来源：期刊VIP网 时间：
作者：安佳彤;赵雪花;朱博文;郭秋岑;王慧方;
单位：太原理工大学水利科学与工程学院;
摘要：针对径流序列呈现出复杂性、高波动性，直接预测误差大的问题，将改进的自适应噪声完备集合经验模态分解(ICEEMDAN)、一维卷积神经网络(1D-CNN)、双向门控循环单元(BiGRU)和注意力(Attention)机制相结合，构建ICEEMDAN-1D-CNN-BiGRU-Attention模型，充分挖掘径流序列的周期性、长程相关性特征，以提高径流序列的预测精度。以汾河上游的上静游站为例开展月径流序列预测研究，与1D-CNN-BiGRU、1D-CNN-BiGRU-Attention、ICEEMDAN-1D-CNN-BiGRU模型的预测结果进行对比分析。结果表明，ICEEMDAN分解原始径流序列，可以充分挖掘径流数据的周期性特征。ICEEMDAN-1D-CNN-BiGRU-Attention模型可以很好地识别序列特征，预测效果较好，验证期的纳什效率系数达0.85以上。Attention机制的加入，可提高峰值的预测效果，在突变较强的训练期合格率可达90%。研究结果为中长期径流预测提供了新思路，并验证了其有效性。
关键词：月径流预测;;ICEEMDAN;;1D-CNN;;BiGRU;;Attention机制
基金资助：国家自然科学基金项目(52279020);; 山西省科技创新人才团队专项资助项目(202204051002027)
