基于SSA-LSTM模型的黄河水位预测研究.pdf

收稿日期：作者简介：王军（），男（回族），河南南阳人，教授，博士，研究方向为大数据与人工智能：【“黄河流域生态保护和高质量发展”专题】基于 模型的黄河水位预测研究王 军，马小越，张宇航，崔云烨（郑州航空工业管理学院，河南 郑州；河南日报社，河南 郑州）摘 要：黄河流域内的水资源分配和调度对于各个地区的经济发展和人民生活至关重要。为提高黄河水位预测精度，提出一种基于麻雀搜索算法（）和长短期记忆（）网络融合的黄河水资源调度预测模型，即利用 算法优化 模型的超参数后，对黄河水位进行预测。结果表明，模型的（平均绝对百分比误差）、（均方根误差）、（平均绝对误差）和（拟合优度）分别为 、。相较于层感知器（）、对照模型，模型的、明显减小，有所提升。采用 算法自动进行参数选优的方式，可解决 模型手动选择参数的难题。这种方法不仅大幅缩短模型训练时间，还能找到最优网络参数，从而发挥模型的最佳性能。利用 模型预测黄河水位具有良好的准确性和鲁棒性，可以为黄河水资源调度提供依据。关键词：水资源调度；长短期记忆网络；麻雀搜索算法；模型；深度学习；黄河中图分类号：；文献标志码：引用格式：王军，马小越，张宇航，等基于 模型的黄河水位预测研究人民黄河，（）：，（，；，）：，（）（），（），（），（），（），：；近年来，黄河流域生态环境保护和治理取得了一些进展，但仍存在不足，流域环境问题给周边乃至更广泛的生态系统带来了不良影响。为了推动黄河流域生态保护和高质量发展，采用智能手段监测水位并完善防汛预警综合体系，可以提前预测洪水的发生，并采取相应的防范手段，保护人民的生命和财产安全，减轻洪灾对生态环境的破坏，为黄河流域可持续发展提供有力支持。在黄河水资源调度方面，传统方法通常基于统计模型或经验规则，但在复杂的水文变化和不确定性情况下，传统方法效果往往不佳。本文提出一种 模型来预测黄河水位，从而为水资源调度提供新的水位预测方法。该模型采用 自动进行参数选优，可解决 模型手动选择参数的难题，大幅缩短模型的训练时间，找到最优的网络参数，从而充分发挥模型的最佳性能。理论基础与模型构建水资源调度是在给定的时间、区域内，运用水文第 卷第 期 人 民 黄 河 ，年 月 ，学、水资源经济学、水环境学等学科理论知识，按照一定的规划和调度方案，合理分配、利用、保护和管理水资源的过程。水资源调度模型是根据数据、算法和设计要求，对水资源调度进行建模、仿真和优化的模型。基于水资源调度模型，根据不同地区的水文数据预测未来一段时间内的水资源情况，并进行优化调度。为了准确预测水位，本文采用、和 三种模型进行水位预测实验。这些模型的选择是基于其在时间序列数据处理方面的优势和广泛应用。通过比较不同模型的预测效果，来评估它们在调水工程中的水位预测性能。麻雀搜索算法麻雀搜索算法（，）是一种群智能优化算法。麻雀群体觅食时有一部分麻雀作为发现者，为整个麻雀群体提供觅食区域和方向，其余麻雀作为跟随者依赖发现者获取食物。位置是麻雀的唯一属性，在觅食过程中发现者与跟随者身份会进行调换，但两者数量之和的比例不变。遇到危险时，群体边缘麻雀会发出预警，预警值大于安全值时，麻雀群体会移动至安全区域。用 算法进行优化时，在 次迭代中发现者的位置更新可以用如下公式表示：，（）（），（）（）式中：，、，分别为在迭代次数为、时第 只麻雀的第 维位置信息；为 内的随机数；为最大迭代次数；为服从正态分布的随机数；为 型且元素全为 的矩阵（为特征的维度）；为预警值，；为安全值，。当 时，觅食环境中没有捕食者，发现者可以广泛进行觅食活动，麻雀位置将根据当前解，以指数衰减方式进行更新，即通过，乘以（）来降低解的值；当 时，部分麻雀发现捕食者并发出预警，麻雀群体飞往安全区域，麻雀位置将根据当前解，和、进行更新。时飞往群体中心的跟随者位置表达式为，（，）（），（）（）式中：为最劣位置；为当前发现者最优位置；为元素随机赋值为 或 的 型的矩阵，且满足关系（）；为跟随者数量。当 时，第 只跟随者适应度较低而无法觅食，麻雀群体需要飞往其他地方获取食物。在整个群体活动中，一旦危险被边缘麻雀所感知，就会产生反捕食行为，其位置表达式如下：，（），（）（）（）式中：为全局最优位置；、为控制步长参数；为常数，避免分母为；为第 只跟随者的适应度；为最优适应度；为最劣适应度。模型框架 模型是一种前馈神经网络模型，由输入层、多个隐藏层和输出层组成，结构见图。隐藏层通过全连接层对输入数据进行非线性变换，提取更高级别的特征；每个隐藏层的输出通过激活函数进行非线性映射；最后一个全连接层的输出是模型的预测结果。模型通过反向传播算法计算梯度，再通过梯度下降法更新每个输入变量的权重和偏置，从而使预测误差最小化、提高预测精度。在预测过程中，使用训练好的模型和新的输入数据进行预测，从而获得模型的输出结果。图 结构 模型框架 模型具有与传统循环神经网络（，）相似的链形式结构。的自连接隐藏层结构导致其需要根据前一时刻的隐藏层状态更新当前时刻的隐藏层状态，从而产生依赖关系。然而，当时间序列较长时，通过多次连乘计算梯度会使得梯度呈指数增长或衰减，在训练过程中可能出现梯度消失或梯度爆炸。的提出在一定程度上解决了 无法记住早期时间序列信息的问题。的隐藏层仍然采用自连接形式，但 通过引入 种门结构（“遗忘门”“输入门”和“输出门”）来控制细胞状态信息和隐藏层状态信息的传输与更新，从而在处理时间序列数据时解决了梯度消失或梯度爆炸的问题。隐藏层结构见图，图人 民 黄 河 年第 期中：为输入信号；为 时刻的输出信号；为输出值；为“输入门”输出信号，也表示新记忆细胞；为 时刻的细胞状态信息；为当前层最终记忆细胞信息；、分别为“遗忘门”“输入门”和“输出门”结构对应的控制系数；为 激活函数。图 隐藏层结构“遗忘门”决定是否将前一时刻的细胞状态信息传递到当前时刻，如图 所示，依据来决定 时刻的细胞状态信息，接近 时完全遗忘，接近 时完全保留。“输入门”可以通过 激活函数控制需要将多少新的信息添加到细胞状态中。“输出门”决定当前单元状态对隐藏层状态和输出的影响，通过 激活函数确定输出内容。的表达式如下：（，）（）（，）（）（，）（）（）（，）（）（）式中：、均为权重矩阵，、均为偏置，为双曲正切激活函数。模型构建黄河水位是随时间不断变化的，其受各种因素的影响，具有相当高的不确定性。为了更好地预测黄河水位以便进行水资源调度，以 模型为基础模型，结合 优化算法构成 模型。超参数（神经元个数、迭代次数、输入批量和学习率等）的选择对 模型的拟合能力至关重要。本文的研究目标是使用多因素输入和单因素输出的方式进行水位预测。传统的 模型需要人工调整参数，效率和准确性较低。算法局部搜索能力极强，收敛速度较快。使用 算法对模型进行参数调优，可以自动选择最佳的超参数组合，节省 模型调整超参数和训练的时间，从而提高模型性能。模型构建流程见图。图 模型构建流程 模型训练与评估 数据来源和处理 数据来源水文数据包括水位、降水量、水面蒸发量、径流量等，这些数据会有一部分向社会公开，例如全国水雨情网站。本文所使用的数据主要来自公开数据源，以确保数据的可访问性和透明性。水资源调度过程受温度、湿度、风向、风力、降水量和水位等各种因素的影响。本文通过多因素预测黄河水位变化。黄河支流众多，水位情况参差不齐，为了保证实验的真实性和可行性，选取东营垦利区黄河西河口水文站作为参考站。通过中国气象局网站获取温度、湿度、风向、风力和降水量等数据，通过查全国水雨情信息网站获取水位数据。为了保证实验的时效性和准确性，选取 年 月 日 时至 年 月 日 时监测数据作为原始数据。数据处理）归一化处理。归一化常被称为标准化。为消除各变量之间量纲不同的影响，同时加快模型训练速度，往往需要对数据进行标准化处理。根据本文数据特征，采用最大最小标准化进行归一化处理，使模型的输入数据处于，之间，公式为（）人 民 黄 河 年第 期式中：为归一化后的数据，为原始数据，为原始数据中最大值，为原始数据中最小值。）样本划分。为了评估模型性能并验证其预测效果，选取样本数据的 作为训练集用于模型训练，剩下的 为预测集用于验证模型的预测效果。模型训练采用 代码实现对、模型的训练。模型首先设置最大迭代次数为、学习率为，使用训练数据进行拟合。再利用训练好的模型对测试数据进行预测，并对预测结果进行反归一化处理。上述操作完成后，得出 模型的实验结果，见图。图 模型的水位观测值与预测值 模型首先使用 构建一个具有一个隐藏层的循环神经网络，并返回输出序列；再使用 创建 单元，并将多个 单元堆叠起来；最后通过全连接层计算输出序列。设置参数如下：学习率为，迭代次数为，第一隐藏层神经元个数为，第二隐藏层神经元个数为，批大小为。完成上述设定后，输入数据得出 模型的实验结果，见图。图 模型的水位观测值与预测值 模型 模型是在 模型中加入了 算法。为了更加精准地预测水位，采用 内固定时间点的数据，按 的比例将样本数据划分为训练集和测试集。模型输入为 个因素（温度、湿度、风向、风力、降水量、水位），输出为单个因素（水位）。优化模型训练参数设置如下：麻雀种群数量为，发现者比例为，预警值为，学习率范围为，迭代次数范围为，隐藏层神经元个数为，训练轮数为。训练过程中，利用 优化算法不断调整 中 个隐藏层神经元个数、迭代次数和学习率，当适应度连续多轮没有变化时训练停止。确定优化参数见图，输入数据得出 模型的实验结果见图。个隐藏层神经元个数分别为、，迭代次数为，学习率为，适应度为，模型达到最优效果。（）第一个隐藏节点优化（）适应度曲线（）迭代优化（）学习率优化（）第二个隐藏节点优化图 模型优化参数 模型评估为了更好地描述模型输出的准确性与泛化性，采用（平均绝对百分比误差）、（均方根误差）、（平均绝对误差）和（拟合优度）对模型进行评人 民 黄 河 年第 期图 模型的水位观测值与预测值估，计算公式如下：（）（）（）（）（）（）（）式中：为样本总数，为第 个样本的预测值，为第 个样本的观测值，为所有样本观测值的平均值。将 节所得、模型实验数据代入式（）式（）中，可得到各模型的评价指标，见表。表 、模型的评价指标结果预测模型 一般认为越大、和 越小，模型性能越好。与、模型相比，模型的 分别降低了 、，拟合优度分别提升了、。模型利用 算法实现了参数优化，其在可行范围内发挥出最优的预测性能。由此说明，模型对非线性时间序列的预测具有良好效果。结论水资源调度受多种因素影响，本文将东营垦利区黄河西河口水文站的温度、湿度、风向、风力、降水量和水位数据输入、模型中，同时将水位作为输出因素。通过对模型进行评估，得出如下结论：、模型都能展现出水位与时间的关系，但以、作为模型性能的评价指标时，模型的性能明显优于、模型的，能够较准确地预测水位，并且在训练期集中产生较小的误差。黄河流域水文条件复杂，各地区的地理位置不同，其水资源管控措施也有很大不同。为了应对这种情况，本文提出了 模型，可以根据黄河流域不同地区的地理特点，利用 模型进行因地制宜的水资源管理。通过上下游政府之间信息共享、技术交流和政策协商等，建立有效的沟通机制和合作平台，各相关方可以共同制定保护和管理黄河水资源的措施，促进跨区域水资源的均衡分配和合理利用。参考文献：何楠，张亚琼，李佳音，等基于黄河流域治理的生态水利 项目风险评估人民黄河，（）：王军新一代信息技术促进黄河流域生态保护和高质量发展应用研究人民黄河，（）：李宗礼，刘昌明，郝秀平，等河湖水系连通理论基础与优先领域地理学报，（）：祖林禄，柳平增，赵妍平，等基于 的日光温室环境预测模型研究农业机械学报，（）：曾印，谢劭峰，张继洪，等顾及季节和高程影响的青藏高原湿延迟神经网络预测模型中国科技论文，（）：，：，：，：，（）：王军，高梓勋，朱永明基于 模型的黄河水质预测研究人民黄河，（）：，王军黄河流域空天地一体化大数据平台架构及关键技术研究人民黄河，（）：高学平，闫晨丹，张岩，等基于 神经网络的调水工程调蓄水位预测模型南水北调与水利科技，（）：李蒙基于深度神经网络土壤墒情预测方法的研究合肥：安徽农业大学，：黄晨宏，李昆鹏，郑真，等基于二次混合模态分解和 算法的短期负荷预测电器与能效管理技术，（）：【责任编辑 栗 铭】人 民 黄 河 年第 期