基于多变量LSTM神经网络的地下水水位预测

被引：47

作者：

闫佰忠 ^{[1
,2
,3
]}

孙剑 ^{[1
,2
,3
]}

王昕洲 ^{[4
]}

韩娜 ^{[1
,2
,3
]}

刘博 ^{[1
]}

机构：

[1] 河北地质大学水资源与环境学院

[2] 河北省水资源可持续利用与开发重点实验室

[3] 河北省水资源可持续利用与产业结构化协同创新中心

[4] 河北省地质资源环境监测与保护重点实验室(筹)

来源：

吉林大学学报(地球科学版) | 2020年 / 50卷 / 01期

关键词：

地下水位预测; LSTM; 多变量;

D O I：

10.13278/j.cnki.jjuese.20190055

中图分类号：

P641.7 [地下水普查与勘探];

学科分类号：

0818 ; 081802 ;

摘要：

为解决以往模型未考虑地下水位相关影响因素的问题,探讨长短期记忆(LSTM)神经网络在地下水位预测中的应用,利用长短期记忆神经网络,采用多变量输入的方式,构建了基于多变量LSTM神经网络的地下水水位预测模型。以泰安市岱岳区J1号监测井为例,采用2001—2014年地下水水位动态监测资料与相关影响因素数据,利用多变量LSTM神经网络对2015—2016年地下水位进行预测,并与单变量LSTM神经网络和反向传播(BP)神经网络进行对比。研究结果表明:以相关影响变量为输入的BP神经网络无法考虑时序变化规律,预测均方根误差最大,为2.399 3;以地下水位为变量输入的单变量LSTM神经网络仅能根据时序变化作出相应预测,无法考虑相关变量影响,预测均方根误差为2.102 2;基于多变量输入的LSTM神经网络的预测精度显著高于单变量LSTM神经网络和BP神经网络,预测均方根误差最小,仅为1.919 1。总体上,多变量LSTM神经网络地下水位预测模型仅在某些峰值处误差较大,但总体预测效果较为理想。

引用

页码：208 / 216

页数：9

共 12 条

[1] 基于LSTM循环神经网络的故障时间序列预测 [J].

王鑫 ;

吴际 ;

刘超 ;

杨海燕 ;

杜艳丽 ;

牛文生 .

北京航空航天大学学报, 2018, 44 (04) :772-784

[2] 基于主成分-时间序列模型的地下水位预测 [J].

张展羽 ;

梁振华 ;

冯宝平 ;

黄继文 ;

吴东 .

水科学进展, 2017, 28 (03) :415-420

[3] 济南岩溶泉域地下水位、降水、气温与大尺度气象模式的遥相关 [J].

祁晓凡 ;

李文鹏 ;

李海涛 ;

杨丽芝 .

水文地质工程地质, 2015, 42 (06) :18-28

[4] SOM-RBF神经网络模型在地下水位预测中的应用 [J].

刘博 ;

肖长来 ;

梁秀娟 .

吉林大学学报(地球科学版), 2015, 45 (01) :225-231

[5] 北方浅层地下水超采区地下水预测模型 [J].

马新双 ;

卢胜勇 ;

李明良 ;

任印国 .

南水北调与水利科技, 2011, 9 (04) :134-136+155

[6] GM(1,1)模型在滦河下游地区地下水位预测中的应用 [J].

周振民 ;

赵明亮 ;

李玲 .

中国农村水利水电, 2011, (02) :50-52

[7] 时间序列在地下水位预测中的应用 [J].

陈汉军 ;

杨雪 ;

黄东卫 .

天津理工大学学报, 2008, (02) :8-10

[8] 地下水动态的影响因素分析 [J].

杨建中 .

科技情报开发与经济, 2008, (09) :121-122

[9] 基于BP神经网络的区域地下水位动态预测 [J].

管新建 ;

逯洪波 ;

徐清山 .

人民黄河, 2006, (08) :40-41+79

[10]

Long short-term memory neural network for traffic speed prediction using remote microwave sensor data[J] . Xiaolei Ma,Zhimin Tao,Yinhai Wang,Haiyang Yu,Yunpeng Wang.Transportation Research Part C . 2015

← 1 2 →