基于CNN-LSTM-Attention和自回归的混合水位预测模型

作     者：吕海峰 涂井先 林泓全 冀肖榆 LYU Haifeng;TU Jingxian;LIN Hongquan;JI Xiaoyu

作者机构：梧州学院广西机器视觉与智能控制重点实验室广西梧州543002 

出 版 物：《水利水电技术（中英文）》 (Water Resources and Hydropower Engineering)

年 卷 期：2024年第55卷第6期

页      面：16-31页

学科分类：08[工学] 081501[工学-水文学及水资源] 0815[工学-水利工程] 

基　　金：国家自然科学基金项目(62262059) 广西高校中青年教师科研基础能力提升项目(2024KY0692) 

主　　题：时间序列 水位预测 CNN LSTM Attention 影响因素 洪水 西江 

摘      要：【目的】水位预测对交通运输、农业以及防洪措施具有重要影响。精确的水位值可用于提升水道运输的安全及效率、降低洪水风险,同时也是保障区域可持续发展的必要条件。【方法】提出一种CRANet的混合水位预测模型,以卷积神经网络(CNN)、长短期记忆网络(LSTM)、注意力机制以及自回归(AR)组件为基础,旨在应对时间序列数据中存在的线性与非线性问题,缓解自回归及ARIMA模型的缺陷。其应用不仅在于为航运调度提供决策支撑,加强导航安全效率,同样能提升防洪减灾的能力。其中,CNN和LSTM组件有效地针对数据集内的局部和全局关系进行捕捉,AR组件则能充分考虑数据的时间序列特性。同时,通过注意力机制,模型能够优先考虑相关特性,提高预测效果。【结果】研究成果所提出的模型已成功应用于中国西江梧州站的水位预测,在测试集上预测未来3 h级别水位的MAE、RMSE和R^(2)分别为0.086、0.114 5和0.950 8。【结论】结果表明所提出的CRANet模型在水位预测方面的高可用性、准确度与稳健性,相较于AR、SVR、CNN、LSTM等模型具有更优的MAE、RMSE和R^(2)。