基于LSTM的小河川径流预报
机器学习
2020-01-17 v1
摘要
小河川的径流预报一直具有重要意义，但由于较小流量河流的特殊性而相对具有挑战性。人工智能(AI)方法在该领域已应用许久，但预报质量的提升仍在路上。在本文中，我们尝试提供一种使用长短期记忆(LSTM)深度学习模型进行预报的新方法，该模型面向时间序列数据领域。利用LSTM，我们收集了中国屯溪某水文站的径流数据及周边11个雨量站的降水数据，以预报该水文站未来6小时的径流数据。我们使用三个准则评估预测结果：均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R²)。通过将LSTM的预测与支持向量回归(SVR)和多层感知机(MLP)模型的预测进行比较，我们表明LSTM具有更好的性能，达到了82.007的RMSE、27.752的MAE和0.970的R²。我们还对LSTM模型进行了扩展实验，讨论其性能的影响因素。
引用
@article{arxiv.2001.05681,
title = {Stream-Flow Forecasting of Small Rivers Based on LSTM},
author = {Youchuan Hu and Le Yan and Tingting Hang and Jun Feng},
journal= {arXiv preprint arXiv:2001.05681},
year = {2020}
}
备注
7 pages