来源：期刊VIP网 时间：
作者：周聂;陈华;刘炳义;
单位：武汉大学水资源工程与调度全国重点实验室;
摘要：基于自注意力（self-attention, SA）机制和长短期记忆网络（long short-term memory, LSTM）算法，构建基于数据驱动的SA-LSTM径流过程临近预报模型，实现短临径流过程的精准快速预报。并以贵州省南明河流域为研究区域，比较LSTM和SA-LSTM模型的准确性。结果表明：所建SA-LSTM模型在丰水期和枯水期较LSTM模型在可靠性方面有所提升，其对水位流量的预测效果均明显优于LSTM模型，相对平均误差（relative mean error,RME）值可基本控制在0.100以内，可准确反映河流的水位流量变化趋势，2种模型对流速预报效果较为接近，绝对平均误差（mean absolute error, MAE）值均小于0.05 m/s；在典型涨水事件中，SA-LSTM模型可显著降低LSTM模型对水位、流量及流速的峰值预测误差，可较准确地预测未来1～3 h的径流过程，纳什效率系数（Nash-Sutcliffe efficiency, NSE）均大于0.900,RME值可控制在0.150以内，模型具有较高的可靠性。注意力机制的引入可在一定程度上提升实测资料有限条件下的径流预报效果。
关键词：径流预报;;自注意力机制;;LSTM;;SA-LSTM
基金资助：国家重点研发计划项目(编号:2022YFC3002701)
