基于CNN-LSTM与注意力机制的黄河流量演进预报方法研究

【作者】 张书齐； 左其亭； 马军霞；

【机构】 郑州大学水利与交通学院； 河南省水循环模拟与水环境保护国际联合实验室； 郑州大学黄河生态保护与区域协调发展研究院；

【摘要】 本文提出了一种结合卷积神经网络(CNN)、长短期记忆网络(LSTM)和注意力机制(Attention)的黄河干流流量演进预报方法,以黄河干流唐乃亥至青铜峡七个水文站的日尺度流量数据为例,开展流量演进预报。结果表明,模型在大多数河段的拟合度较高,能够准确模拟流量的变化趋势;在个别河段(下河沿至青铜峡),由于河道复杂、泥沙淤积和人类活动影响,模型的预测精度有所下降。尽管如此,模型整体上展现了较强的适应性和预测能力。通过本研究,证明了深度学习模型在流量演进预报中的潜力,为黄河流域水资源管理提供了新的技术方法和数据支持。更多还原