基于边界修正和二次分解的改进月降水LSTM预测方法

TV124; 基于深度学习的降水预测是近年来水文研究的热点.月降水数据为典型的小样本数据,无法满足深度学习对大数据量的需求.为此,融合信号分解和边界修正的思想,提出一种改进的月降水长短期记忆网络(LSTM)预测方法.首先,针对序列分解的"端点效应",采用波形特征匹配延拓法扩展原始序列边界.然后,利用极点对称模态分解(ESMD)和变分模态分解(VMD)对原始序列进行二次分解.ESMD提取月降水序列不同尺度信息,得到频率依次降低的几个模态分量及一个残余分量;切除各子序列中对内部数据"污染"最严重的扩展部分后,VMD进一步对高频分量进行平稳化处理.最后,对各子...

Full description

Saved in:
Bibliographic Details
Published in中国农村水利水电 no. 9; pp. 26 - 34
Main Authors 任硕, 闫加宁, 罗嘉, 韩莹
Format Journal Article
LanguageChinese
Published 南京信息工程大学自动化学院,江苏 南京 210044%湖北省公众气象服务中心,湖北 武汉 430074%南京信息工程大学自动化学院,江苏 南京 210044 15.09.2023
南京信息工程大学 江苏省大气环境与装备技术协同创新中心,江苏 南京 210044
Subjects
极点对称模态分解
长短期记忆网络
extreme-point symmetric mode decomposition
variational mode decomposition
变分模态分解
降水预测
boundary correction
long-term and short-term memory network
precipitation forecast
边界修正
Online AccessGet full text

Cover

More Information
Summary:TV124; 基于深度学习的降水预测是近年来水文研究的热点.月降水数据为典型的小样本数据,无法满足深度学习对大数据量的需求.为此,融合信号分解和边界修正的思想,提出一种改进的月降水长短期记忆网络(LSTM)预测方法.首先,针对序列分解的"端点效应",采用波形特征匹配延拓法扩展原始序列边界.然后,利用极点对称模态分解(ESMD)和变分模态分解(VMD)对原始序列进行二次分解.ESMD提取月降水序列不同尺度信息,得到频率依次降低的几个模态分量及一个残余分量;切除各子序列中对内部数据"污染"最严重的扩展部分后,VMD进一步对高频分量进行平稳化处理.最后,对各子序列分别运用LSTM预测,预测结果重构后得到最终预测结果.选取湖北省巴东县的月降水量作为实例验证.通过模型对比分析,结果表明:相较于传统的单一SVM和LSTM模型,组合了信号分解算法的预测模型在月降水预测中更具优越性;将边界修正的方法融入到采用ESMD算法的组合模型,提高了整体模型的预测精度;高频分量的预测效果是决定组合模型预测精度高低的关键因素;提出的方法不但在选取的评价指标上均表现最佳,而且对数据极值点的拟合效果提升显著.特别地,即使面对小样本数据集,使用本文模型,月降水预测的纳什效率系数(Nash-Sutcliffe Efficiency coefficient,NSE)可以达到0.960 0.
ISSN:1007-2284
DOI:10.12396/znsd.230652