基于SSA优化的VMD-CEEMDAN-ECACNN-LSTM日径流预测模型研究

欧阳旭文; 赖毅辉; 蓝贤桂

doi:10.20040/j.cnki.1000-7709.2026.20251763

English Version Journal Login

您当前的位置：

首页 >

文章列表页 >

基于SSA优化的VMD-CEEMDAN-ECACNN-LSTM日径流预测模型研究

更新时间：2026-09-10

- 基于SSA优化的VMD-CEEMDAN-ECACNN-LSTM日径流预测模型研究
- Vol. 44, Issue 5, Pages: 1-6(2026)
- 作者机构：
  
  1. 东华理工大学江西省新能源工艺及装备工程技术研究中心
  2. 南昌师范学院
- 作者简介：
- 基金信息：
- DOI：10.20040/j.cnki.1000-7709.2026.20251763
  CLC： TP18;P338.1
- Published：2026
- 稿件说明：
移动端阅览
欧阳旭文, 赖毅辉, 蓝贤桂. 基于SSA优化的VMD-CEEMDAN-ECACNN-LSTM日径流预测模型研究[J]. 2026, 44(5): 1-6.
DOI：

欧阳旭文, 赖毅辉, 蓝贤桂. 基于SSA优化的VMD-CEEMDAN-ECACNN-LSTM日径流预测模型研究[J]. 2026, 44(5): 1-6. DOI： 10.20040/j.cnki.1000-7709.2026.20251763.

摘要

径流预测是水资源管理的重要内容，针对传统日径流预测方法所构建的物理模型复杂度高、预测精度低的问题，提出一种由麻雀搜索算法（SSA）、变分模态分解（VMD）、样本熵评价（SE）、自适应噪声集合经验模态分解（CEEMDAN）、高效通道注意力卷积时间网络（ECACNN）和长短期记忆网络（LSTM）组合的日径流预测模型，首先将径流序列输入SSA优化后的VMD

再对分解后的子序列进行样本熵评价；其次将高熵序列输入SSA优化后的CEEMDAN

得到二次分解后的重组序列；然后将重组序列结合的气象因素输入由SSA优化超参数的ECACNN-LSTM神经网络中分别预测，重组后得到最终的预测结果；最后以盱江流域南丰和沙子岭水文站2019～2024年数据为例进行验证。结果表明，相较于传统的LSTM模型，在南丰、沙子岭两站点预测中均方根误差e

RMSE

分别降低了39.4%、62.1%

平均绝对误差e

MAE

分别降低了85.3%、78.4%

决定系数R

分别提高了37.0%、24.4%

说明在日径流预测中该模型具有较高的精确度和适用性能，为数据驱动的日径流预测提供了一种新的思路。

Abstract

关键词

Keywords

references

杜玉瑾.基于机器学习组合模型的中长期径流预报研究[D].华北水利水电大学,2022(02).

Chen Jin,Qin Xu,Xing Chen,Jing Cai,Han Meng.Enhancing runoff prediction accuracy of deep learning model using baseflow separation method and timestamp information[J].Journal of Hydrology,2025.

D. Justin Jose,C. Helen Sulochana,I. Jessy Mol.Sustainable water quality prediction using adaptive spider monkey optimization with Bi-LSTM[J].Earth Science Informatics,2025.

Mojtaba Poursaeid.A Novel Approach for Water Resources Management to Accurate River Flow Prediction: Utilization of Linear Programming and Weighted Ensemble Learning[J].Water Resources Management,2025.

Qihui Chai,Shuting Zhang,Qingqing Tian,Chaoqiang Yang,Lei Guo.Daily Runoff Prediction Based on FA-LSTM Model[J].Water,2024.

Zhuo Jia,Yuhao Peng,Qin Li,Rui Xiao,Xue Chen,Zhijin Cheng.Monthly Runoff forecasting using A Climate?driven Model Based on Two-stage Decomposition and Optimized Support Vector Regression[J].Water Resources Management,2024(prep).

安佳彤,赵雪花,朱博文,郭秋岑,王慧方.Attention机制加成的ICEEMDAN-1D-CNN-BiGRU月径流预测[J].水电能源科学,2025(07).

王庆杰,岳春芳,刘长升,朱灵芝.分解-集成径流预测模型性能“高低”差异机理与特性分析[J].水电能源科学,2025(06).

陈小泽,王忠静,刘丹,石羽佳,KANG Boosik.径流序列两段动态分解-预测-重构中长期预报模型[J].水利学报,2025(07).

魏兴,陈蒙恩,周育琳,冉立波,史瑞博,邹建华.基于多种混合模型的中长期水文预报研究[J].长江科学院院报,2025(10).

程家波,姬厚灵,陈中举,鲍帅.基于GWO-PE-VMD-ResNet组合模型的日径流预测[J].水电能源科学,2024(08).

路炜,魏霖静.基于EMD分解的黄河流域兰州水文站日径流预测[J].水电能源科学,2023(08).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于高频分量平滑采样的水电机组状态预测

基于LSTM的水库土石坝渗流动态区间预警研究

基于ICPO-VMD与自适应多模型融合的水电机组振动趋势预测

基于RF和Self-attention改进LSTM的大坝变形预测方法及异常值判定

基于CNN-LSTM模型的城市洪水二维时空预测研究

Related Author

王军辉

米文超

许颜贺

刘刚

覃晖

蒋志强

王基发

陈小月

Related Institution

中国长江电力股份有限公司溪洛渡电厂

华中科技大学土木与水利工程学院

上海勘测设计研究院有限公司

白鹤滩水力发电厂

湖北省智慧水电技术创新中心

AI问答

⁰