個時刻數(shù)據(jù)（xt-n，xt-n+1，…，xt-1）求均值填充。考慮到處理后的數(shù)據(jù)不同因素的單位不一樣（比如單位為m3 /s的流量，單位為m的水位），數(shù)據(jù)的大小也不一致，需要將各個因素的值進行歸一化處理［15］。歸一化后的數(shù)據(jù)有助于模型更好發(fā)現(xiàn)每個因素之間的聯(lián)系，提高模型訓練的收斂速度，減少模型的訓練時間。歸一化數(shù)據(jù)的表達式如下。

x*=x-xminxmax-xmin（4）

式中：xmax表示輸入數(shù)據(jù)的最大值；xmin表示輸入數(shù)據(jù)的最小值。歸一化后每個樣本數(shù)據(jù)的范圍在［0，1］之間，每個因素的趨勢如圖3所示。

1.4 研究方法

一個有效的對多因素進行建模的水位預測模型，對提升水位預測效果至關重要［16］?？紤]到水位的長短期模式，圖4展示了基于splice-LSTM的多因素水位預測模型的框架。

1.4.1 模型原理

由模型框架圖可知，splice-LSTM模型由輸入層、LSTM層、全連接層和輸出層構(gòu)成，除了全連接層數(shù)為2之外，其余層數(shù)均為1。預測的輸入由當前預測時間節(jié)點t+i往前推t時刻的歷史輸入數(shù)據(jù)x1，x2，…，xt在基于LSTM層的非線性單元和全連接層的線性單元共同決定。該架構(gòu)不僅能有效解決水文序列間復雜非線性依賴的問題，而且能夠大大降低非線性層帶來的線性元素敏感性。其具體步驟為：

① 首先，將由當前預測時間節(jié)點t+i往前推t時刻的歷史輸入數(shù)據(jù)x1，x2，…，xt作為輸入層。其中t表示神經(jīng)單元步長，即當前預測值依賴前t個時刻的輸入，i表示預測間隔，即預測未來第i個時刻的水位值。

② 然后，為了提高近期歷史輸入數(shù)據(jù)的權重，降低預測誤差，LSTM層對不同時刻的輸入分別編碼t次，并對每一次最后時刻的狀態(tài)進行拼接，分別得到t個維度為［（batch_size，t，1），（batch_size，t-1，1），…，（batch_size，1，1）］的隱藏狀態(tài)，對這t個隱藏狀態(tài)按dim=1進行拼接，以圖4所示中的表示。

③ 接著將LSTM層的輸出結(jié)果（batch_size，1+2+…+t，1）經(jīng)過降維后輸入至由兩個線性函數(shù)FFN1和FFN2組成的全連接層，得到預測當前時刻水位預測值，輸出維度為（batch_size，1）。

下面簡單闡述非線性層的LSTM網(wǎng)絡結(jié)構(gòu)。

LSTM在RNN結(jié)構(gòu)上有遺忘門（Forget Gate）、輸入門（Input Gate）和輸出門（Output Gate）3個門控機制，互相連接的具體結(jié)構(gòu)如圖5所示。經(jīng)過設置神經(jīng)網(wǎng)絡的記憶單元和別的連接末尾處的系數(shù)控制信息流的細胞單元（Memory cell）、輸出和輸入狀態(tài)。

在當前時刻t，由多個神經(jīng)元組成輸入數(shù)據(jù)xt；在前一時刻t-1，隱狀態(tài)ht-1包含多個神經(jīng)元；xt先后經(jīng)過遺忘門、輸入門和輸出門。

遺忘門：控制上一時刻記憶單元的信息是否保留到當前時刻記憶單元，記為ft，公式如下。

ft=σWfxt+Ufht－1+bf（5）

式中：Wf和Uf分別為當前t時刻輸入數(shù)據(jù)xt和前一時刻t-1隱狀態(tài)ht-1相關權重系數(shù)；bf為偏置項；σ為sigmoid激活函數(shù)。

輸入門：決定當前時刻輸入信息能否進入記憶單元的過程稱為輸入門，記為it。輸入數(shù)據(jù)與輸入門兩類特征源的混合的來源公式如下。

it=σWixt+Uiht－1+bi（6）

Ct～=tanhWcxt+Ucht－1+bc（7）

式中：Wi，Ui，Wc和Uc分別表示其對應門控的循環(huán)連接權值；tanh為雙曲正切激活函數(shù)；Ct～為t時刻臨時的cell，它來源于當前的輸入xt及上一時刻的隱狀態(tài)ht-1；bc為偏置項。xt和ht-1都有對應的權重，通過一個非線性tanh函數(shù)，得到一個［-1，1］之間的數(shù)值向量。

神經(jīng)元細胞狀態(tài)即cell單元，具有重置、讀取、保存及更新LSTM單元長距離依賴關系的功能，以ct表示。通過變量ft，it，Ct～組合成公式（8），ct是通過遺忘門和輸入門來進行控制的。遺忘門ft控制之前需遺忘多少，則輸入門cell控制當前臨時cell有多少要存儲到這條主線上。

ct=ftct－1itCt～（8）

式中：表示矩陣點積運算，表示矩陣點和運算。

輸出門：決定當前時刻內(nèi)存細胞單元能否進入當前隱藏狀態(tài)ht，用ot表示，公式為

ot=σWoxt+Uoht－1+bo（9）

式中：Wo，Uo分別為當前t時刻輸入數(shù)據(jù)xt和前一時刻t-1隱狀態(tài)ht-1相關權重系數(shù)；bo為偏置項。最后當前cell信息經(jīng)過一個非線性tanh函數(shù)得到［-1，1］的向量，將該向量與輸出門相乘，就得到了最終當前t時刻的隱狀態(tài)輸出ht，公式為

ht=ottanh（ct）（10）

隱藏層cell結(jié)構(gòu)如圖6所示。

神經(jīng)網(wǎng)絡LSTM模型訓練流程包括：把時刻t的嵌入特征送至輸入層，通過sigmoid激活函數(shù)獲取輸出；再把時刻t-1細胞單元保存的數(shù)據(jù)、t-1時刻的隱藏層輸出和激活函數(shù)輸出輸入LSTM神經(jīng)元，經(jīng)過上述3個門控機制及細胞單元的計算，輸出結(jié)果到輸出層或下一個隱藏層，將LSTM神經(jīng)元結(jié)果傳遞到輸出層神經(jīng)元，接著通過輸入數(shù)據(jù)真實值與輸出層的預測值計算反向傳播誤差，以此來更新每一個權重參數(shù)。有了這種門控機制，模型不用記憶過去所有的信息，只用記住它認為有用的信息，同時有用的信息可以直接傳遞到后續(xù)記憶單元，緩解了模型訓練過程中的梯度消失與梯度爆炸問題。

splice-LSTM與傳統(tǒng)LSTM模型相比，對輸入層不同時刻的歷史輸入數(shù)據(jù)進行多次編碼，并對編碼結(jié)果進行拼接作為下一全連接層的輸入。一方面提高了近期歷史輸入數(shù)據(jù)對計算下一時刻水位值的貢獻度；另一方面編碼多次進行拼接，增加了模型LSTM層的權重參數(shù)，使得模型能夠捕獲更多的特征，從而使得模型具有更好的學習能力和預測效果。

1.4.2 模型的輸入與輸出

splice-LSTM模型可接收多因素（多個上游支流流量及待預測站點的流量及水位）的輸入，輸出單因素的水位預測結(jié)果。本文以西江流域梧州站點水位預測為對象，以上游支流對應站點長洲、京南、大藤峽、桂平等站點的流量和梧州站點水位歷史值為輸入，梧州站點未來第i個時刻水位的預測值為輸出。此外多因素輸入還包括長短期記憶網(wǎng)絡LSTM的神經(jīng)單元步長t和預測間隔i。本文采用西江流域京南、長洲、大藤峽、桂平站點的小時出庫流量以及梧州站點小時水位數(shù)據(jù)進行預測?，F(xiàn)階段的模型暫時沒有考慮降雨影響因子，主要原因是未能有效采集降雨量數(shù)據(jù)，下一步將研究如何獲取降雨量數(shù)據(jù)優(yōu)化模型。盡管沒有降雨的數(shù)據(jù)，但在遇到降雨天氣時模型表現(xiàn)尚可，因為發(fā)生區(qū)間降雨時，當?shù)卣军c的實時流量會如實反映，對目標站點的水位預測也會隨之產(chǎn)生變化。本文提出的splice-LSTM預測模型中使用單元步長大小為30，預測時間間隔為12 h，即用過去30 h的各站點流量、梧州站點水位值來預測未來第12個小時梧州站點的水位值。這兩個數(shù)值并非一成不變，而是可調(diào)整的超參數(shù)。一般情況下，預見期越短，預測精度越高，但不能一味追求過高的預測精度選擇最小的預見期，這樣的預測對于航運的指導意義不大，但也不能把預見期一味調(diào)高，否則將會導致預測精度急劇下降，預測的指導意義也不大。此外，盡管梧州站點時間距離較遠的京南站點有10 h，但對預測模型而言，只需要接收相同時刻的輸入數(shù)據(jù)，時間的延遲和數(shù)據(jù)平滑可通過模型在訓練過程中學習，不需要人為干預。因此本文通過實驗采用較合理的12 h預見期，同時根據(jù)西江開發(fā)投資集團有限公司船閘管理部相關專家的建議，在枯水期12 h預見期能夠滿足一般的航運需求。

1.4.3 模型訓練

由于本文的預測模型是基于深度神經(jīng)網(wǎng)絡進行構(gòu)建，故可運用Keras、Pytorch和Tensorflow等主流的深度學習框架進行構(gòu)建。本次實驗使用Linux操作系統(tǒng)Ubuntu20.04，Python版本為3.6.5，keras 2.2.4 以及Tensorflow 1.4.1版本深度學習框架構(gòu)建和訓練所提出的基于splice-LSTM多因素水位預測模型。開發(fā)者只需將定義好的網(wǎng)絡結(jié)構(gòu)進行組合，調(diào)用Keras框架提供的損失函數(shù)、激活函數(shù)及優(yōu)化器，輸入訓練數(shù)據(jù)，調(diào)用其訓練接口完成訓練。為了進一步提升模型最終預測效果，模型的超參數(shù)設置也是至關重要的，比如LSTM隱藏層數(shù)、網(wǎng)絡神經(jīng)元大小、學習率learning rate、損失函數(shù)loss等參數(shù)設置。splice-LSTM模型的超參數(shù)設置如表3所列。

模型的隱藏層是由30個單向單層且神經(jīng)元數(shù)量等于1的 LSTM網(wǎng)絡組成，以提高模型預測效果，降低預測誤差。

2 結(jié)果分析

2.1 預測值與實際值對比

為了驗證模型的預測效果，本文對2021年12月1日24 h水位進行樣本預測（見表4），這里的預測間隔設置為12 h，即分別預測兩次12 h的水位值進行匯總。從表4預測結(jié)果可知，預測值與實際值不管是絕對誤差，還是相對誤差，均比較小，平均相對誤差僅為2.06%，最大相對誤差為4.00%，最大絕對誤差僅為0.113 2 m，預測效果對西江船閘運行調(diào)度中心精準預調(diào)度船舶具有重要指導價值。目前，梧州站水位預測實際預報精度基本保持在90%左右，基本達到實用精度，個別時刻預測誤差超過10%，一般是由于站點根據(jù)發(fā)電計劃進行發(fā)電放水導致的預測誤差較大。

2.2 splice-LSTM與其他模型比較

為了提高所提出模型性能說服力，實驗將80%原始數(shù)據(jù)集作為訓練集，20%作為測試集，對比單因素ARIMA 模型、傳統(tǒng)單因素LSTM模型、傳統(tǒng)多因素LSTM模型與多因素splice-LSTM模型實驗結(jié)果。單因素模型是只考慮因變量數(shù)據(jù)的時間序列預測模型，是根據(jù)歷史一段時間內(nèi)的因變量數(shù)據(jù)預測未來n個時刻的趨勢，無須考慮其他相關影響因子，盡管在較長預見期下預測效果不理想，但仍然可以作為時間序列預測問題的基線，具有典型的參考意義。對比模型在測試集上的表現(xiàn)如表5所列，其中預測間隔為12 h。從表5可知，多因素splice-LSTM 模型分別比ARIMA、傳統(tǒng)單因素LSTM、多因素LSTM模型的NSE提升0.147，0.113和0.050。在評價指標R2中，splice-LSTM 分別比ARIMA、傳統(tǒng)單因素LSTM、多因素LSTM模型提升0.144，0.1010和0.049。在評價指標RMSE中，splice-LSTM 模型分別比ARIMA、傳統(tǒng)單因素LSTM、多因素LSTM降低了41.3%，24.5%，14.3%。

實驗結(jié)果表明，多因素splice-LSTM 水位預測模型的記憶遺忘能力能夠較好預測非線性時間序列數(shù)據(jù)，對西江干線水位的預測效果較好。每個模型在測試集數(shù)據(jù)的擬合情況如圖7所示。

2.3 splice-LSTM模型在不同預測間隔測試集上的表現(xiàn)

理論上預測間隔越小，預測水位值就越精準，但不能為了追求高精準率選擇最小預測間隔，而忽略實際指導意義。為了確定所提出模型的較優(yōu)預測間隔，本文對多個不同預測間隔在測試集上進行驗證，測試結(jié)果如表6所列。

從表6可知，盡管預測間隔為6 h的表現(xiàn)最優(yōu)，但預測間隔為12 h的精度與6 h的差異不大，考慮到水位預測的實際指導價值，在效果下降不明顯的情況下，越長預測間隔，越具備競爭力和指導價值，因此，最終選擇較優(yōu)預測間隔為12 h。

3 結(jié) 論

本文在傳統(tǒng)的單因素水位預測模型的基礎上，提出了一種基于splice-LSTM的多因素水位預測模型，并將其運用在西江干線梧州站的水位預測中，通過對比其他模型的水位預測效果，驗證了基于splice-LSTM的模型具有更高的預測精度。

（1） 傳統(tǒng)的單因素預測模型，如ARIMA模型和傳統(tǒng)LSTM只考慮歷史水位的因素，僅僅能夠預測水位值的一般趨勢。splice-LSTM模型則考慮了影響水位的因素，例如上游支流的流量和歷史的水位，在細微處的預測效果明顯比上述的單因素模型好，且模型的泛化能力更強。

（2） 相對于傳統(tǒng)多因素LSTM模型，splice-LSTM模型通過堆疊多個LSTM模型，增加近期歷史輸入數(shù)據(jù)的權重，使得模型預測更加接近歷史真實值，降低了預測誤差。準確預測西江河流水位水量，對西江船閘運行調(diào)度中心精準預調(diào)度船舶具有重要意義。

參考文獻：

［1］ 武連洲，白濤，哈燕萍，等.水文序列變異對水庫調(diào)度運行的影響研究［J］.水資源與水工程學報，2016，27（4）：88-92.

［2］ 劉曉陽，姚華明，張海榮，等.基于機器學習的三峽水庫小時尺度壩前水位預測［J］.人民長江，2023，54（2）：147-151.

［3］ 次必聰，張品一.基于ARIMA-LSTM模型的金融時間序列預測［J］.統(tǒng)計與決策，2022，38（11）：145-149.

［4］ SABZI H Z，KING J P，ABUDU S.Developing an intelligent expert system for streamflow prediction，integrated in a dynamic decision support system for managing multiple reservoirs：a case study［J］.Expert Systems with Applications，2017，83：145-163.

［5］ 余珍.基于時間序列分析的航道水位預測研宄［J］.中國水運（月），2018，18（10）：148-150.

［6］ DEO R C，KISI O，SINGH V P.Drought forecasting in eastern Australia using multivariate adaptive regression spline，least square support vector machine and M5Tree model［J］.Atmospheric Research，2017，184：149-175.

［7］ 許國艷，朱進，司存友，等.基于CNN和MC的水文時間序列預測組合模型［J］.計算機與現(xiàn)代化，2019（11）：23-28，33.

［8］ 劉青松，嚴華，盧文龍.基于AR-RNN的多變量水位預測模型研究［J］.人民長江，2020，51（10）：94-99.

［9］ 徐楊，劉亞新，汪濤，等.基于LSTM的三峽水庫短期上游水位預測方法研究［J］.水利水電快報，2022，43（10）：13-18.

［10］ 馮銳.基于LSTM模型的九龍江流域徑流序列預測研究［D］.西安：長安大學，2019.

［11］ KULISZ M，KUJAWSKA J，PRZYSUCHA B，et al.Forecasting water quality index in groundwater using Artificial Neural Network［J］.Energies，2021，14（18）：1-16.

［12］ 劉興坡，陳翔，胡小婷，等.基于正交極差分析的青龍河流域 HSPF模型參數(shù)尋優(yōu)模式［J］.哈爾濱工業(yè)大學學報，2018，50（2）：131-138.

［13］ 張冬梅，李金平，李江，等.基于門控權重單元的多變量時間序列預測［J］.湖南大學學報（自然科學版），2021，48（10）：105-112.

［14］ 李冠城，侯敏馳，李梓君，等.珠江流域“十三五”水污染防治成效與經(jīng)驗［J］.環(huán)境保護，2021，49（19）：9-13.

［15］ 國家市場監(jiān)督管理總局，中國國家標準化管理委員會.內(nèi)河過閘運輸船舶標準船型主尺度系列第3部分：西江航運干線GB 38030.3-2019［S］.北京：中國標準出版社，2019.

［16］ 王萍，程冰，孫金領.基于ARIMA的新城疫風險預測模型［J］.青島農(nóng)業(yè)大學學報（自然科學版），2016，33（1）：68-71.

（編輯：謝玲嫻）

Research on Xijiang River water level prediction model of multi-factor based on splice-LSTM

LYU Haifeng1，2，JI Xiaoyu1，2，DING Yong3

（1.Guangxi Key Laboratory of Machine Vision and Intelligent Control，Wuzhou University，Wuzhou 543002，China； 2.Guangxi Colleges and Universities Key Laboratory of Industry Software Technology，Wuzhou University，Wuzhou 543002，China； 3.School of Computer Science and Information Security，Guilin University of Electronic Technology，Guilin 541004 China）

Abstract：

Accurate hydrologic time series prediction of water level and water volume is an important basis for water resources management and plays an important role in water transfer detection.Affected by factors such as the flow and water level of upstream tributaries，traditional single-factor water level prediction models cannot effectively consider these factors and water level prediction of Xijiang River faces severe challenges.Taking the typical Wuzhou Station on Xijiang River mainstream as the research object，a multi-factor water level prediction model based on splice-LSTM is established.The spliced Long Short-term Memory network（LSTM） and the fully connected linear model（Linear） were used to analyze and predict the flow and water level of the Xijiang River mainstream like Wuzhou station and other stations from 2020 to 2021.Research results show that：①The splice-LSTM can link to a non-linear layer and thus increase the weight of recent historical input data，making the model prediction closer to the historical value and reducing the prediction error.The linear part can improve the sensitivity of the model to linear components and the model to linear components，making the model′s prediction at the water level peak more accurate.②Compared with the traditional single factor ARIMA model and LSTM model，the accuracy of the split-LSTM model in water level prediction has increased by 14.4% and 10.1% respectively.The research results can provide a scientific reference for the precise pre-scheduling of ships by the Xijiang Shiplock Operation and Dispatching Center.

Key words：

water level prediction；shiplock dispatching；splice-LSTM model；Xijiang River basin