基于数据增强神经网络模型的日径流预测

Posted 2021-04-07 CTGUWRI

刊物/日期：
Journal of Hydroinformatics / jh2020017

文案：史虹键

排版：史虹键

校核：丁光旭

基于数据增强神经网络模型的日径流预测

研究背景

准确及时的河流流量预测在水资源规划与管理，风险评估和防洪中起着重要作用。几十年来，已经研究了许多预测模型，它们可分为两类：基于物理过程的模型和数据驱动的模型。 

近年来，机器学习技术因其强大的学习能力和对复杂非线性过程建模的适应性而受到广泛关注。先后开发出各种机器学习模型，例如人工神经网络（ANN），自适应神经模糊推理系统（ANFIS），遗传编程（GP）和支持向量机（SVM）等，尽管人工神经网络模型取得了成功，但这些预测方法并没有考虑到实际水文数据的趋势性、周期性和随机性。

于是，为解决这些问题，又开发出长短期记忆网络（LSTMs）和门控递归网络（GRUs）。

研究方法和目的

本文旨在提出一种用于预测日径流量的基于数据增强的神经网络模型（CAGANet），该模型基本原理是将线性插值与神经网络相结合。

为研究组合神经网络模型对数据增加后的日径流量预报精度，将模型与SVM，LSTM和AM-LSTM进行比较。

CAGAnet模型结构

带入原始数据的评价指标对比

带入第一次线性插值的评价指标对比

带入第二次线性插值的评价指标对比

研究结论

与支持向量机模型，神经网络模型LSTM和 AM-LSTM相比，所提出的CAGANet模型在不使用数据扩充方法的情况下对数据集进行预测时具有较高的预测精度，其NSE可达0.854。鉴于日常水文时间序列的不稳定性，使用线性插值来增强数据的相对稳定性，以进一步提高预测精度。结果表明，在这四个模型中，随着数据稳定性的提高，提出的CAGANet模型与其他三个模型相比，其预测精度更快，更高。因此，基于数据扩充的CAGANet模型可以有效地提高日径流预报的准确性。

原文链接

https://iwaponline.com/jh/article/doi/10.2166/hydro.2020.017/74192/Daily-runoff-forecasting-based-on-data-augmented?searchresult=1

你在看这篇文章吗