Page 113 - 2025年第56卷第7期
P. 113
表 ２ 石匣里站各模型径流序列预报性能评价指标（１个月预见期）
指标
组号 模型 阶段
ＲＭＳＥ ＭＡＥ ＮＳＥ
Ⅰ － Ａ ＡＲＩＭＡ 测试 ４．４７６ ３．７７８ ０．６４０
Ⅰ － Ｂ ＳＴＬ － ＡＲＩＭＡ 测试 ４．２９７ ３．４８９ ０．６６９
Ⅰ － Ｃ ＳＴＬ － ＶＭＤ － ＡＲＩＭＡ 测试 ４．４３５ ３．６６１ ０．６４７
训练 ９．３４４ ６．４０１ ０．４２５
Ⅱ － Ａ ＬＳＴＭ 验证 ７．６２９ ４．９８４ ０．１２７
测试 ５．５５６ ３．７６３ ０．５５８
训练 ７．８４３ ５．２５４ ０．５９５
Ⅱ － Ｂ ＳＴＬ － ＬＳＴＭ 验证 ４．３５３ ２．８０５ ０．７１６
测试 ３．８２７ ３．０６４ ０．７９０
训练 ５．４３３ ４．１２２ ０．８０６
Ⅱ － Ｃ ＳＴＬ － ＶＭＤ － ＬＳＴＭ 验证 ３．２６０ ２．３５７ ０．８４１
测试 ３．７０５ ２．８６３ ０．８０３
训练 ７．３２５ ４．４３１ ０．６３９
Ⅲ － Ａ Ｉｎｆｏｒｍｅｒ 验证 ３．９４４ ３．１６６ ０．７４９
测试 ３．３９７ ２．７３０ ０．７９３
训练 ４．５６９ ３．３８４ ０．８１０
Ⅲ － Ｂ ＳＴＬ － Ｉｎｆｏｒｍｅｒ 验证 ２．０６４ １．６０６ ０．９４０
测试 ２．７７４ ２．１１７ ０．８６２
训练 ２．６４８ １．９７２ ０．９１６
Ⅲ － Ｃ ＳＴＬ － ＶＭＤ － Ｉｎｆｏｒｍｅｒ 验证 １．０５１ ０．８６９ ０．９８２
测试 ２．３９１ １．８４５ ０．８９７
表中结果可以看出，对于 ＡＲＩＭＡ方法，无论采用何种分解方法，其预报精度均较低，ＮＳＥ仅有
０．６４０～０．６６９。对于 ＬＳＴＭ或 Ｉｎｆｏｒｍｅｒ，若不对径流序列预先分解（Ａ情景），其 ＮＳＥ仅有 ０．５５８和 ０．７９３；
若结合 ＳＴＬ分解，预报精度可提升到 ０．７９０和 ０．８６２；进一步采用 ＳＴＬ － ＶＭＤ动态分解，精度则可再次
提高到 ０．８０３和 ０．８９７。其中，本文提出的 ＳＴＬ － ＶＭＤ － Ｉｎｆｏｒｍｅｒ两段动态分解－ 预测－ 重构模型预报精度
最高，ＮＳＥ达 ０．８９７。可见，分解－ 预测－ 重构的策略具有本质优势。
图 ８展示了实测值－ 预测值对角线散点图。由图 ８（ａ）—（ｃ）可看出单独使用 ＡＲＩＭＡ存在低流量高
估、高流量低估现象，经 ＳＴＬ － ＶＭＤ两段动态分解可得到一定程度修正。对于单独使用 ＬＳＴＭ（图 ８（ｄ）），
可看出其也存在低流量高估、高流量低估现象。而对于 Ｉｎｆｏｒｍｅｒ（图 ８（ｇ）），仅有高流量低估现象，其
他流量预报较为准确。当使用 ＳＴＬ动态分解后，即图 ８（ｅ）（ｈ），高流量低估情况明显减少，低流量预
报也更加准确。ＳＴＬ － ＶＭＤ两段动态分解后，如图 ８（ｆ）（ｉ），流量预报值更好地收敛于实测值周围。
４．２．２ 动态分解与整体静态分解结果 为验证和区分 “追算实验” 现象，本文还对比了动态分解与整
体静态分解的结果，如表 ３。整体静态分解就是将整个序列（包括训练集、验证集和测试集）一次分
解，得到若干子序列，再将子序列划分训练集、验证集与测试集进行学习预报。这时模型的预报精度
ＮＳＥ可达惊人的 ０．９７０，这是由于分解得到的子序列中已包含了未来需要预报的数据，在实际预报中
是不可行的。动态分解不引入未知数据进行学习预报，虽然 １个月预见期的 ＮＳＥ下降到 ０．８９７，但现
实可行。
４．２．３ 分解的边界效应 动态分解与整体静态分解的结果差异，还可以用边界效应解释。图 ９展示了
从 ２０１３年 １月开始动态分解（红色虚线）与将所有数据整体静态分解的 ＩＭＦ结果的对比。可以看出红
２
— ９ ３ ９ —
