%0 Journal Article
%A 雷庆文
%A 高培强
%A 李建林
%T 时序分解和CNN-LSTM相融合的月径流预报模型
%D 2023
%R 10.11988/ckyyb.20220004
%J 
院报
%P 49-54
%V 40
%N 6
%X 针对常规模型无法充分提取径流序列复杂非线性特征信息的不足,提出一种基于局部加权回归周期趋势分解算法(STL)与卷积神经网络(CNN)和长短时记忆神经网络(LSTM)相融合的月径流预报模型。该模型首先利用STL将径流序列分解为趋势项、季节项和随机波动的余项,分解后的各分量序列输入CNN进行卷积运算和子采样层重采样,CNN输出的特征序列通过LSTM拟合时序关系后由全连接层输出径流预测值。以黑河流域讨赖河基准站的月径流数据为例,对比分析LSTM、STL-CNN、STL-CNN-LSTM三种模型的预测效果,验证结果表明:STL和CNN-LSTM相融合的模型预报误差最小、精度等级最高。该模型相较于直接对原始径流序列进行分析的常规模型,可以较为显著地提高月径流预测的能力。
%U http://ckyyb.crsri.cn/CN/10.11988/ckyyb.20220004