来源：期刊VIP网 时间：
作者：赵忠峰;王雪妮;晋华;郑婕;刘晓东;郭园;
单位：太原理工大学水利科学与工程学院;河南省黄河流域水资源节约集约利用重点实验室;中国电建集团西北勘测设计院有限公司;
摘要：在平原型水库反推入库流量过程中，存在明显的噪声干扰，导致传统的洪水预报方法精度下降。对此，提出一种结合卷积神经网络(CNN)与双向长短期记忆神经网络(BiLSTM)的入库洪水预报模型，该模型采用CNN的卷积层挖掘入库洪水数据中的深层特征信息，并赋予不重要特征较低的权重，以便模型更加专注于对目标任务关键的特征信息。此外，利用BiLSTM处理流量序列中的长期依赖问题，通过其遗忘门有选择性地过滤掉权重较低的特征信息，实现对入库洪水过程的准确预测。最后，基于不同预见期评估所构建模型在安徽省合肥市大房郢水库入库洪水预报中的精准度。结果表明，4 h预见期下CNN-BiLSTM模型在入库洪水预报中具有更高的预报精度，相比BiLSTM模型和新安江(XAJ)模型，其确定性系数(D_(DC))分别提升9.9%、39.0%,均方根误差(R_(RMSE))和相对偏差(B_(BIAS))分别降低34.6%、17.1%和148.6%、20.6%。研究成果可为反推入库流量过程的平原型水库入库洪水预报提供新思路和技术支持。
关键词：平原型水库;;卷积神经网络;;双向长短期记忆神经网络;;入库洪水预报
基金资助：山西省科技厅基础研究计划项目(202203021222112);; 华北水利水电大学河南省黄河流域水资源节约集约利用重点实验室开放研究基金(HAKF202104);; 国家自然科学基金面上项目(52379018)
