模型工具基于循环神经网络的长时间尺度径流预测方法

Posted 2021-04-26 iUWLab

原文信息

题目：Distributed Long-Term Hourly Runoff Predictions Using Deep Learning – A Case Study for State of Iowa

作者单位：University of Iowa, lowa, America

期刊：Environmental Modelling & Software

时间：2020.6

导读

       长时间的流量预测一直以来都是一个具有挑战性的问题，传统的机器学习方法通常仅能实现短时间的精准预测，本研究利用集总式与分布式相结合的神经网络结构，实现了120小时以上的高精度流量预测，精度超过现有的均值预测、线性回归预测、随机森林等预测方法。

文章简介

       目前，在水系统研究中，使用机器学习和深度学习的模型仅能实现对较短时间内的系统状态进行预测。目前大部分研究中，能实现精准预测的时间段一般在1-24小时，而目前机理模型通常能够实现7天左右的精准预测。因此本研究开发了一套基于循环神经网络的径流预测模型（Neural Runoff Model），从而实现了120小时以上的精准预测。其模型结构如图1，主要由带有记忆单元的GRU神经元组成，利用72小时的历史数据预测未来120小时的系统状态。

图1  NRM神经网络结构

       本研究以美国爱荷华州的流域水系统为案例区域。研究选取了域内125个水文监测站点，进行历史数据及监测站对应区域的降雨数据的收集工作以搭建预测模型。所构建的4类模型包括均值预测模型、线性回归模型、随机森林模型、以及循环神经网络模型。图2对比了上述4类模型在不同监测站点的纳什效率系数。结果表明循环神经网络模型的平均纳什效率系数达到0.69，显著高于其他3类模型。

图2  各监测站点纳什效率系数分布情况

       本研究进一步测试了分布式神经网络的预测效果。分布式循环神经网络是对每个监测站点建立一个独立的神经网络模型，并依据实际的上下游关系形成对应的输入输出结构。图3展示了上述4类方法以及分布式的循环神经网络预测效果的空间分布情况，分布式循环神经网络的预测效果最佳，平均纳什效率系数达到0.74。

       图4展示了某监测水文站的预测时间序列。循环神经网络模型显著优于其他各类模型，但在2018年7月4日的场次降雨仍有50%以上的误差，表明本研究所构建的方法仍有较大的改进空间。

图3  各类方法预测NSE空间分布

图4  典型监测站点预测情况

编者点评

       循环神经网络模型近几年来在水系统领域应用广泛。该模型可根据问题特点构建合适的神经网络结构，这使其成为了一个泛用性极高的方法。此外，本文从总体纳什效率系数对比出发，进一步引出纳什效率系数的空间分布，最后聚焦到典型位点的纳什效率系数。这种对比的思路和分析方法值得此类模型工具工作者学习。

https://www.sciencedirect.com/science/article/pii/S1364815220301900

或点击“阅读原文”查看

城市水系统领域

最新研究动态

UrbanWaterGroup

长按二维码关注