基于EEMD-SE-LSTM 组合模型的开都河日径流模拟研究

摘要

为提高开都河日径流模拟的精度和更科学地进行开都河水资源的管理与规划，在集成经验模态分解（EEMD）的基础上进行样本熵（SE）重构来完成长短期记忆网络（LSTM）组合模型的构建。采用集成经验模态分解提取开都河日径流序列中具有物理含义的信息，得到一系列本征模态分量（IMF）及一个趋势项（Res）,计算每个分量的样本熵，复杂程度接近的子序列叠加为新序列，建立长短期记忆神经网络模型进行预测，叠加得到最终模拟值。结果表明：EEMD-SE-LSTM组合模型日径流模拟的精度得到提高，其确定系数R²=0.81、纳什效率系数NSE=0.73,均高于LSTM模型的R²=0.73、NSE=0.52和EEMD-LSTM模型的R²=0.64、NSE=0.63;EEMD-SE-LSTM组合模型的日径流模拟准确性更高，其评价指标（R²=0.81、NSE=0.73）高于其他单一模型SVM（R²=0.70、NSE=0.58）。EEMD-SE-LSTM组合模型提高了日径流模拟精度，可以更好地为开都河水资源管理与规划提供科学依据。

关键词

集成经验模态分解 / 样本熵 / 长短期记忆网络 / 组合模型 / 日径流模拟