耦合Encoder-Decoder的LSTM径流预报模型研究

将长短期记忆神经网络(long short-term memory neural network,LSTM)与Encoder-Decoder结构耦合应用为LSTM-ED模型,并与LSTM人工智能径流预报模型进行比较.通过在闽江建溪流域进行应用,结果表明,相较于LSTM,LSTM-ED在检验期整体和各预见期具有更高的精度和稳定性,且对于典型洪水的预报洪峰误差更小,其独有的语义向量可以保持水文信息的连续性,预报径流过程不易受降雨波动干扰.2个模型的预报能力都与流域最大汇流时间密切相关,当预见期小于流域最大汇流时间时,2个模型都有很好的预报能力;当预见期大于流域最大汇流时间时,模型预报能力显著变差;当预见期远大于流域最大汇流时间时,2个模型都失去预报可靠性.