基于径流特性分解的月径流集成预测模型研究

万锦; 马彪; 刘为锋

doi:10.20040/j.cnki.1000-7709.2024.20231307

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于径流特性分解的月径流集成预测模型研究

更新时间：2026-02-25

- 基于径流特性分解的月径流集成预测模型研究
- Issue 5, Pages: 29-33(2024)
- 作者机构：
  
  1. 河海大学水文水资源学院
  2. 长江勘测规划设计研究有限责任公司
  3. 水利部水利水电规划设计总院
- 作者简介：
- 基金信息：
- DOI：10.20040/j.cnki.1000-7709.2024.20231307
  CLC： TV121
- Published：2024
- 稿件说明：
移动端阅览
万锦, 马彪, 刘为锋. 基于径流特性分解的月径流集成预测模型研究[J]. 2024, (5): 29-33.
DOI：

万锦, 马彪, 刘为锋. 基于径流特性分解的月径流集成预测模型研究[J]. 2024, (5): 29-33. DOI： 10.20040/j.cnki.1000-7709.2024.20231307.

摘要

揭示混沌径流序列中的规律特性可使预测径流的可解释性、精度大幅提升。针对中长期径流序列的周期性、趋势性特征，收集洪泽湖流域吴家渡站1959～2019年实测月径流资料，提取径流周期成分和趋势成分，依据各成分的径流特性，选取契合物理特性规律的极限梯度下降(XGBoost)预测模型进行趋势成分预测，选择善于捕捉混沌规律的长短期记忆神经网络(LSTM)进行残差成分预测，构建了一种基于径流特性分解的XGBoost-LSTM集成预测模型，采用该模型对洪泽湖流域吴家渡站月径流序列进行预测，并将预测结果与XGBoost、LSTM、随机森林、BP等单一预测模型进行比较。结果表明，基于特性成分提取的XGBoost-LSTM集成模型的预测精度高于单一径流预测模型，能够利用径流序列规律特性，充分发掘预测模型优势，有效提升径流预测精度。

Abstract

关键词

Keywords

references

熊怡,周建中,孙娜,张建云,朱思鹏.基于自适应变分模态分解和长短期记忆网络的月径流预报[J].水利学报,2023(02).

李蕾.基于EEMD-Xgboost组合模型的渭北流域月径流序列模拟研究[J].水电能源科学,2022(05).

蒋志强,王随玲,汤正阳,张海荣.基于多情景划分的三峡水库入库径流预报校正[J].水力发电学报,2022(04).

孙超,吕奇,朱思曈,郑薇,曹云飞,王俊.基于双层XGBoost算法考虑多特征影响的超短期电力负荷预测[J].高电压技术,2021(08).

庞传军,张波,余建明.基于LSTM循环神经网络的短期电力负荷预测[J].电力工程技术,2021(01).

王栋,魏加华,章四龙,初海波.基于CEEMD-BP模型的水文时间序列月径流预测[J].北京师范大学学报(自然科学版),2020(03).

国俊宝,余钟波,杨传国,徐世琴.基于物理成因的中长期径流预测模型研究[J].水电能源科学,2020(05).

殷兆凯,廖卫红,王若佳,雷晓辉.基于长短时记忆神经网络（LSTM）的降雨径流模拟及预报[J].南水北调与水利科技,2019(06).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

No data

Related Author

No data

Related Institution

No data

AI问答

⁰