Page 51 - 2023年第54卷第2期

图 １ ＬＳＴＭ网络循环与计算结构
２．３ 自适应动态分解策略 为了开发一个可靠、高效及实用的分解－ 预测－ 集成径流预报模型：（１）在
分解集成框架中不能使用未来信息；（２）分解模型和预测模型都应具有较好的性能和适应性。本节尝
试改进分解 策 略， 设 计 了 一 个 用 观 测 数 据 更 新 历 史 样 本 的 自 适 应 动 态 分 解 策 略 （Ｓｅｌｆ － ａｄａｐｔａｔｉｏｎ
ＤｅｃｏｍｐｏｓｉｔｉｏｎＳｔｒａｔｅｇｙ，ＡＳ），如图 ２所示。设实际观测径流为 Ｑ，ｔ ＝ １，２，…，Ｎ，自适应动态分解
ｔ
策略具体为：
步骤 １：设置时间序列分解方法的参数。如，ＤＷＴ设置母小波和分解层数，ＥＥＭＤ设置白噪声的
方差和数目，ＶＭＤ设置惩罚因子及模态数等；
步骤 ２：设置自适应动态分解的时间序列初始长度 ｍ。随着径流数据实时更新，数据序列以 ｍ ＋ １
个的长度滚动分解；
步骤 ３：实时更新的数据依次作为新息附加到待分解序列栈道，同时最前一个数据出栈保持数据
序列长度为 ｍ ＋ １。具体为，加入新息 Ｑ ，将 ｍ ＋ １个样本 Ｑ，Ｑ，…，Ｑ ，Ｑ 分解为 Ｌ个子序列
ｍ ＋ １ １ ２ ｍ ｍ ＋ １
１
１
｛ ＸＳ ｝ ，将子序列的最后一个数据｛ＸＳ ｝作为新息 Ｑ 的分解变量；随后加入新息 Ｑ （Ｑ
ｉ，ｊ Ｌ × （ｍ ＋ １ ） ｉ，ｍ ＋ １ Ｌ ｍ ＋ １ ｍ ＋ ２ １
２
出栈），将序列 Ｑ，Ｑ，…，Ｑ ，Ｑ 分解为 Ｌ个子序列｛ＸＳ ｝ ，将子序列的最后一个数据
２ ３ ｍ ＋ １ ｍ ＋ ２ ｉ，ｊ Ｌ × （ｍ ＋ １ ）
｛ ＸＳ ２ ｝作为新息 Ｑ 的分解变量；重复此分解步骤直至得到最后一个样本 Ｑ 的分解变量；
ｉ，ｍ ＋ １ Ｌ ｍ ＋ ２ Ｎ
步骤 ４：自适应动态分解径流观测序列 Ｑ，ｔ ＝ １ ，２，…，Ｎ，最终得到 Ｌ个子序列，记为｛ＸＳ ｝ 。
ｔ ｉ，ｊ Ｌ，Ｎ － ｍ

图 ２ 自适应动态分解策略

— １ ７ ５ —