基于多维度输入的水厂日取水量卷积长短期记忆网络预测
Convolutional Long and Short-term Memory Network Prediction of Daily Water Intake from Waterworks Based on Multidimensional Input作者机构:安徽省(水利部淮河水利委员会)水利科学研究院安徽合肥230088 合肥工业大学土木与水利工程学院安徽合肥230009
出 版 物:《水电能源科学》 (Water Resources and Power)
年 卷 期:2024年第42卷第5期
页 面:72-75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:安徽省自然科学基金项目(2208085US13) 安徽省水利部淮委水利科学研究院科技攻关计划项目(KJGG202001)
摘 要:鉴于传统的单维输入卷积长短期记忆网络(CNN-LSTM)的预测精度依赖于历史数据的规律性,构建了基于多维度输入的卷积长短期记忆网络预测模型,其中采用皮尔逊相关分析来识别数据内部特征或外界环境因子相关性,在此基础上构建模型输入,并应用于两个自来水厂日取水量预测。结果表明,相较于传统单维度输入预测模型,构建的基于数据内部特征或外部环境因子的多维度输入CNN-LSTM预测导致A水厂取水量的平均绝对百分比误差分别降低了32%、17%;B水厂的平均绝对百分比误差分别降低了47%、12%,表明基于数据内部特征的多维度输入模型更高。其余评价指标也呈现类似变化;且增大水厂取水量有助于提高模型的预测精度。该模型输入分析方法可为提高预测模型精度提供有效范例。