基于CNN-BiLSTM的油田注水流量预测

摘要

针对深度学习中的RNN(Recurrent Neural Networks)常用于时间序列预测，但其存在难以对历史序列进行特征提取、以及无法突出关键信息的影响且时间序列过长时早期信息易丢失等问题，提出一种基于双重注意力机制CNN(Convolutional Neural Networks)-BiLSTM(Bi-directional Long Short-Term Memory)的油田注水流量预测方法。该方法以油田历史注水数据为输入，利用CNN层提取历史注水数据特征，并引入特征注意力机制层，通过计算权重值的方式为特征赋予相应权重，使关键特征更容易得到较大权重，进而对预测结果产生影响；BiLSTM层对数据进行时序建模，并引入时间步注意力机制，通过选取关键时间步并突出该时间步的隐藏状态表达，使早期隐藏状态不会随时间消失，能提升模型对长时间序列的预测效果，最后完成流量预测。以公开数据集和中国南部某地区油田注水数据为算例，并与MLP(Multilayer Perceptron)、 GRU(Gate Recurrent Unit)、 LSTM(Long Short-Term Memory)、 BiLSTM、 CNN进行对比，证明该方法在油田注水流量预测中精度更高，可帮助油田制定生产计划、减少资源浪费以及提高注采率，具有一定的实际工程应用价值。

关键词

流量预测 / 卷积神经网络 / 长短期记忆神经网络 / 注意力机制