基于时频分析的LSTM组合模型径流预测

针对变化环境下径流时间序列复杂的非线性、非平稳性特征,为提高中长期径流预测的准确性,运用多种时频分析方法构建组合预报模型以探究适用性.以干旱区典型内陆河玛纳斯河为例,利用经验模态分解(EMD)、变分模态分解(VMD)、离散小波变换(DWT)时频分析方法对径流时间序列进行多尺度分解,得到不同频率和特征的子序列.以前期径流、降水量、气温、大气环流因子等作为长短期记忆神经网络模型(LSTM)的输入变量,采用随机森林法和Pearson相关系数法确定各子序列的最佳预报因子,基于时频分析方法分别构建EMD-LSTM、VMD-LSTM、DWT-LSTM组合预报模型,通过LSTM模型对各子序列进行预测,加和重构获得最终预测结果,并与单一的误差反向传播神经网络(BP)、极限学习机(ELM)、LSTM模型的预测结果进行对比分析.结果表明:组合模型VMD-LSTM预报误差最小、精度最高,纳什系数保持在0.9以上,有效避免了过拟合等问题,其径流极值预测误差在15％以内,对径流总体趋势预测和极值的追踪均有良好效果.研究结果可为流域水资源规划与调度提供参考.