耦合Encoder‑Decoder的LSTM径流预报模型研究.docx

摘要 将长短期记忆神经网络（long short-term memory neural network,LSTM）与Encoder-Decoder结构耦合应用为LSTM-ED模型，并与LSTM人工智能径流预报模型进行比较。通过在闽江建溪流域进行应用，结果表明，相较于LSTM，LSTM-ED在检验期整体和各预见期具有更高的精度和稳定性，且对于典型洪水的预报洪峰误差更小，其独有的语义向量可以保持水文信息的连续性，预报径流过程不易受降雨波动干扰。2个模型的预报能力都与流域最大汇流时间密切相关，当预见期小于流域最大汇流时间时，2个模型都有很好的预报能力；当预见期大于流域最大汇流时间时，模型预报能力显著