基于时序数据预测模型对汉江水位信息的预测研究与应用.pdfVIP

摘要

汉江作为长江的最大支流，在长江中下游平原的水资源管理、防洪减灾以及

航运等方面发挥着重要作用。准确预判汉江的水文数据，不仅能够有效提升水资

源的利用效率，还能切实保障航运安全。然而，由于汉江水文数据表现出典型的

非线性和非平稳的极端特征，给水资源调度和防洪安全等工作带来了极大的挑战。

与此同时，现有的时间序列数据预测方法在面对具有上下游关联特性的河流水位

数据时，并未进行充分的优化，且常用的LSTM、SVR等方法在处理这类数据时，

难以精准捕捉河流水位数据的周期性特征，从而导致对长期时间序列数据的预测

效果不理想。

针对汉江水位数据预测的挑战，本文提出了两种有效的预测模型。首先，为

了提升短期数据预测的精度，本文基于时间卷积网络（TCN）与通道注意力机制

（CA）相结合，构建了一种TCN-CA模型，并在汉江水位短期数据预测任务中取

得了显著成效。其次，为了提升中长期数据预测的精度，本文进一步基于TCN-CA

模型和TransformEncoder模型（TE），设计了一种双分支TCN-TE模型，该模型

在汉江水位中长期数据预测任务上同样展现出了良好的性能。具体研究工作如下：

（1）针对在河流水文数据预测任务中的河流上下游特征利用问题，加强了针

对性的数据预处理与数据特征工程。首先先分析了水文数据，发现缺失值、异常

值的潜在特征，对数据集进行预处理；其次，使用了自相关函数分析，发现了数

据上下游水位数据的波动时间间隔，进而在数据预处理阶段添加了上游的滞后数

据列；最后，在特征工程中引入Hodrick-Prescott滤波器来添加季节特征列，使用

高斯径向基函数捕捉数据的非线性关系，并且消融实验表明，特征工程数据列对

于汉江水文数据预测任务具有显著的正向效应。

（2）针对目前常用的模型对于河流水文数据的短期数据预测的效果不佳的问

题，提出了一种融合通道注意力机制的时间卷积网络模型（TCN-CA），并通过

2017年至2023年的汉江实测水文数据进行实验。对比实验表明，在短期数据预测

任务中，TCN-CA模型与LSTM、SVR、Informer三种基线方法相比，平均绝对误

差分别降低了26.49%、35.34%、19.92%。此外，消融实验表明，通道注意力机制

和特征工程将平均绝对误差分别降低了17.95%、16.40%。

（3）针对基础模型对于河流水文数据的中长期数据预测的效果不佳的问题，

总结了短期数据预测研究中的特点，提出了一种TCN-TE双分支模型。TCN-TE模

型综合了时间卷积网络在捕捉短期波动特征方面的优势和Transformer在处理长期

依赖关系方面的强大能力，同时将TransformerEncoder中的MLP前馈神经网络替

换成了更适合于具有时间序列的水文数据特征提取的GRU单元。通过2017年至

2023年的汉江实测水文数据进行实验。对比实验表明，在中长期数据预测任务中，

TCN-TE模型与LSTM、SVR、Informer三种基线方法相比，平均绝对误差分别降

I

低了19.00%、20.04%、4.79%。此外，消融实验表明，双分支模型模型结构、GRU

单元、特征工程将平均绝对误差分别降低了14.25%、26.49%、19.32%。

关键词：汉江水位预测，时空卷积网络，Transformer，通道注意力机制，门

控循环单元

II

Abstract

TheHanjiangRiver,asthelargesttributaryoftheYangtzeRiver,playsacrucial

roleinwaterresourcesmanagement,floodcontrolanddisasterreduction,aswellas

navigationinthemiddleandlowerreachesoftheYangtzeRiverplain.Accurate

predictionofthehydrologicaldataoftheHanjiangRivercannotonlyeffectively