基于均生函数的长短期记忆神经网络径流建模研究与应用

准确的径流建模预测是水文领域中一项具有挑战性的任务，也是减灾防灾的重要研究课题，精确可操作的径流预报模型对于水资源规划及综合开发利用，水利枢纽运行管理等重大决策问题提供基本决策依据，对国民经济健康发展具有十分重要的意义。针对径流预测建模中难以选择建模因子和难以确定非线性径流预测模型的问题，本文利用均生函数生成延拓因子矩阵，并提取延拓矩阵中信息熵高矩阵生成建模因子，进一步利用长短期记忆神经网络建立柳江径流预测模型，该模型通过分析原始降水序列特性，提取径流系统不同振荡周期特征形成建模因子，并结合长短期记忆神经网络对在非线性时间序列记忆特征和非线性时序动力系统控制的优势，以此建立柳江径流模型。该方法充分利用均生函数提取系统序列前后依赖和周期关系特性，并结合长短期记忆神经网络对非线性时间序列记忆特性，此方法能有效地提高预报长度，并能获得较高的建模及预报精度。柳江径流实例进行验证，结果表明了方法预测的精度高，稳定性好，为径流预测分析提供了一种可靠、有效的方法。

精确的径流预报模型对于水资源规划及综合开发利用，水利枢纽运行管理等重大决策问题提供基本决策依据，对国民经济健康发展具有十分重要的意义。由于影响流域河川径流变化因素很多，如蒸发、降水、气候和地下河流等，它们之间的变化机制和相互影响的因素十分复杂，其过程表现出强烈的非线性特征[1] [2]， 要完整而准确地描述这样一种复杂非线性性过程， 传统的欧式几何和动力系统模型预测极为困难，因此流域内径流建模是一项具有挑战性的任务[3] [4] [5]。目前国内外对中长期径流预测研究主要的方法有成因分析法、统计分析法、灰色系统分析法、小波分析法等[6]。应用较为广泛统计建模方法主要有三种：自回归(Auto Regressive Mode1, AR)模型、移动平均(Moving Average Mode1, MA)模型和自回归移动平均混合(Auto Regressive Moving Average Mode1, ARMA)模型，这三种模型均可根据历史资料制作多步预测，但预测得到的结果都接近序列的平均值，对未来预测精度不高。而近年来随着计算机硬件和智能计算方法的发展，基于数据驱动的机器学习方法获得迅速发展，其本质上就是从观测样本数据中学习数据输入模式空间与输出空间的广义函数映射关系，建立数据输入和输出之间的知识和规律，并利用这些知识和规律对未来数据或无法观测的数据进行推断、决策和预测[7] [8] [9]。如经典有监督机器学习方法神经网络模型，在建立模型时不需要考虑的径流物理过程，将预测系统构造的神经网络学习矩阵看作是输入与输出之间的一种非线性映射，而实现这种非线性映射关系，并不需要事先知道所研究的