Page 55 - 2023年第54卷第2期

P. 55

表１ＬＳＴＭ模型学习过程最优超参数（ＡＳＶＭＤ分解分量）
时间序列优化器网络层数每层神经元个数ＢｉＬＳＴＭ学习率Ｌ２正则化
Ｍ１Ａｄａｍ１１９３１０．０１９５３．１９８４ × １０－８
Ｍ２Ａｄａｍ４１７７１０．０１０１４．３１６１ × １０－５
Ｍ３Ａｄａｍ１２３２０．０８８４３．３９０７ × １０－６
Ｍ４Ａｄａｍ３２２１０．０１００１．７５２３ × １０－６

３．５径流预报结果为了验证所提基于自适应动态分解－预测－集成预报模型的有效性，同时建立了
ＢＯ－ＬＳＴＭ模型、基于自适应离散小波变换（Ｓｅｌｆ－ａｄａｐｔａｔｉｏｎＳｔｒａｔｅｇｙＤｉｓｃｒｅｔｅＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍ，ＡＳＤＷＴ）
的ＢＯ－ＬＳＴＭ模型（ＡＳＤＷＴ－ＢＯ－ＬＳＴＭ）、基于自适应集成经验模式分解的（Ｓｅｌｆ－ａｄａｐｔａｔｉｏｎＳｔｒａｔｅｇｙＥｎ
ｓｅｍｂｌｅＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ，ＡＳＥＥＭＤ）ＢＯ－ＬＳＴＭ模型（ＡＳＥＥＭＤ－ＢＯ－ＬＳＴＭ）和基于自适应变
分模态分解的ＢＯ－ＬＳＴＭ模型（ＡＳＶＭＤ－ＢＯ－ＬＳＴＭ）共４种月径流预报模型作为对比模型。
表２为石鼓站４种预报模型ＢＯ－ＬＳＴＭ、ＡＳＤＷＴ－ＢＯ－ＬＳＴＭ、ＡＳＥＥＭＤ－ＢＯ－ＬＳＴＭ和ＡＳＶＭＤ－ＢＯ－
ＬＳＴＭ训练集和测试集径流预报结果。预测精度评价指标采用确定性系数（ＤＣ）、合格率（ＱＲ）、Ｋｌｉｎｇ－
Ｇｕｐｔａ系数（ＫＧＥ）、相关系数（Ｒ）、均方根误差（ＲＭＳＥ）、平均绝对误差（ＭＡＥ）和平均绝对百分比误差
（ＭＡＰＥ）。分析４种模型在训练集和测试集各项指标，ＡＳＤＷＴ－ＢＯ－ＬＳＴＭ、ＡＳＥＥＭＤ－ＢＯ－ＬＳＴＭ、ＡＳ
ＶＭＤ－ＢＯ－ＬＳＴＭ模型各项指标均优于ＢＯ－ＬＳＴＭ，表明在ＢＯ－ＬＳＴＭ模型的基础上对数据进行不同形式
分解均能提高模型的预报精度。
对比ＡＳＤＷＴ－ＢＯ－ＬＳＴＭ、ＡＳＥＥＭＤ－ＢＯ－ＬＳＴＭ、ＡＳＶＭＤ－ＢＯ－ＬＳＴＭ三种自适应分解－预测－集成模
型的预报结果，没有任何一种模型的各项指标均可达到最优。ＡＳＥＥＭＤ－ＢＯ－ＬＳＴＭ模型的预报结果大
多数性能指标稍逊于基于ＡＳＤＷＴ和ＡＳＶＭＤ分解的ＢＯ－ＬＳＴＭ模型。ＡＳＤＷＴ－ＢＯ－ＬＳＴＭ模型训练集预
报结果统计指标均优于其他三种模型，而ＡＳＶＭＤ－ＢＯ－ＬＳＴＭ模型测试集预报结果统计指标均优于其
他三种模型，说明ＡＳＤＷＴ－ＢＯ－ＬＳＴＭ模型和ＡＳＶＭＤ－ＢＯ－ＬＳＴＭ模型在金沙江石鼓站径流预报中适用
性较好，比ＡＳＥＥＭＤ－ＢＯ－ＬＳＴＭ模型更适合石鼓站径流序列分解提取有效信息。其中ＡＳＶＭＤ－ＢＯ－
ＬＳＴＭ模型具有更好的泛化性能，整体预报效果更佳。

表２石鼓站径流预报结果
模型阶段ＤＣＱＲＫＧＥＲＲＭＳＥＭＡＥＭＡＰＥ
训练０．８５０．６１０．８９０．９２４１３２５４０．１９
ＢＯ－ＬＳＴＭ
测试０．８３０．５５０．８９０．９１４５９２８５０．２２
训练０．８７０．７４０．９００．９３３８６２２３０．１５
ＡＳＤＷＴ－ＢＯ－ＬＳＴＭ
测试０．８５０．６６０．８８０．９２４３１２４５０．１７
训练０．８７０．６６０．８９０．９３３８４２２８０．１８
ＡＳＥＥＭＤ－ＢＯ－ＬＳＴＭ
测试０．８４０．６００．８８０．９２４３４２６１０．２０
训练０．８６０．６６０．９００．９２４０５２４２０．１７
ＡＳＶＭＤ－ＢＯ－ＬＳＴＭ
测试０．８５０．６６０．８９０．９２４２８２４００．１７
注：加粗数值表示每个指标在训练集和测试集的最优值

图８为石鼓站ＡＳＤＷＴ－ＢＯ－ＬＳＴＭ、ＡＳＥＥＭＤ－ＢＯ－ＬＳＴＭ、ＡＳＶＭＤ－ＢＯ－ＬＳＴＭ和ＢＯ－ＬＳＴＭ模型预
报径流和实测径流过程对比图。由图也可以看出本文提出的自适应分解－预测－集成月径流预报模型能
够较好的捕捉原始月径流数据的非线性关系及演变趋势，径流预报效果均较好。
３．６结果分析与讨论在水文时间序列预测中，“追算实验” 将整体捆绑分解应用于整个观测时间序
列得到一组分解分量，再划分为训练集和测试集作为机器学习模型的输入，由于整体捆绑分解采用未
来值进行计算，因此分解生成的子序列中包含了未来要预测值的信息，这种分解－预测－集成模型似乎
在很大程度上降低了预测误差、提高了预测精度（图９）。

— １７９ —

50 51 52 53 54 55 56 57 58 59 60