基于VMD-LSTM模型的流域径流预报技术

摘要

为进一步提高日径流预测精度，引入变分模态分解（variational mode decomposition,VMD），结合长短时记忆神经网络（long short-term memory,LSTM）构建日径流预测模型（VMD-LSTM），旨在通过信号分解与深度学习技术的协同作用，解决径流数据的非线性和非平稳性问题。选取赛江流域七步站和白塔站2006-2018年的实测日径流数据作为训练集，2019-2021年的实测日径流数据作为测试集，验证模型适用性并比较不同时间步长对模型预测精度影响，并对不同时间步长对模型预测精度的影响进行了系统性比较，以确定最优的时间步长参数，从而进一步提升模型的预测效果。结果显示：分解预测模型（variational mode decomposition-long short-term memory model,VMD-LSTM）预测精度高、误差小；相比于单一LSTM模型，组合模型预测精度可提高70%，且对于峰值谷值的拟合更精确；最佳时间步长配置因水文状况而异（在15 d窗口表现最佳）。这表明VMD-LSTM模型能有效提高预测精度，为日径流预测提供了一条新的途径。

关键词

径流 / 水文模拟 / 机器学习 / LSTM / VMD