基于TCN-BiLSTM与LSTM模型对比预测北洛河径流.pdf

DOI:10.12171/j.10001522.20230267基于 TCN-BiLSTM 与 LSTM 模型对比预测北洛河径流张梦凡1丁兵兵1贾国栋1,2余新晓1,2（1.北京林业大学国家林业与草原局水土保持重点实验室，北京100083；2.北京林业大学水保持学院首都圈森林生态系统国家定位观测研究站，北京100083）摘要:【目的】本研究旨在探究 TCN-BiLSTM 耦合模型与传统 LSTM 模型在径流模拟预测中的性能，为洪水风险管理和区域水资源规划提供准确有效的径流预测模型。【方法】以北洛河流域为研究区，基于双向长短期记忆网络（BiLSTM）和时域卷积网络（TCN）建立一种新的径流预测耦合模型 TCN-BiLSTM。利用相关性分析，筛选预测径流的输入因子，确定4 种不同的输入方案应用于 TCN-BiLSTM 耦合模型和传统 LSTM 模型，每个模型分别预测 1、2、3d 的径流量。采用平均绝对误差（MAE）、均方根误差（RMSE）和拟合优度（R2）来评估模型的预测性能。【结果】（1）TCN-BiLSTM 耦合模型整体预测性能优于 LSTM 模型，TCN-BiLSTM 模型 R2达到 0.91，高于 LSTM 的 0.89。相比于 LSTM，TCN-BiLSTM 对于峰值和突变点的捕捉能力更强，对于波动大的复杂数据预测效果更优；（2）在针对未来 13d 径流量预测中，随着预见期的延长，4 种方案下 TCN-BiLSTM 和 LSTM 模型的预测效果均有所下降，相较于预测 1d，预测 3d 的 TCN-BiLSTM 和 LSTM 模型的 R2分别平均下降了 0.17 和 0.14，RMSE 分别平均增大了 4.59 和 4.40，MAE 分别平均增大了1.26 和 1.31；（3）在 4 种输入方案里，日累积降水量和日径流量作为输入变量时，模型的预测效果最好。降水数据的加入使得 TCN-BiLSTM 和 LSTM 模型相较于单一日径流数据作为输入变量时，1、2、3d 径流量预测的 R2分别提高 15%、14%、6%和 18%、14%和 1%。【结论】TCN-BiLSTM 耦合模型和 LSTM 模型 R2均能达到 0.85 以上，TCN-BiLSTM 模型R2较 LSTM 提高了 2%。对比来看，TCN-BiLSTM 模型在拟合洪水过程中表现更为优异，对于汛期的预测性能优于非汛期。输入变量对模型的影响较大，有效且高质量的气象数据能够提高模型的预测性能。关键词：水文模拟；TCN-BiLSTM；日径流预测；北洛河流域中图分类号：S715；P333文献标志码：A文章编号：10001522(2024)04014108引文格式：张梦凡，丁兵兵，贾国栋，等.基于 TCN-BiLSTM 与 LSTM 模型对比预测北洛河径流 J.北京林业大学学报，2024，46(4)：141148.ZhangMengfan,DingBingbing,JiaGuodong,etal.ComparativepredictionofrunoffintheBeiluoRiver,ShaanxiProvinceofnorthwesternChinabasedonTCN-BiLSTMandLSTMmodelsJ.JournalofBeijingForestryUniversity,2024,46(4):141148.Comparative prediction of runoff in the Beiluo River,Shaanxi Province ofnorthwestern China based on TCN-BiLSTM and LSTM modelsZhangMengfan1DingBingbing1JiaGuodong1,2YuXinxiao1,2(1.KeyLaboratoryofStateForestryandGrasslandAdministrationonSoilandWaterConservation,BeijingForestryUniversity,Beijing100083,China;2.TheMetropolitanAreaForestEcosystemResearchStation,SchoolofSoilandWaterConservation,BeijingForestryUniversity,Beijing100083,China)Abstract:ObjectiveTheaimofthisstudywastoinvestigatetheperformanceofcoupledTCN-BiLSTMmodelandtraditionalLSTMmodelinrunoffsimulationandprediction,specificallytheeffectofdifferent收稿日期:20231016修回日期:20240310基金项目:国家自然科学基金项目（U2243202），国家重点研发计划（2022YFF130080405）。第一作者:张梦凡。主要研究方向：水文过程模拟。Email：地址：100083北京市海淀区清华东路35号。责任作者:余新晓，博士，教授。主要研究方向：流域水文。Email：地址：同上。本刊网址:http:/；http:/第46卷第4期北京林业大学学报Vol.46，No.42024年4月JOURNALOFBEIJINGFORESTRYUNIVERSITYApr.，2024inputvariablesontheaccuracyofmachinelearninghydrologicalmodelandperformanceofthemodelunderdifferent foresight periods.Method A new coupled model TCN-BiLSTM for runoff prediction wasestablishedbasedonbi-directionallongshort-termmemorynetwork(BiLSTM)andtemporalconvolutionalnetwork(TCN)withtheBeiluoRiverBasinasthestudyarea.Usingcorrelationanalysis,theinputfactorsforpredictingrunoffwerescreened,andfourdifferentinputschemeswereidentifiedtobeappliedtothecoupledTCN-BiLSTMmodelandtheconventionalLSTMmodel,eachofwhichpredictedrunoffvolumesfor1,2,and3d,respectively.Meanabsoluteerror(MAE),rootmeansquareerror(RMSE)andgoodnessoffit(R2)wereusedtoassessthepredictiveperformanceofthemodel.Result(1)TheoverallpredictionperformanceoftheTCN-BiLSTMcoupledmodelwasbetterthanthatoftheLSTMmodel,andtheR2ofTCN-BiLSTMcanreach0.91,whichwashigherthanthatoftheLSTM,0.89.ComparedwithLSTM,TCN-BiLSTMwasmorecapableofcapturingpeaksandmutationpoints,andwasbetteratpredictingcomplexdatawithlargefluctuations.(2)Intherunoffpredictionforthenext13d,thepredictiveeffectivenessofTCN-BiLSTMandLSTMmodelsunderthefourscenariosdecreasedwiththeextensionoftheforesightperiod,andcomparedwiththepredictionof1d,theTCN-BiLSTMandLSTMR2forthepredictionof3ddecreasedonaverageby0.17and0.14,respectively,andtheRMSEincreasedonaverageby4.59and4.40,respectively,andtheMAEincreasedonaverageby1.26and1.31,respectively.(3)Amongthefourinputscenarios,thebestmodelpredictionswereobtainedwhendailyprecipitationdataanddailyrunoffdatawereusedasinputvariables.TheinclusionofprecipitationdataimprovedtheR2oftheTCN-BiLSTMandLSTMmodels for 1,2,and 3 d runoff predictions by 15%,14%,6%,and 18%,14%,and 1%,respectively,comparedwiththesingledailyrunoffdataasaninputvariable.ConclusionBoththeTCN-BiLSTMcoupledmodelandtheLSTMmodelR2canreachmorethan0.85,andtheTCN-BiLSTMR2isimprovedby2%comparedwiththeLSTM.Incomparison,theTCN-BiLSTMmodelperformsbetterinfittingthefloodprocess,andthepredictionperformanceforfloodseasonisbetterthanthatfornon-floodseason.Theinputvariables have a greater impact on the model,and effective and high-quality meteorological data canimprovethepredictionperformanceofthemodel.Key words:hydrologicalsimulation;TCN-BiLSTM;dailyrunoffprediction;BeiluoRiverBasin在可持续的水资源管理中，预测降雨量和径流趋势是水资源规划以及预防洪水灾害中非常重要的一环。但是由于气候变化和人类活动等因素的综合影响，径流变化表现出随机性和非线性等一系列复杂的水文特性12，使得径流模型的参数复杂多样，模型预测可靠性不高。因此，如何提高流域范围内的水文过程建模的精确度，构建简单有效的径流预报模型，一直是学者们致力于研究的问题。径流预测模型一般可以分为 3 类：物理模型、概念性或集总式水文模型和数据驱动模型3。物理模型一般通过建立物理数学关系来表示复杂的水文过程，通过创建输入数据和输出数据之间的关系进行预测，但是水文系统中的变量之间存在着强烈的非线性关系，物理模型难以描述；而建立在流域产汇流机理与过程的概念性或集总式水文模型，对于流域水文气象和下垫面条件的变化不能有效反映出来4；数据驱动模型不再专注于描述特定的水文物理机制，其依赖于大量的历史数据，并通过在相关的预先存在的影响和当前的径流元素之间创建相关关系来进行预测5，是直接从实际测得的数据中发现系统潜在的规律性的模型。随着计算机技术的日渐兴起，人工智能被应用到各个领域，其中支持向量机（supportvectormachine，SVM）、反向传播（backpropagation，BP）神经网络和优选多元线性回归（multiplelinearregression，MLR）6等方法也越来越多被应用到径流预测当中。但是以上模型都不能利用大的样本量，也无法精准捕捉突变数据，使得这部分模型精度不高。而长短期记忆网络（longshort-termmemory，LSTM）的提出，为利用大量样本处理时间序列信息提供了可能，如有研究通过 LSTM学习流域通用水文模型参数，构建了更精简的水文模型，并通过试验证明了 LSTM 模型预测结果的可靠性7。双向长短期记忆网络（bi-directional long short-term memory，BiLSTM）作 为LSTM 的变体已被证明有更高的预测性能8，但是其仍存在递归神经网络结构的梯度问题，于是有研究将卷积神经网络（convolutionalneuralnetwork，CNN）加入 LSTM 代替矩阵乘法，来提高 LSTM 模型的精142北京林业大学学报第46卷度9。另一方面，基于卷积神经网络的时域卷积网络（temporalconvolutionalnetwork，TCN）被提出，于是有学者开始探索时域卷积网络的水文预测能力，结果显示，TCN 模型的预测性能优越10。但是由于水文过程的复杂性和径流时空突变性以及算法自身的局限性，以上单一模型方法都在一定程度上存在误差。因此，在优化模型自身算法的同时，越来越多的学者探究采用多种方法耦合，以弥补单一模型算法结构上的不足，进而提高模型预测性能。如将 CNN、BiLSTM 与注意力机制（attention）相结合，提高了模型月径流预测精度11；将长短期记忆网络和门结构循环单元（gatedrecurrentunit，GRU）变体耦合构建了更高效、更精简的 Simple-LSTM 径流预报模型12；基于 LSTM 和 BP 神经网络提出了一种多模型组合预报方法，提高了模型的精度与适应性13；将长短期记忆网络和改进的时间卷积网络结合，优化了模型整体网络学习过程，提高了预报精度14。综上可知，有效合理的耦合模型可以提高模型整体的预测性能，弥补两个单一模型在水文预测上的不足。本研究将双向长短期记忆网络与时间卷积网络结合，建立了一种 TCN-BiLSTM 耦合径流预测模型，时间卷积网络的卷积层和残差链接能够很好地提取数据特征，BiLSTM 是正反双向的 LSTM，能够充分挖掘数据间的依赖关系。除了模型上面的处理，由于机器学习方法是依靠学习输入变量之间的关系进行预测，输入变量和预见期对模型的优劣起着决定性的作用。因此本文还评价了输入变量和预见期长度对模型预测精度的影响。通过深入探讨模型结构和输入变量、预见期对模型预测性能的影响，为北洛河流域径流预测研究提供了科学依据，也为其他流域的径流预测提供理论参考。1研究区域北洛河（352405371510N，10739401101649E）是黄河的次级支流，也是渭河的主要支流。北洛河起源于陕西省定边县白于山，于大茘县东南处汇入渭河15。途中流经陕西省榆林、延安、铜川、渭南及甘肃省庆阳 5 个地（市）的 18 个县（区）。河流全长共 680km，流域出口水文控制站为状头水文站16，控制面积 25645km217。流域内地形复杂，从上游至下游分布有黄土丘陵沟壑区、黄土丘陵林区、黄土高塬沟壑区、土石山林区和黄土阶地平原区等地貌带18。北洛河流域属大陆性季风气候，年均气温 7.5，年平均降水量为 500550mm，多年平均蒸发量为 1173.61193.5mm19，径流量年内变化较大。流域周边气象站、水文站分布见图 1。2研究方法2.1 数据选取选取了 2001 年 1 月 1 日2014 年 12 月 31 日北洛河状头水文站的日径流数据，气象数据选取了西峰、洛川、延安、吴旗、铜川 5 个气象站点的日相对湿度和日累积降水量，采用泰森多边形求得各指标的平均值。气象数据来自国家数据中心（http:/ Altitude/m气象站点 Weather station水文站点 Hydrologic station1 904347N图1北洛河流域概况Fig.1OverviewoftheBeiluoRiverBasin第4期张梦凡等：基于 TCN-BiLSTM 与 LSTM 模型对比预测北洛河径流143过程中由于数据的干扰造成的过拟合等现象。分析日平均气温、日累积降水量、日平均风速、日相对湿度、日蒸发量 5 个气象数据和日径流量数据相关性，结果显示，北洛河流域日径流量只与日累积降水量和相对湿度显著相关。因此本文选取日径流数据、日累积降水量和日相对湿度数据，建立模拟数据集，设置 4 组输入方案，各方案的预见期均为 13d。具体见表 1。表1模型各输入方案及变量名称Tab.1Modelsinputschemesandvariablenames方案编号SchemeNo.变量名称Variablename1日径流量Dailyrunoff日累积降水量Dailycumulativeprecipitation日相对湿度Dailyrelativehumidity2日径流量Dailyrunoff日相对湿度Dailyrelativehumidity3日径流量Dailyrunoff日累积降水量Dailycumulativeprecipitation4日径流量Dailyrunoff2.2 数据分析与处理20012014 年，北洛河流域出口径流量整体呈下降趋势（图 2），20052010 年显著减少，这主要可能是由于流域的土地利用和土地覆被状况发生了明显改变。有研究表明，2005 年和 2010 年北洛河上游的土地利用/覆被变化分别导致流域径流量减少了47.32%和48.61%21。2010 年往后径流量相对于2010年有所增长，但仍然低于 2004 年之前的径流量。从图 3 来看，北洛河流域径流集中分布在 710 月，8 月份径流量普遍最高。对数据进行标准化处理，计算公式为Z=ZiZminZmaxZmin(1)式中：Zi为按序列排列的每一个值，Zmax为序列中的最大值；Zmin表示序列中的最小值；Z 为归一化之后的数值。把标准化后的数据按照 0.70.150.15 的比例划分为训练集（3500 组）、验证集（750 组）和测试集（750 组）。为了验证模型在流域径流模拟及预报中的能力，本研究建立了不同预见期（13d）下状头水文站径流量预报模型。2.3 模型搭建TCN-BiLSTM 模型是一种耦合模型，包括时域卷积网络层和双向长短期记忆网络层。模型学习挖掘变量间关系时数据先经过双向长短期记忆网络层，再经过时域卷积网络层处理输出。时域卷积网络是由 Bai 等22提出的一种网络模型，它在传统的一维卷积神经网络基础上，结合了因果卷积、扩张卷积和残差链接2324。时域卷积网络可以有效地提取序列特征，同时避免梯度消失或爆炸现象。双向长短期记忆网络由正向和反向长短期记忆网络叠加而成。1997 年，Hochreiter 等25提出了长短期记忆网络，该网络包括输入层、隐藏层和输出层，隐藏层又由多个神经单元构成，每个神经单元分 3 个部分，分别为遗忘门、输入门和输出门。使用 Python 和深度学习库 pytorch 构建 TCN-BiLSTM 和 LSTM 模型，并对模型进行训练和验证。对于不同流域，同一种模型的最优参数也会存在差异26，所以需要对模型超参数进行调试优选，然后再根据优选参数搭建模型。本研究经过不断地优化调参得到北洛河日径流量预测模型最佳超参数（表 2）。2.4 模型评估本研究采用平均绝对误差（MAE）、均方根误差（RMSE）和拟合优度（R2）来评估模型的预测性能。2000072002072004072006072008072010072012072014070100200300400500600700日径流量 Daily runoff/(m3s1)时间 Time图220012014 年逐日径流量变化Fig.2Dailychangesinrunofffrom2001and201412345678910 11 121 0001 5002 0002 5000500月份 Month月径流量 Monthly runoff/(m3s1)25%75%1.5IQR 内的范围1.5 scope within IQR中位线 Median line图320012014 年月径流量分布Fig.3Distributionofmonthlyrunofffrom2001and2014144北京林业大学学报第46卷MAE 可衡量预测值与实际值的平均差值，反映预测值误差的实际情况。RMSE 对较大误差敏感，可以很好地反映测量的精度。这两个评估值越小预测效果越好。R2描述了预测结果与模型的拟合程度，范围在 0，1 之间。R2的值越趋近于 1 表示模型性能越好。具体公式为RMSE=ni=1(yi yi)2n(2)MAE=1nni=1|yi yi|(3)R2=1ni=1(yi yi)2ni=1(yi yi)2(4)yi yi yi式中：为真实值，为预测值，为预测值的平均值，n 为数据序列长度。3结果与分析3.1 模型的预测结果分析由图 4 可知，TCN-BiLSTM 模型预测值整体上与真实值拟合效果更好，只是在非汛期存在部分偏离真实值的情况，而 LSTM 模型预测值普遍低于真实值，尤其是在 2013 年 7、8 月和 2014 年 7、8 月。图 5 是选取 20132014 年的 3 场洪水分别绘制的真实值、模拟值对比图。对比图 5 中的 3 场洪水，可以看出，TCN-BiLSTM 模型较 LSTM 模型更能拟合出整个洪水趋势，对于洪峰点的捕捉也更加敏感，说明 TCN-BiLSTM 模型能够有效学习洪水过程，保留洪水信息。而在 3 场洪水中，LSTM 模型存在明显低于真实值的现象，这可能是由于 LSTM 本身网络结构的问题，为了处理存储更多的信息，LSTM 网络结构中设置了遗忘门，在学习数据时，LSTM 通过遗忘门选择性丢弃模型认为不重要的信息，这就可能导致模型在读取径流信息时将噪声大的数据信息丢弃，使洪峰处的信息预测存在偏差。2012120120130601201312012014060120141201050100150200250300350400日径流量 Daily runoff/(m3s1)日期 Date实测值 Measured valueLSTM 模拟值LSTM simulated valueTCN-BiLSTM 模拟值TCN-BiLSTM simulated value图4模型模拟结果与实测值对比Fig.4Comparisonofsimulationresultsoftwomodelswiththemeasuredvalues3.2 不同方案下模型预测精度4 种方案下，LSTM模型 R2在 0.710.89 之间，MAE 在 4.147.22 之间，RMSE 在 11.4520.13 之间，TCN-BiLSTM模型 R2在 0.760.91 之间，MAE在 6.038.04 之间，RMSE 在 11.0019.69 之间。由表 3 可以看出方案 3 两模型模拟精度最高，其中预见期 1d 时 TCN-BiLSTM 和 LSTM的 R2分别达到0.91 和 0.89，较输入单一日径流数据时分别提高了0.15 和 0.18，MAE 分别降低了 0.27 和 0.16，RMSE分别降低了 4.97 和 6.35。综合对比 4 种方案可以看出，在模型输入数据中加入日累积降水量数据时R2提高最多，误差下降幅度最大。方案 1 相对于方案 3 增加了日相对湿度数据，但两模型预测性能均下降。有研究表明当输入微弱相关因子时，会增加冗余信息，造成预测精度下降27。这说明日相对湿度对于日径流量的影响显著弱于日累积降水量，使其稀释了日累积降水量对于日径流量的影响，导致拟合优度下降。同一输入方案下两模型对比，拟合优度相差幅度在 00.07 之间，变化幅度远小于不同输入方案之间的差别，说明输入因子对于预测值的影响大于模型本身。3.3 不同预见期模型预测精度由表 3 可知，当预见期由 1d 延长至 3d 时，TCN-BiLSTM 的 R2平均下降了 0.17，LSTM 的 R2平均下降了 0.14，误差逐渐增大，TCN-BiLSTM 的RMSE 平均增加了 4.59，LSTM 平均增加了 4.40；TCN-BiLSTM 的 MAE 平均增加了 1.26，LSTM 平表2模型超参数Tab.2Modelhyperparameters超参数HyperparameterTCN-BiLSTMLSTM输入大小Inputsize2424输出大小Outputsize1、2、31、2、3堆叠层数Stackinglayer11卷积核尺寸Convolutionalkernelsize32，64丢弃率Dropoutrate0.01隐藏层大小Hiddenlayersize4848批尺寸Batchsize4848权重衰减系数Weightdecaycoefficient0.010.01优化器OptimizerAdamAdam迭代次数Epochs300300学习率Learningrate0.00010.0003损失函数Lossfunction均方误差MSE均方误差MSE第4期张梦凡等：基于 TCN-BiLSTM 与 LSTM 模型对比预测北洛河径流145均增加了 1.31。综合以上结果，4 种方案下，两模型的预测性能均在 1d 时结果最优，随着预见期的增加逐渐下降。这一方面是由于模型所采用的神经网络自身结构决定，递归神经网络在进行预测时会使用预测值代替真实值，因此会累积预测误差，随着预测时间的增加，模型的误差会逐渐增大。另一方面由于流域水文过程的复杂性，汇流滞后等影响模型的学习过程，增加了模型挖掘有效信息的难度，导致模型预测时间越长，预测性能越低27。对比方案 3和方案 4，随着降水数据的加入，TCN-BiLSTM 模型 1、2、3d 的拟合优度分别增加 15%、14%和 6%，LSTM 模型 1d、2d、3d 的拟合优度分别增加 18%、14%和 1%，两模型 12d 的变化幅度均显著大于第 3d。由此可见，预见期为 1d 和 2d 时，降水量对于出口处径流量的影响较大，这说明北洛河流域降水量对于出口处径流量影响的滞后时间不长，大约12d 左右。3.4 讨论3.4.1模型泛化性分析为了验证模型的泛化性，用状头站训练好的模型对渭河咸阳站进行日径流量模拟。在测试集上使用训练好的 TCN-BiLSTM 模型对咸阳站未来 13d的径流量进行预测（表 4）。TCN-BiLSTM 模型对咸阳站径流量预测的 R2在 0.570.85 之间，MAE 在16.7341.79 之间，RMSE 在 30.86127.66 之间。从结果来看，模型仍能达到较好的预测效果，这说明模型能够学习到未知数据间的规律，泛化性能较好。表4咸阳站TCN-BiLSTM日径流预测评价指标Tab.4EvaluationindexesofTCN-BiLSTMdailyrunoffsimulationatXianyangStation预见期Forecastperiod/dMAERMSER2116.7330.860.85230.4575.810.72341.79127.660.573.4.2模型应用与改进本文基于 LSTM 网络结合 TCN 网络建立 TCN-BiLSTM 日径流预测模型得到了较 LSTM 模型更好的模拟结果；通过与传统单一模型对比发现，耦合模型能够更有效地捕捉突变数据，对于波动大、变化剧实测值 Measured valueLSTM 模拟值 LSTM simulated valueTCN-BiLSTM 模拟值TCN-BiLSTM simulated value2013080420130806201308082013081020130812406080100120日径流量 Daily runoff/(m3s1)日期 Date20140706201407082014071020140712201407142014071620140718020406080100120140日径流量 Daily runoff/(m3s1)日期 Date20130916 20130921 20130926 2013100101020304050607080日径流量Daily runoff/(m3s1)日期 Date图5两种模型在 3 次洪水中洪峰流量预测结果对比Fig.5Comparisonofthreefloodflowpredictionresultsofthetwomodels表3TCN-BiLSTM 和 LSTM 模型不同输入方案下评价指标对比Tab.3ComparisonofevaluationmetricsunderdifferentinputschemesforTCN-BiLSTMandLSTM方案Inputsolution预见期Forecastperiod/dTCN-BiLSTMLSTMR2MAERMSER2MAERMSE110.867.1713.280.834.1413.3520.788.0316.400.755.2516.0530.687.8818.310.675.4019.30210.786.0616.270.775.7615.5120.667.3318.770.696.6817.9930.618.0419.690.687.0518.29310.916.0311.000.895.6411.4520.807.0714.770.806.2014.5130.717.3117.410.697.2217.97410.766.3015.970.715.8017.8020.667.0318.410.666.6118.8230.657.3619.460.596.9020.13146北京林业大学学报第46卷烈的水文数据拟合效果更好，这与王万良等14研究结论相一致。也有研究将注意力机制加入 LSTM 网络优化其结构，结果表明，融合了注意力机制的 LSTM网络具有更强的自适应性和泛化性，对于波动性大的复杂数据的预测效果优于传统神经网络2829。通过对比不同输入方案发现，输入变量能够在一定程度上显著提高模型的预测性能。因此，提高模型预测精度可以从优化模型结构和提高输入数据质量两方面入手。获得高质量的输入变量是提高模型预测性能的有效方法，许多研究运用变分模态算法对输入数据做分解处理，提取数据的有效信息的同时减少数据噪声，处理后的数据输入模型训练，有效提高了模型的预测精度3033。本文使用的 LSTM 和 TCN网络虽然在水文领域应用不久，但是机器学习网络更新迭代较快，在未来的研究中可以尝试应用更新的机器学习网络。同时由于本文构建的 TCN-BiLSTM对汛期日径流量的模拟效果优良，且表现出优越的捕捉突变的能力，在今后的研究中可以考虑将此模型应用于洪水预报之中。4结论本文构建的 TCN-BiLSTM 耦合模型对峰值的模拟精度较高，在针对于季节性明显且波动大的数据表现优于传统 LSTM 模型，在极端水文事件的模拟预测中具有更大优势。（1）TCN-BiLSTM 模型和 LSTM 模型在非汛期都能与真实值大致拟合。但对于洪水过程的模拟，LSTM 模型存在明显的低估偏差，TCN-BiLSTM 模型更能拟合洪水过程，对于汛期的预测性能优于非汛期。说明耦合模型有效提高了模型捕捉水文突变的能力。（2）针对预测未来 1d 的径流量时，TCN-BiLSTM模型的拟合优度 R2达到了 0.91。而随着预见期的增加，模型的预测性能也逐渐下降。因此该模型更适用于短期的水文预测。（3）通过对比 4 种输入方案下两模型的结果得出：将北洛河流域状头站日径流量和日累积降水量数据作为输入变量时，两模型预测性能均达到最优，拟合优度 R20.85。其他方案下模拟结果均不理想，拟合优度 R20.80。可见，输入变量对模型的影响较大。参 考 文 献 包丽娜,唐德善,胡晓波,等.基于小波分解及 Arima 误差修正的径流预测模型及应用 J.长江科学院院报,2018,35(12):1821,33.BaoLN,TangDS,HuXB,etal.Runoffpredictionmodelbased1onwaveletdecompositionandArimaerrorcorrection:researchandapplicationJ.JournalofYangtzeRiverScientificResearchInstitute,2018,35(12):1821,33.桑燕芳,王中根,刘昌明.水文时间序列分析方法研究进展 J.地理科学进展,2013,32(1):2030.SangYF,WangZG,LiuCM.Researchprogressofhydrologicaltime series analysis methodsJ.Progress in Geoscience,2013,32(1):2030.2董国涛,贾岛,薛华柱,等.基于 LSTM 网络的黑河流域月径流量预测 C/中国水利学会.中国水利学会 2020 学术年会论文集第三分册.北京:中国水利水电出版社,2020:8288.DongGT,JiaD,XueHZ,etal.MonthlyrunoffpredictioninHeiheRiverBasinbasedonLSTMnetworkC/Proceedingsofthe2020AcademicAnnualConferenceofChinaWaterResourcesSociety,Volume.Beijing:China Water Resources andHydropowerPress,2020:8288.3左岗岗.基于机器学习的径流预测方法及适应性预测机制研究D.西安:西安理工大学,2021.Zuo G G.Study on mechanism and methods of adaptivestreamflow forecasting based on machine learning D.Xian:XianUniversityofTechnology,2021.4胡庆芳,曹士圯,杨辉斌,等.汉江流域安康站日径流预测的LSTM 模型初步研究 J.地理科学进展,2020,39(4):636642.HuQF,CaoSY,YangHB,etal.DailyrunoffpredicationusingLSTM at the Ankang Station,Hanjing RiverJ.Progress inGeography,2020,39(4):636642.5吴子晗,计嘉晨,张帆.黑河上游年径流模拟模型优选与归因分析研究 J.北京林业大学学报,2024,46(3):8090.WuZH,JiJC,ZhangF.OptimizationandattributionanalysisofannualrunoffsimulationmodelsintheupperreachesoftheHeiheRiver,northwestern ChinaJ.Journal of Beijing ForestryUniversity,2024,46(3):8090.6KratzertF,KlotzD,BrennerC,etal.Rainfall-runoffmodellingusinglongshorttermmemory(LSTM)networksJ.HydrologyandEarthSystemSciences,2018,22(11):60056022.7刘永强,续毅,贺永辉,等.基于双向长短期记忆神经网络的风电预测方法 J.天津理工大学学报,2020,36(5):4954.LiuYQ,XuY,HeYH,etal.Windpowerpredictionmethodbasedo