改进EEMD-GRU混合模型在径流预报中的应用

作     者：刘扬 王立虎 杨礼波 刘雪梅 LIU Yang;WANG Lihu;YANG Libo;LIU Xuemei

作者机构：华北水利水电大学信息工程学院河南郑州450046 

出 版 物：《智能系统学报》 (CAAI Transactions on Intelligent Systems)

年 卷 期：2022年第17卷第3期

页      面：480-487页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 081501[工学-水文学及水资源] 0815[工学-水利工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：河南省水利科技攻关项目(GG202042) 

主　　题：径流预报 集合经验模态分解 深度学习 门控制循环单元神经网络 并行计算 混合模型 时序预测 工程应用 

摘      要：为解决径流预测模型存在的预测精确度低、稳定性差、延时高等问题,结合门控制循环单元神经网络(gated recurrent unit,GRU),集合经验模态分解(ensemble empirical mode decomposition,EEMD)的各自优点,提出一种基于改进EEMD方法的深度学习模型(EEMD-GRU)。该模型首先以智能算法对径流信号进行边界拓延,以解决EEMD边界效应。然后利用改进EEMD方法将径流信号分解为若干稳态分量,将各分量作为GRU模型的输入并对其进行预测。实验结果表明,与结合了经验模态分解的支持向量回归模型相比,并行EEMDGRU径流预测模型的预测精准度、可信度和效率分别提高82.50%、144.67%和95.49%。基于EEMD-GRU的最优运算结果表明,该方法可进一步减少区域防洪的经济损失,提高灾害监管的工作效率。