本技术提供了一种基于动态变分模态分解的多变量多步径流预测方法,属于流域径流预测技术领域,该方法包括收集研究流域的多种水文气象数据;采用动态变分模态分解策略VMD对原始径流序列进行分解,对流域下垫面和气象数据及上游水文站点径流数据进行滑动窗口切片处理,结合分解得到的目标水文站径流数据子序列组合为第一特征变量;对气象站数据进行气象因子筛选并将筛选结果作为第二特征变量,结合第一特征变量和第二特征变量共同组合为输入特征变量;通过采用麻雀搜索算法SSA对长短期记忆网络LSTM参数进行寻优构建长短期记忆网络LSTM,并对未来径流进行预测。本发明有效克服捆绑分解引入未来预报信息的不足,进而增强了分解‑集成预报模型在实际工程中的适用性。
背景技术
流域径流预测对防洪防涝、水资源管理等水利工程起着至关重要的作用,目前径流预测的研究方法主要是过程驱动型水文模型和数据驱动型模型。近些年,信号分解算法结合深度学习模型集成预报模型是水文预报的一种有效方法。然而,在实际应用中分解-集成模型中的信号分解存在“捆绑分解”问题,会导致未来的径流信息泄露,使模型预测预报结果虚高。此外,传统LSTM模型集中在研究单个水文站点降水径流关系,很少关注到上下游径流关系,对极端突发气候条件下的水文预测时效与精度不足。
在径流预测领域,信号分解技术结合深度学习模型,如传统VMD-LSTM混合模型虽然在处理复杂的非线性和非平稳时间序列数据方面具有一定的优势,但其在实际应用中仍存在诸多不足。
传统VMD-LSTM模型的主要缺点:
1)未来信息泄露与捆绑分解。传统VMD在对时间序列进行分解时,往往需要依赖整个序列的信息。这种全局性分解方式可能引入未来信息,导致“捆绑分解”现象,削弱了模型对真实径流模式的识别能力,影响预测的准确性和可靠性。
2)参数选择的高度敏感性。VMD算法的分解效果依赖于参数的选择,尤其是模态数量(K)和带宽限制参数(α)。在传统VMD-LSTM模型中,这些参数通常通过经验或网格搜索确定,可能会导致分解不准确或参数寻优时间过长,缺乏系统性的优化方法,进而影响LSTM模型的训练效果和预测性能。
3)静态分解策略的局限性。传统VMD采用静态分解方法,对整个时间序列一次性进行分解。这种方法无法适应时间序列中可能存在的动态变化和非平稳特性,导致分解结果难以捕捉到实时变化的关键特征,降低了模型对突发性径流变化的响应能力。
实现思路