下载文档原格式
第４５卷 第１１期２０２３年１１月系统工程与电子技术ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓＶｏｌ．４５ Ｎｏ．１１Ｎｏｖｅｍｂｅｒ２０２３文章编号：１００１ ５０６Ｘ（２０２３）１１ ３６７１ ０９ 网址：ｗｗｗ．ｓｙｓ ｅｌｅ．ｃｏｍ收稿日期：２０２２０５０３；修回日期：２０２２０８１２；网络优先出版日期：２０２２０９２２。
网络优先出版地址：ｈｔｔｐ：∥ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２４２２．ＴＮ．２０２２０９２２．０９１２．００２．ｈｔｍｌ基金项目：国家自然科学基金（６２００２３６２）；国防自然科学基金（６１７０３４２６）；陕西省高校科协青年人才托举计划（２０１９０３８）；中国陕西省创新能力支持计划（２０２０ＫＪＸＸ ０６５）资助课题 通讯作者．引用格式：孙隽丰，李成海，曹波．基于ＴＣＮ ＢｉＬＳＴＭ的网络安全态势预测［Ｊ］．系统工程与电子技术，２０２３，４５（１１）：３６７１ ３６７９．犚犲犳犲狉犲狀犮犲犳狅狉犿犪狋：ＳＵＮＪＦ，ＬＩＣＨ，ＣＡＯＢ．ＮｅｔｗｏｒｋｓｅｃｕｒｉｔｙｓｉｔｕａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎＴＣＮ ＢｉＬＳＴＭ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０２３，４５（１１）：３６７１ ３６７９．基于犜犆犖 犅犻犔犛犜犕的网络安全态势预测孙隽丰１，２， ，李成海１，曹 波１（１．空军工程大学防空反导学院，陕西西安７１００５１；２．中国人民解放军第９４９９４部队，江苏南京２１００００） 摘 要：针对现有网络安全态势预测模型预测精确度低和收敛速度慢的问题，提出一种基于时域卷积网络（ｔｅｍｐｏｒａｌｃｏｎｖｏｌｕｔｉｏｎｎｅｔｗｏｒｋ，ＴＣＮ）和双向长短期记忆（ｂｉ ｄｉｒｅｃｔｉｏｎａｌｌｏｎｇｓｈｏｒｔ ｔｅｒｍｍｅｍｏｒｙ，ＢｉＬＳＴＭ）网络的预测方法。
首先，将ＴＣＮ处理时间序列问题的优势应用到态势预测上学习态势值的序列特征；随后，引入注意力机制动态调整属性的权值；然后，利用ＢｉＬＳＴＭ模型学习态势值的前后状况，以提取序列中更多的信息进行预测；利用粒子群优化（ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）算法进行超参数寻优，提升预测能力。
基于改进麻雀搜索算法的黄河花园口日径流预测研究
张兆卫;王娜
【期刊名称】《甘肃科技纵横》
【年(卷),期】2024(53)2
【摘要】为准确预测河南省内黄河径流量,减少黄河泛滥隐患,帮助防洪工作开展。
文章提出以改进麻雀搜索算法(ISSA)为基础的EMD-ISSA-LSTM径流预测模型。
选取花园口水文站2009—2022年日径流数据作为实验数据,均方误差(MSE)、平均绝对百分比误差(MAPE)和纳什效率系数(NSE)作为模型评价指标。
实验结果表明:EMDISSA-LSTM模型在花园口日径流预测中具有较好的准确性和稳定性,其中,预见期为1 d时NSE达到0.965。
该研究为花园口水文站日径流预测工作提供了有效的工具,有利于水资源优化管理和水库的防洪调度。
【总页数】9页(P30-38)
【作者】张兆卫;王娜
【作者单位】西藏民族大学信息工程学院
【正文语种】中文
【中图分类】TP391.1
【相关文献】
1.基于GM(1,1)模型的黄河花园口站的径流量预测
2.基于齐次马尔可夫链的径流预测模型——以黄河花园口监测站为例
3.基于改进麻雀搜索算法-核极限学习机耦合算法的滑坡位移预测模型
4.基于改进麻雀搜索算法优化深度学习网络超参数的短
期风电功率预测5.基于互补集合经验模态分解和改进麻雀搜索算法优化双向门控循环单元的交通流组合预测模型
因版权原因，仅展示原文概要，查看原文内容请购买。
黄河源区河川径流短期预测的ANFIS模型马盼盼;白涛;武连洲;黄强【期刊名称】《西北农林科技大学学报（自然科学版）》【年(卷),期】2018(046)006【摘要】[目的]建立径流短期预测的自适应神经模糊推理系统(ANFIS)模型,以提高预测精度,进而为黄河源区水资源开发和工程规划提供参考.[方法]以黄河源区出口站军功水文站为研究对象,以ANFIS为基本方法,建立ANFIS日尺度径流预测模型.基于输入变量、训练次数、隶属度函数类型与数目、预见期等参数设置了9个方案,通过实测径流与预测径流的对比和评价指标(均方根误差RMSE、相关性系数R)验证确定最佳方案,并分析不同参数对预测结果的敏感性,获得基于最优参数的ANFIS模型.[结果]采用神经网络+Sugeno型模糊推理算法建立了ANFIS日尺度径流预测模型,在预见期为1d时,利用ANFIS模型进行的径流短期预测,其相对误差最大为4.36％,平均为0.21％,预测结果合理可靠;当预见期延长至2～4 d时,预测结果均满足精度要求,相对误差平均值均小于3.00％.[结论]将ANFIS用于短期径流预测,既可提高预测精度,又能延长预见期,可为黄河源区水库群规划、施工、调度和全流域水资源配置提供指导.【总页数】10页(P145-154)【作者】马盼盼;白涛;武连洲;黄强【作者单位】西安理工大学西北旱区生态水利工程国家重点实验室培育基地,陕西西安710048;西安理工大学西北旱区生态水利工程国家重点实验室培育基地,陕西西安710048;西安理工大学西北旱区生态水利工程国家重点实验室培育基地,陕西西安710048;西安理工大学西北旱区生态水利工程国家重点实验室培育基地,陕西西安710048【正文语种】中文【中图分类】P338+.1【相关文献】1.基于ANFIS的光伏输出功率超短期预测方法研究 [J], 杨茂;黄鑫;苏欣2.基于 ANFIS 模型的光伏电站辐照度超短期预测 [J], 李卫;席林;毕佳3.基于EMD和ANFIS的股票市场短期预测 [J], 林娟;李立耀;郭永宁4.基于ANFIS模型的风功率超短期预测研究 [J], 王艳艳;尹少平;王灵梅;张志华5.基于ANFIS的超短期风电出力预测模型及仿真 [J], 高骞; 程霄; 沙宇恒; 于海波因版权原因，仅展示原文概要，查看原文内容请购买。
黄河年降雨-径流BP预测模型研究
张少文;张学成;王玲;王文圣;丁晶
【期刊名称】《人民黄河》
【年(卷),期】2005(027)001
【摘要】采用改进的BP算法,对黄河兰州水文站45年(1956～2000年)的年降雨和径流实测资料进行了分析,建立了基于人工神经网络的年降雨-径流预测模型,研究结果表明:仅用预报前时段的年降雨和径流资料作为输入来预测下一时段的径流,其预报精度较差,但在预报期内有相对误差小于10%的降雨预报值输入时,所建模型对下一时段的径流预测与传统的统计建模方法相比,预报精度较高,能较好地反映黄河上游区的年降雨-径流规律.
【总页数】3页(P18-20)
【作者】张少文;张学成;王玲;王文圣;丁晶
【作者单位】四川大学,水电学院,四川,成都,610065;北京市水利科学研究所,北京,100044;黄河水文水资源研究所,河南,郑州,450004;黄河水文水资源研究所,河南,郑州,450004;四川大学,水电学院,四川,成都,610065;四川大学,水电学院,四川,成都,610065
【正文语种】中文
【中图分类】TP183;TV882.1
【相关文献】
1.无站条件下BP神经网络年径流量预测模型研究 [J], 周林飞;康萍萍;李波
2.BP模型在降雨径流预报中的应用研究 [J], 曹广学;张世泉
3.基于BP神经网络的泉州市山美水库降雨径流模拟研究 [J], 李娇;姜明媛;孙文超;鱼京善;姚晓磊
4.黄河上游年降雨-径流预测研究 [J], 张少文;张学成;王玲;丁晶;刘国东
5.黄河流域降雨-径流关系时空演变研究 [J], 郑金丽;严子奇;李东;周祖昊;张学成;刘佳嘉
因版权原因，仅展示原文概要，查看原文内容请购买。
《基于深度学习的中长期径流预测研究》篇一一、引言径流预测是水资源管理、防洪抗旱、水力发电等众多领域的重要研究课题。
随着深度学习技术的快速发展，其在中长期径流预测中的应用逐渐受到广泛关注。
本文旨在探讨基于深度学习的中长期径流预测研究，以期为相关领域提供有益的参考。
二、研究背景及意义径流预测是指根据历史气象、水文、地形等因素，预测未来一段时间内河流的流量变化。
中长期径流预测对于水资源规划、水库调度、防洪抗旱等方面具有重要意义。
传统的径流预测方法主要依赖于物理模型和统计模型，然而这些方法往往需要大量的参数调整和假设，且对于复杂多变的气候条件适应性较差。
因此，寻找一种更加准确、高效的径流预测方法显得尤为重要。
深度学习作为一种新兴的人工智能技术，具有强大的特征提取和学习能力。
将深度学习应用于中长期径流预测，可以提高预测精度，为水资源管理和防洪抗旱等提供有力支持。
因此，基于深度学习的中长期径流预测研究具有重要的理论和实践意义。
三、研究方法本研究采用深度学习中的循环神经网络（RNN）和长短期记忆网络（LSTM）进行中长期径流预测。
具体步骤如下：1. 数据收集与预处理：收集历史气象、水文、地形等数据，进行数据清洗、格式转换等预处理工作。
2. 模型构建：构建基于RNN和LSTM的深度学习模型，设置合适的网络结构、参数等。
3. 模型训练与优化：使用历史数据进行模型训练，通过调整网络结构、参数等优化模型性能。
4. 预测与评估：使用训练好的模型进行中长期径流预测，并采用合适的评估指标对预测结果进行评估。
四、实验结果与分析1. 数据集与实验环境本研究采用某地区的历史气象、水文、地形等数据作为实验数据集。
实验环境为高性能计算机集群，采用深度学习框架进行模型构建和训练。
2. 模型性能评估本研究采用均方误差（MSE）、平均绝对误差（MAE）等指标对模型性能进行评估。
实验结果表明，基于深度学习的中长期径流预测模型具有较高的预测精度和稳定性。
黄河上游径流量的模型建立及预报
陈彦山
【期刊名称】《青海气象》
【年(卷),期】1996(000)003
【摘要】本文用一种较为先进的统计模型—季节性乘积模型对1954—1993年黄河上游径流量逐月资料进行了拟合、识别,根据最小信息准则（AIC）及预报效果确定了模拟黄河上游径流量的最佳模型为ARIMA（2,0,1）×（ 1,1,2）
<sub>12</sub>。
用新息预报方法对1994年径流量进行了适时预报,并对历史资料做了回代预报,发现季节性乘积模型具有方便、快捷、完整等优点,特别对于极值的拟合较好。
文中还对模型ARIMA（2,0,1）×（ 1,1,2）<sub>12</sub>的天气气候含义做了一定的分析,指出:黄河上游径流量与流域内降水量有很好的线性联系,降水量对径流量的形成起主导作用。
【总页数】5页(P18-22)
【作者】陈彦山
【作者单位】青海省气象局气候资料中心
【正文语种】中文
【中图分类】P333
【相关文献】
1.黄河上游唐乃亥站洪峰流量长期预报模型研究 [J], 赵资乐;胡兴林
2.黄河上游月尺度径流量预报集成与决策方法探讨 [J], 李杰友;熊学农;朱庆平;饶
素秋
3.黄河上游唐乃亥站月、旬平均流量预报模型研究 [J], 胡兴林;崔涛;王小玲;谢建丽
4.辽宁省土壤墒情预报模型建立和预报方案编制 [J], 张志斌
5.黄河上游龙羊峡水库春季入库流量预报模型研究 [J], 蓝永超;康尔泗
因版权原因，仅展示原文概要，查看原文内容请购买。
基于人工神经网络的黄河源区枯季径流预报
车骞;王根绪;畅俊杰;姜秀娜
【期刊名称】《人民黄河》
【年(卷),期】2005(027)003
【摘要】分析了黄河源区枯季径流的影响因素,并选取基于枯季径流形成机理的、与径流相关性高的因子作为人工神经网络模型的输入,运用误差逆传播算法的多层前向网络,利用VC++语言调用随机函数克服了网络全局寻优的缺陷,建立了黄河源区枯季径流预报的BP模型.对黄河源区枯季径流长期预报的结果表
明,ANN(7,1,15,1)模型预报结果精度高,容错能力强,是枯季径流预报的有效手段.【总页数】3页(P23-24,27)
【作者】车骞;王根绪;畅俊杰;姜秀娜
【作者单位】兰州大学,资源环境学院,甘肃,兰州,730000;黄河水利委员会,上游水文水资源局,甘肃,兰州,730030;兰州大学,资源环境学院,甘肃,兰州,730000;中国科学院,水利部,成都山地灾害与环境研究所,四川,成都,610041;黄河水利委员会,上游水文水资源局,甘肃,兰州,730030;兰州大学,资源环境学院,甘肃,兰州,730000
【正文语种】中文
【中图分类】P333.3
【相关文献】
1.基于Elman网络的黄河源区枯期径流预报 [J], 牛广文
2.基于Elman网络的黄河源区枯季径流预报研究 [J], 杨新华;马建立;苏军希;王关
平
3.基于随机森林和RBF人工神经网络模型的新丰江水库枯季入库径流中长期预报[J], 郑炎辉; 张力澜; 田兆伟; 陈晓宏
4.基于EEMD的枯季入库径流预报分析 [J], 孙阳;陈元芳;程龙;刘勇;魏龙亮;王海元
5.基于气象水文耦合的中小河流枯季径流短期预报 [J], 王东升
因版权原因，仅展示原文概要，查看原文内容请购买。
基于ＴＣＮ和迁移学习的混凝土坝变形预测方法作者：张健飞叶亮王磊来源：《人民黄河》2024年第04期摘要：混凝土坝变形测点数据丢失或者新增测点测量时间太短都会导致这部分测点的数据量不足，使得变形预测精度受到影响。
为了提高这些小数据量测点的变形预测精度，提出了将时域卷积网络（ＴＣＮ）与迁移学习相结合的变形预测方法。
以数据量充足的测点为源域，以缺少数据的测点为目标域，将在源域上训练好的ＴＣＮ模型的结构和参数迁移到目标域模型中，固定其中的冻结层参数，利用目标域中的数据对目标域模型可调层参数进行调整。
同时，采用动态时间规整选择与目标域数据序列相似度最高的监测数据作为最佳源域数据，提升迁移学习效果。
工程实例分析表明：迁移学习后的目标域模型的均方根误差和平均绝对误差与利用足量数据训练的ＴＣＮ模型的预测误差相比，差异仅分别为１．７３％和８．０９％，小数据量情况下ＴＣＮ预测模型的精度得到了提高。
关键词：时域卷积网络；迁移学习；动态时间规整；变形预测中图分类号：ＴＶ６９８．１文献标志码：Ａｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１０００－１３７９．２０２４．０４．０２４引用格式：张健飞，叶亮，王磊．基于ＴＣＮ和迁移学习的混凝土坝变形预测方法［Ｊ］．人民黄河，２０２４，４６（４）：１４２－１４７．混凝土坝是大坝的主要坝型之一，目前全球坝高２５０ｍ以上的大坝超过一半为混凝土坝。
这些混凝土坝在运行过程中受到循环荷载、环境侵蚀、人为破坏及自然灾害等因素作用，局部和整体安全性能将逐步下降。
变形是一种能够直观反映混凝土坝安全状态的综合效应量。
通过大坝变形分析和预测，能够实时掌握大坝工作性态、及时诊断大坝异常，因此依据实测数据建立变形预测模型对混凝土坝的安全运行具有重要意义［１］。
目前，应用较广的混凝土坝变形预测模型主要有统计模型、确定性模型、混合模型、组合模型、时空分布模型和人工智能模型等［２］。
随着深度学习的快速发展，长短期记忆网络（ＬｏｎｇＳｈｏｒｔ⁃ＴｅｒｍＭｅｍｏｒｙ，简称ＬＳＴＭ）和卷积神经网络（Ｃｏｎｖｏ⁃ｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ，简称ＣＮＮ）等深度神经网络已经在混凝土坝变形预测中得到了应用。
基于多步预报模型的径流中长期预测研究刘冀;董晓华;李英海;彭涛【摘要】针对径流中长期预报模型中广泛存在的不确定性问题,在以往研究的基础上,建立了基于最近邻回归预测的径流中长期多步概率预报模型.介绍了该模型的计算方法和重要参数的选取方法,并应用于实例预报工作中.结果表明,该模型在4个月的预报期内,具有较高的概率预报精度.同时,该模型概念清晰,避免了参数不确定性,不仅能够提供常规的确定性预报结果,而且能够给出在不同置信水平下的预报置信区间,便于量化预报风险,为最优决策的制定提供依据.【期刊名称】《人民长江》【年(卷),期】2012(043)010【总页数】5页(P46-49,57)【关键词】径流;概率预报;时间序列;不确定性;最近邻回归【作者】刘冀;董晓华;李英海;彭涛【作者单位】三峡大学水利与环境学院,湖北宜昌443002;三峡大学水利与环境学院,湖北宜昌443002;三峡大学水利与环境学院,湖北宜昌443002;三峡大学水利与环境学院,湖北宜昌443002【正文语种】中文【中图分类】TV121具有一定精度的径流中长期预报是水电站水库(群)经济合理调度的重要参考依据，也是实施预报调度的基础。
将长中短期预报相结合进行调度，既可减少不蓄水电能损失和降低破坏深度，又可增加季节性电能和减少弃水[1]。
因此，研究中长期水文预报具有十分重要的现实意义。
现有的径流中长期预报方法可分为传统方法和现代方法两大类。
前者主要有成因分析和水文统计方法,后者主要包括模糊分析、人工神经网络和灰色系统分析等方法[2]。
由于径流形成机理的复杂性和人类对其认识和描述的局限性，现有的各类模型往往是对实际过程的一种概化，采用这类模型进行中长期预报时，通常存在着较大的不确定性，而其发布的确定性点值预报却无法描述这种不确定性，从而不利于决策者度量此预报风险，进而影响最优调度和管理决策的制定。
针对此类问题，国内外学者对水文概率预报开展了大量研究，如J.k.Beven等于1992年提出的GLUE(Generalized Likelihood Uncertainty Estimation)模型被广泛应用于各类水文预报模型的不确定性评价上[3]。
基于广义回归神经网络GRNN的黄前水库径流预测分析【摘要】本文基于广义回归神经网络GRNN对黄前水库径流进行预测分析。
在研究背景介绍了该领域的重要性和现有问题。
通过建立黄前水库径流预测模型，结合GRNN的原理和特点，对数据进行收集和预处理，并进行实验结果分析。
最后对模型性能进行评价，总结研究成果并展望未来。
通过本文的研究，可以为水资源管理和防洪减灾提供重要参考依据，对相关领域具有一定的理论和实践意义。
【关键词】黄前水库、径流预测、广义回归神经网络GRNN、数据收集、实验结果分析、模型性能评价、研究总结、未来展望、研究背景、研究意义1. 引言1.1 研究背景水资源是人类生存和发展的基础，而水库是重要的水资源利用和管理手段之一。
黄前水库作为长江上游的一座重要水库，对于保障干旱季节的灌溉供水和防洪排涝起着至关重要的作用。
黄前水库的径流产流受气候变化等多种因素的影响，使得其径流量的预测成为一项具有挑战性的任务。
过去的水库径流预测研究多采用传统的统计方法或物理模型，但这些方法在复杂的水文气象系统中存在着一定的局限性。
为了提高黄前水库径流预测的准确性和可靠性，需要引入更加灵活、适应性强的预测模型。
1.2 研究意义黄前水库是我国重要的水利工程之一，对于灌溉、发电和防洪等方面都有着重要的作用。
而水库的径流预测是水资源管理和水文预报中的关键问题，对于保障水资源的合理利用和水灾的防范具有重要意义。
通过基于广义回归神经网络GRNN的径流预测分析，可以更准确地预测水库的径流情况，进而提高水资源的利用效率和水灾防范的效果。
这种方法可以充分利用水库径流数据和气象数据等多方面的信息，建立更准确的预测模型，为决策提供更可靠的依据。
此项研究不仅对于黄前水库的管理具有重要意义，也对于其他水利工程和水文预报领域具有借鉴意义。
通过研究黄前水库径流预测模型建立的方法和广义回归神经网络的应用，可以为其他地区和其他水利工程的径流预测提供参考，推动水资源管理和水文预报技术的发展，为降低水灾风险和提高水资源利用效率做出贡献。
基于误差修正模型的黄河源区年径流预测作者：张金萍李红宾肖宏林来源：《人民黄河》2020年第07期摘要：为了提升黄河源区年径流预测精度以及了解黄河源区降雨、径流、泥沙之间的相互影响关系，以黄河源区唐乃亥水文站实测年降雨量、年径流量和年输沙量作为研究数据，采用协整理论分析方法，分别建立降雨—径流、径流—泥沙两变量误差修正模型以及降雨—径流—泥沙三变量误差修正模型，对研究区年径流量进行预测。
结果表明：三变量误差修正模型的拟合优度均大于两变量误差修正模型的，模型解释性更强，更能定量表现黄河源区径流量—降雨量—输沙量之间的关系;三变量误差修正模型的平均相对误差为-4.83%，可以用于黄河源区年径流预测。
关键词：协整理论;误差修正模型;径流预测;黄河源区中图分类号：P333;TV882.1 文献标志码：Adoi：10.3969/j.issn.1000-1379.2020.07.002Abstract：In order to improve the accuracy of annual runoff prediction in the source area of the Yellow River and understand the relationship between rainfall， runoff and sediment in the source area of the Yellow River， the measured annual rainfall， annual runoff and annual sediment transport at Tangnaihai Hydrological Station in the source area of the Yellow River were taken as the research data. By using cointegration theory analysis method to establish rainfall runoff， runoff and sediment of two-variable error correction model and rainfall runoff-sediment three-variable error correction model， it predicted the annual runoff of the study area. The results show that the three-variable error correction model fitting is better than the two-variable error correction model and more explanatory， more quantitative performance relationship between the source region of the YellowRiver rainfall-runoff sediment; the average relative error of the three-variable error correction model is -4.83%， which can be used to forecast annual runoff in the source area of the Yellow River.Key words： cointegration theory; error correction model; runoff prediction; Yellow River source area径流量是河流的重要水文变量之一，准确预测河流径流量能够在一定程度上对防洪抗旱、灌溉发电起指导作用，对水资源的合理开发利用有着十分重要的意义。
基于CEEMDAN-ARMA模型的年径流量预测研究作者：张金萍许敏张鑫肖宏林来源：《人民黄河》2021年第01期摘要：為了更好地预测河川径流，提高年径流的预测精度，以黄河源区唐乃亥水文站1956—2016年的实测年径流量为研究数据，采用完全集合经验模态分解（CEEMDAN）和自回归滑动平均模型（ARMA）相结合的方法，建立CEEMDAN-ARMA组合模型，并将组合模型的预测结果与单一的ARIMA模型的预测结果进行对比。
结果表明：组合模型的拟合优度大于单一ARIMA模型的拟合优度;组合模型预测的平均相对误差为3.31%，比单一的ARIMA模型的预测精度提高了4.63%。
由此可见，CEEMDAN-ARMA模型预测精度高于单一的ARIMA 模型，利用CEEMDAN分解得到的IMF分量序列作为ARIMA模型的输入数据可以提高模型的预测精度。
关键词：径流预测;CEEMDAN;ARMA模型;黄河源区中图分类号：TV121;TV882.1文献标志码：Adoi：10.3969/j.issn.1000-1379.2021.01.007引用格式：张金萍，许敏，张鑫，等.基于CEEMDAN-ARMA模型的年径流量预测研究[J].人民黄河，2021，43（1）：35-39.Annual Runoff Prediction Based on CEEMDAN-ARMA ModelZHANG Jinping1，2，3， XU Min1， ZHANG Xin1， XIAO Honglin1（1.School of Water Science and Engineering， Zhengzhou University， Zhengzhou 450001，China;2.Zhengzhou Key Laboratory of Water Resources and Environment， Zhengzhou 450001，China;3.Henan Province Key Laboratory of Groundwater Pollution Prevention and Remediation，Zhengzhou 450001， China）Abstract：In order to better predict river runoff and improve the accuracy of annual runoff prediction， the measured annual runoff of Tangnaihai Hydrologic Station in the source area of the Yellow River from 1956 to 2016 was taken as the research data and a CEEMDAN-ARMA model was established bycombining Complete Ensemble Empirical Mode Decomposition with Adaptive Noise （CEEMDAN）with Auto-Regressive Moving Average Model（ARMA）to simulate and predict the annual runoff sequence in the research area， and compared the predicted results of the combined model with the single ARIMA model. The results show that the goodness of fit of composite model is better than that of single ARIMA model; the average relative error of the combined model is 3.31%，which is 4.63% lower than that of the single ARIMA model. Therefore， the prediction accuracy of CEEMDAN-ARMA model is higher than that of the single ARIMA model. The IMFs component series which decomposed by CEEMDAN can be used as the input data of ARMA model to improve the prediction accuracy of the model.Key words： runoff prediction; CEEMDAN; ARMA model; Yellow River source area径流量是河流的重要水文变量之一，受气象、人为等诸多不确定因素的影响，具有较强的随机性。
基于ＶＭＤ－ＴＣＮ模型的渭河流域月径流量预测研究作者：张上要罗军刚石国栋景鑫连亚妮左岗岗来源：《人民黄河》2023年第10期摘要：为了有效减小径流序列非线性、非平稳性对径流预测精度的影响，提出一种将变分模态分解（ＶＭＤ）与时间卷积网络（ＴＣＮ）相耦合的ＶＭＤ－ＴＣＮ模型，并用于渭河流域咸阳和华县水文站的月径流量预测。
采用多种模型性能评价指标对ＶＭＤ－ＴＣＮ模型与其他模型（ＴＣＮ、ＥＥＭＤ－ＴＣＮ、ＡＲＩＭＡ）的预测性能进行比较，并分析了ＶＭＤ－ＴＣＮ模型在不同预见期下的预测表现。
结果显示ＶＭＤＴＣＮ模型较其他模型具有预测误差更小、预测精度更高以及峰谷值拟合更优的特点，且随着预见期的增大，模型的预测性能会逐渐降低但预测效果保持良好。
关键词：径流预测；变分模态分解；时间卷积网络；渭河流域中图分类号：Ｐ３３８文献标志码：Ａｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１０００－１３７９．２０２３．１０．００５引用格式：张上要，罗军刚，石国栋，等．基于ＶＭＤ－ＴＣＮ模型的渭河流域月径流量预测研究［Ｊ］．人民黄河，２０２３，４５（１０）：２５－２９．在变化环境影响下，径流变化逐渐呈现出非线性、非平稳性特征，传统的线性时间序列模型预测精度不高且模型方法的改进空间有限［１－２］。
随着人工智能的发展，机器学习领域的非线性模型开始应用于径流预测，并且取得不错的效果。
同时，信号分解技术能够将水文时间序列分解成若干相对稳定的固有模态分量（ＩＭＦｓ），将其与径流预测模型相耦合能够显著提升径流预测的精度［３］。
为克服径流序列非平稳性导致预测精度差的问题，周婷等［４］将小波分解（ＷＤ）与支持向量机（ＳＶＲ）进行耦合并应用于径流预测，研究表明ＷＤ能够有效提升径流预测的精度。
张金萍等［５］将自回归滑动平均模型（ＡＲＭＡ）与完全集合经验模态分解（ＣＥＥＭＤＡＮ）结合，发现ＣＥＥＭＤＡＮ能够显著提高ＡＲＭＡ的拟合优度。
桑宇婷等［６］将ＣＥＥＭＤＡＮ与ＢＰ神经网络进行耦合，并用于汾河流域的月径流量预测，预测结果显示ＣＥＥＭＤＡＮ－ＢＰ模型在模拟期和验证期的径流预测精度都达到甲级。
基于EEMD的黄河上游主要来水区年来水量预测韩锐;董增川;罗赟;张翔宇;许波刘;符芳明【期刊名称】《人民黄河》【年(卷),期】2017(039)008【摘要】为了提高径流预测的精度,采用EEMD将非线性、非平稳的径流时间序列分解为若干固有模态分量和趋势项分量,高频分量采用GA-SVM模型进行预测,低频分量采用GA-BP模型进行预测,趋势项采用RBF模型进行预测,然后对各分量进行重构,从而建立了EEMD组合预测模型,并应用于黄河上游主要来水区年来水量预测.结果表明:黄河上游主要来水区年来水量预测误差小于20%的预报合格率为100%,预测精度高,具有较高的实用价值.【总页数】5页(P10-14)【作者】韩锐;董增川;罗赟;张翔宇;许波刘;符芳明【作者单位】河海大学水文水资源学院,江苏南京210098;中国电建集团西北勘测设计研究院有限公司,陕西西安710065;河海大学水文水资源学院,江苏南京210098;河海大学水文水资源学院,江苏南京210098;长江科学院,湖北武汉430010;河海大学水文水资源学院,江苏南京210098;黄河水利科学研究院,河南郑州450003;河海大学水文水资源学院,江苏南京210098;中国电建集团华东勘测设计研究院有限公司,浙江杭州311122;河海大学水文水资源学院,江苏南京210098;广东省水利电力勘测设计研究院,广东广州510635【正文语种】中文【中图分类】P338;TV882.1【相关文献】1.基于EEMD的液压系统振动信号相关主分量分析效果研究 [J], 陈灏;张梅军;柴凯;黄杰2.基于CEEMD-Elman耦合模型的年降水量预测 [J], 张先起;胡登奎;刘斐3.基于CEEMD-Elman耦合模型的年降水量预测 [J], 张先起; 胡登奎; 刘斐4.基于CEEMD_GRU模型的矿井涌水量预测 [J], 李占利;邢金莎;靳红梅;李洪安5.基于EEMD-LSTM模型的天山北坡经济带年降水量预测 [J], 杨倩;秦莉;高培;张瑞波因版权原因，仅展示原文概要，查看原文内容请购买。
基于TCN-BiLSTM与LSTM模型对比预测北洛河径流张梦凡;丁兵兵;贾国栋;余新晓【期刊名称】《北京林业大学学报》【年(卷),期】2024(46)4【摘要】【目的】本研究旨在探究TCN-BiLSTM耦合模型与传统LSTM模型在径流模拟预测中的性能,为洪水风险管理和区域水资源规划提供准确有效的径流预测模型。
【方法】以北洛河流域为研究区,基于双向长短期记忆网络(BiLSTM)和时域卷积网络(TCN)建立一种新的径流预测耦合模型TCN-BiLSTM。
利用相关性分析,筛选预测径流的输入因子,确定4种不同的输入方案应用于TCN-BiLSTM耦合模型和传统LSTM模型,每个模型分别预测1、2、3 d的径流量。
采用平均绝对误差(MAE)、均方根误差(RMSE)和拟合优度(R^(2))来评估模型的预测性能。
【结果】(1)TCN-BiLSTM耦合模型整体预测性能优于LSTM模型,TCN-BiLSTM模型R^(2)达到0.91,高于LSTM的0.89。
相比于LSTM,TCN-BiLSTM对于峰值和突变点的捕捉能力更强,对于波动大的复杂数据预测效果更优;(2)在针对未来1~3 d径流量预测中,随着预见期的延长,4种方案下TCN-BiLSTM和LSTM模型的预测效果均有所下降,相较于预测1 d,预测3 d的TCNBiLSTM和LSTM模型的R^(2)分别平均下降了0.17和0.14,RMSE分别平均增大了4.59和4.40,MAE分别平均增大了1.26和1.31;(3)在4种输入方案里,日累积降水量和日径流量作为输入变量时,模型的预测效果最好。
降水数据的加入使得TCN-BiLSTM和LSTM模型相较于单一日径流数据作为输入变量时,1、2、3 d径流量预测的R^(2)分别提高15%、14%、6%和18%、14%和1%。
【结论】TCN-BiLSTM耦合模型和LSTM模型R^(2)均能达到0.85以上,TCN-BiLSTM模型R^(2)较LSTM提高了2%。
基于SSA-CG-Attention模型的多因素采煤工作面涌水量预测丁莹莹;尹尚先;连会青;刘伟;李启兴;祁荣荣;卜昌森;夏向学;李书乾【期刊名称】《煤田地质与勘探》【年(卷),期】2024(52)4【摘要】矿井工作面涌水量预测对确保矿山安全、优化资源配置、提高工作效率等都具有重要作用。
为提高预测结果的准确性和稳定性,基于钻孔水位和微震能量数据与涌水量的强关联性,选择其作为多因素特征变量,提出SSA-CG-Attention多因素矿井工作面涌水量预测模型。
该模型在门控循环单元(GatedRecurrentUnit,GRU)提取时序特征的基础上,与卷积神经网络(ConvolutionalNeuralNet-work,CNN)融合形成新的网络结构提取数据的有效非线性局部特征,并且加入注意力机制(Atten-tion),在预测过程中将注意力集中在输入元素上,提高模型的准确性。
最后通过麻雀搜索算法(Spar-row Search Algorithm,SSA)优化模型参数,避免局部最优解的问题。
将提出的模型分别与传统的BP神经网络、LSTM、GRU单因素涌水量预测模型以及MLP、SLP、SVR、LSTM、GRU、SSA-LSTM、SSA-GRU多因素涌水量预测模型的预测结果进行对比分析,结果表明:SSA算法以最少迭代次数快速寻优,避免了局部最优解的缺陷;SSA-CG-Attention多因素涌水量预测模型整体预测指标绝对误差(E_(MA))、均方根误差(E_(RMS))以及平均绝对百分比误差(E_(MAP))分别为5.24 m^(3)/h、7.25 m^(3)/h、6%,指标方差和为8.90。
相较于其他预测模型预测精度更高,相较于单因素涌水量预测模型,多因素涌水量预测模型预测结果更加稳定。
研究结果为矿井工作面涌水量预测提供了新的思路与方法,对矿井工作面涌水量预测及防控有着借鉴与指导作用,具有一定的理论价值和现实意义。
基于TCN-Attention模型的多变量黄河径流量预测作者：王军高梓勋单春意来源：《人民黄河》2022年第11期关键词：日均流量预测；时间卷积神经网络；Attention机制；花园口水文站河流径流量预测一直是水文研究领域的基础工作之一，精准的径流量预测对及时有效的水资源管理、灌溉管理决策、洪水风险预警以及水库调度等有极为重要的作用。
然而，河流径流量受气候变化、人类活动等的影响，呈现出强烈的非线性、随机性特征，因此精准的径流量预测成为水文学者们研究的热点。
长期以来，各学者在河流径流量预测方面使用的方法大体上分为两类：一是基于概念性或物理性水文模型的径流量预测方法，此类方法通过过程概念化或物理定律方程组来描述径流形成过程：二是基于数据驱动模型的径流量预测方法，此类方法不依赖水文物理机制，把径流量和其他相关要素的历史观测数据输入模型，通过建立变量间的输入与输出关系对径流量进行预测。
近年来，随着水文观测技术和机器学习算法的高速发展，智能算法在水文领域的应用日益受到重视，数据驱动模型受到学者们的广泛关注，以BP神经网络和长短时记忆网络（LSTM）为代表的机器学习算法越来越多地应用到河流径流量预测中。
王佳等结合集合经验模态分解（EEMD）与BP神经网络，实现了对黄河上游龙羊峡水库入库月径流量的精准预测。
李代华基于主成分分析（PCA） -斑点鬣狗优化（SHO） -BP神经网络对盘龙河月径流量和年径流量进行预测，证实了PCA-SHO-BP组合模型对月径流量和年径流量的预测性能均优于SHO-SVM、PCA-SVM等未优化的模型。
范宏翔等利用LSTM构建鄱阳湖流域气象一径流模型，探究最佳的模拟窗口长度，证实了该模型可以有效模拟鄱阳湖流域的径流过程。
蔡文静等通过时频分析和预报因子筛选对LSTM模型进行优化，分别将经验模态分解（EMD）、变模态分解（VMD）、离散小波变换与LSTM模型组合来预测玛纳斯河的径流量，结果表明VMD-LSTM模型对径流量的总体变化趋势和极值均具有良好的预测效果。
包苑村等在VMD-LSTM模型的基础上引入卷积神经网络（CNN），构建VMD-CNN-LSTM模型对渭河流域张家山水文站、魏家堡水文站的月径流量进行预测，证实了该组合模型具有较高的预测精度。
各学者虽然对BP神经网络和LSTM模型进行了一定程度的优化，但由于影响河流径流量的因素众多，不确定性很大，BP神经网络在预测精度和适应性上还有提升空间，LSTM模型存在梯度问题和训练时间长的问题。
时间卷积神经网络（TCN）的因果卷积、膨胀卷积特性可以很好地解决上述问题，其在数值天气预报、风电功率预测、太阳辐射预测方面的精度和泛化性能已经超过了LSTM模型。
本文以黄河花园口水文站为研究对象，基于花园口水文站历年降水量、流量、含沙量的观测数据，采用TCN模型预测河流径流量（以日均流量表示），通过引入Attention机制为TCN模型中的关键特征赋予更大权重，建立多变量TCN -Attention黄河花园口水文站日均流量预测模型。
通过实验对LSTM模型和TCN模型的预测结果进行比较，得出TCN -Attention模型预测日均流量的精度和泛化性能。
1黄河花园口水文站概况与数据预处理1.1黄河花园口水文站概况黄河花园口水文站是黄河干流重要的控制站和黄河下游防汛的标准站，控制流域面积为73万km2，占黄河流域总面积的92%。
该水文站监测流量长期以来是下游防汛工作的重要参照指标，但该水文站所处河道冲淤剧烈，径流量变化复杂．对径流量的精准预测十分困难。
选取黄河花园口水文站2008年1月1日-2012年12月31日共1827d的实测日均流量、日降水量、日均含沙量作为研究数据，数据源自国家地球系统科学数据中心，研究期内各变量的变化情况见图1。
1.2数据预处理为使原始数据满足多维模型训练的要求，需要对各变量的原始数据进行预处理，具体步骤如下：（1）选取输入变量和输出变量。
从图1可以看出，花园口水文站日均流量、日降水量、日均含沙量有相似的变化趋势，把流量、降水量、含沙量作为模型的输入变量，把日均流量作为模型最终预测的输出变量。
（2）数据归一化。
为使大小差异巨大的原始时序数据输入模型后加快模型训练收敛速度、提高预测精度，将以上3个变量的原始时序数据统一调整至[0，1]区间，归一化公式为（3）数据集划分。
为使模型得到更充分的迭代训练，将3个变量数据中90%的数据作为训练集、10%的数据作为验证集。
（4）数据反归一化。
在模型训练完毕后进行模型性能评价时，需要将归一化处理的数据反归一化，以更加准确地评估模型输出的预测值与真实值之间的差距，反归一化公式为2研究方法2.1TCN模型传统一维CNN应用于时间序列预测时，用卷积层提取时序信息形成记忆，卷积层感受野决定了记忆序列的长短。
CNN虽拥有并行高效计算的优势，但受限于信息易泄露、感受野扩张难度大，预测精度仍较低。
TCN是一种新型的可以用来解决时间序列预测问题的模型，由因果卷积、膨胀卷积、残差连接等模块组成，具有更稳定的梯度、更高的计算效率、更长的记忆序列等优势，不会引入未来时刻的数据信息，避免了数据泄露。
2.1.1因果卷积TCN作为一个主要用于时间序列预测的网络模型，在該模型中引入因果卷积可以使模型在预测t时刻的目标数据y时仅对t时刻以及t时刻之前的输人数据进行卷积计算并提取时序特征，这就使得TCN对y的预测只与t时刻及t时刻之前的信息有关，避免了传统CNN卷积计算会提取到未来数据信息的缺点。
此外TCN还使用步长为1、零填充大小为kz-1为卷积核尺寸的一维全卷积网络，确保了模型输入大小与输出大小相等。
2.1.2膨胀卷积引入膨胀卷积可以在保证TCN模型输入大小与输出大小相等以及引入因果卷积的前提下，使TCN模型的感受野指数倍扩大，从而让TCN以更长的记忆序列进行预测。
其原理是按照膨胀系数d的大小对普通CNN的感受野插入空白信息，d的数值通常是形如（1，2，4，8，…）的指数数列。
膨胀卷积计算公式为当TCN引入因果卷积和膨胀卷积扩大感受野时，无法避免地会增加网络深度，需要使用残差连接来解决梯度衰退甚至梯度弥散问题。
残差连接是在一般的CNN连接结构中增加一条快捷通道，将模型的输入序列X添加至卷积计算的输出序列F（X）中。
区别于一般的ResNet 模型把X直接添加到残差模块的输出序列中，TCN模型使用1x1卷积处理X，确保F（X）与X有相同的宽度。
2.2Attention机制Attention机制是对人脑注意力集中于有用信息的仿真模拟，通过权重分配使模型减少对无用信息的关注，从而充分关注重要信息。
Attention权重值计算公式为本文使用多个变量的输入来进行日均流量预测，不同变量与不同时刻的数据对日均流量的影响程度各不相同．Attention机制的使用可以筛选出对日均流量变化影响较大的关键因素，并赋予关键因素较大的权重，减小非关键因素的权重，提升对日均流量预测的准确性。
2.3TCN-Attention模型针对黄河花园口水文站流量影响因素多、变化趋势不确定性强、峰值变化大等问题，将花园口水文站的流量、降水量、含沙量3个变量作为模型输入数据，结合TCN模型与Attention 机制，设计一种多变量TCN-Attention日均流量预测模型，模型整体结构见图2，以h。
输出为例展示TCN膨胀卷积和因果卷积过程，前期已进行实验调参。
TCN-Attention模型第一层为输入层，将3个变量的时序数据输入模型，依照膨胀系数d分别为1、2、4、8、16、32，结合因果卷积和膨胀卷积的一维卷积隐层对输人数据进行信息提取。
隐层通过权重归一化进行加速计算和收敛，隐层之间使用线性整流激活函数（Relu）作为激活函数，并在隔层之间使用残差连接，以1x1卷积操作保证隔层之间维度相同，残差模块结构见图3。
每一隐层的卷积核尺寸为2，卷积核数量为32。
由Attention机制自动判定隐层输出的特征信息h。
对日均流量变化影响的大小，对信息h、h、…、h分别赋予权重ai、a2、…、a，随后每个特征向量与其对应的权重向量合并成新向量，全连接层作为最后的输出层，最终输出TCN-Attention模型的预测值y。
TCN - Attention模型以降低真实值与预测值之间的误差作为训练目标，迭代更新卷积层、全连接层与Attention机制中的参数，直至误差收敛完成训练。
使用平均绝对误差（MAE）、均方根误差（RMSE）以及平均绝对百分比误差（MAPE）作为评估模型预测精度的指标，计算公式分别为3预测效果与分析使用TensorFlow的Keras框架作为深度学习开发平台进行仿真实验。
为验证多變量TCN-Attention模型预测日均流量的性能，设置LSTM模型和TCN模型的预测对比实验。
这3个模型均使用黄河花园口水文站流量、降水量、含沙量数据作为输入，在划分好的训练集上进行迭代更新，均使用MAE作为损失函数。
按照以往相似研究经验设置实验超参数，并经过实验调优得到最终超参数，优化器选择Adam优化器，初始学习率为0.001' batch_size设置为32，训练轮次为200个epoch。
LSTM模型结构包括输入层、两个包含20个神经元的隐层以及输出层，两个隐层间有dropout结构缓解过拟合，TCN模型的部分参数与TCN -Attention模型相同。
3.2预测结果分析3.2.1模型训练集预测值、验证集预测值分析对LSTM、TCN、TCN-Attention模型训练完成后，分别绘制模型输出的训练集预测值、验证集预测值以及对应的真实值的折线图，见图4—图6。
对比3个模型的预测值与真实值可知，3个模型无论是在训练集还是在验证集都能大致预测出与真实值接近的日均流量，证明建立基于多变量数据驱动的日均流量预测模型的思路切实可行。
但对于不同时间范围内日均流量峰值附近的预测值，3个模型出现了不同程度的误差。
LSTM模型在日均流量峰值附近的预测误差最大，这种情况在训练集和验证集中都有出现，集中体现在日均流量超过4000m3/s时误差最明显。
日均流量峰值的预测对防洪预警、水库调度等非常重要，因此使用单-LSTM模型难以满足实际需求。
TCN模型对日均流量的整体预测以及峰值预测均优于LSTM模型，其在日均流量平稳变化和周期变化时可以较好地预测，但日均流量变化具有不确定性，使用单-TCN模型仍无法准确预测在939～944d、956～961d时间范围内出现的日均流量小峰值。
与TCN模型相比，TCN-Attention模型中的Attention机制可以很好地筛选对流量值影响更大的特征向量，非线性拟合能力更强，解决了TCN模型在预测日均流量部分峰值时误差较大的问题，有效应对随机性强、影响因素众多的流量变化。
