CN119476653A 一种基于动态变分模态分解的多变量多步径流预测方法 （中国农业大学）

一种基于动态变分模态分解的多变量多步本发明提供了一种基于动态变分模态分解气象数据；采用动态变分模态分解策略VMD对原及上游水文站点径流数据进行滑动窗口切片处一特征变量和第二特征变量共同组合为输入特征变量；通过采用麻雀搜索算法SSA对长短期记忆网络LSTM参数进行寻优构建长短期记忆网络2S3、基于水文气象数据，对流域下垫面和气象数据进行滑动窗口切片处理，结合动态变分模态分解策略VMD分解得到的目标水文站径流S4、对气象站数据进行气象因子筛选，选S5、通过采用麻雀搜索算法SSA对长短期记忆网络LSTM参数进行寻优构建长短期记忆S6、利用训练集对长短期记忆网络LSTM进行训练2.根据权利要求1所述的基于动态变分模态分解的多变量多步径流预测方法，其特征定义模态分解目标：将目标水文站点原始径流序列的信号构造变分问题：通过平方正则化与高斯平滑预估各子信迭代优化过程：通过交替方向乘子法对拉格朗日函数进行迭代优化，交3.根据权利要求1所述的基于动态变分模态分解的多变量多步径流预测方法，其特征初始化阶段：确定长短期记忆网络LSTM的结构参数，以及设置麻雀搜索算法SSA的参定义适应度函数：以长短期记忆网络LSTM在验证集上的预测误3模型输出：选取适应度函数值最优的长短期记忆网络LSTM参数集4.根据权利要求3所述的基于动态变分模态分解的多变量多步径流预测方法，其特征表示当前时刻细胞状态，tanh表示双曲正切激活函数，e表示矩阵元素积，σ表示Si表示当前时刻长短期记忆网络LSTM接收的输入特征向量，输入特征向量包括流域平均站点日径流数据以及动态变分模态分解策略VMD分解得到目标水文站径流数据子序列，b,的偏置项。4径流数据进行滑动窗口切片处理，结合动态变分模态分解策略VMD分解得到的目标水文站5S5、通过采用麻雀搜索算法SSA对长短期记忆网络LSTM参数进行寻优构建长短期[0009]本发明的有益效果：本发明提出基于动态变分模态分解策略VMD与长短期记忆网6[0013]上述进一步方案的有益效果是：本发明采用贝叶斯优化算法和麻雀搜索算法SSA对动态变分模态分解策略VMD和长短期记忆网络LSTM的关键参数进行系统性优化，不仅提示当前时刻长短期记忆网络LSTM的隐藏状态，o,表示输出门的输出向量，c,表示当前时刻据以及动态变分模态分解策略VMD分解得到目标水文站径流数据子序列，b,表示输出门偏7如图1所示，本发明提供了一种基于动态变分模态分解的多变量多步径流预测方8[0020]本实施例中，采用动态变分模态分解策略VMD对目标水文站点原始径流序列进行s"表示第K'个子序列，将K个子序列作为不同的特征变量。采用贝叶斯优化算法确定动态变分模态分解策略VMD中的K和a参定义模态分解目标：将输入信号f()表示为若干本征模态函数u(0)的叠加，即：t表示时间，j表示虚数单位，*表示卷积运算。日算子为[0023]迭代优化过程：通过交替方向乘子法（AlternatingDirectionMethodof径流数据进行滑动窗口切片处理，结合动态变分模态分解策略VMD分解得到的目标水文站9本实施例中，利用LightGBM轻量级梯度提升机对气象站点数据进行气象因子筛[0027]S5、通过采用麻雀搜索算法SSA对长短期记忆网络LSTM参数进行寻优构建长短期入数据和上一个时刻的输出数据（在本方案中，上一个时刻的输出数据指的是长短期记忆网络LSTM在前一时刻对目标水文站径流的预测结果，即前一时刻的隐藏层输出）都会进入VMD动态分解得到目标水文站径流数据子序列）、上一时刻长短期记忆网遗忘门：计算对于上一时刻记忆单元状态变量当中信息的舍弃程度，根据[0039]隐藏层输出h,传入到长短期记忆网络LSTM的输出层后，计算得到t时刻模型最终输出层偏置项，h,表示当前时刻长短期记忆网络LSTM的隐藏状态，o,表示输出门的输出向量，c,表示当前时刻细胞状态，tanh表示双曲正切激活函数，e表示矩阵元素积，σ表示水文站点日径流数据以及动态变分模态分解策略VMD分解得到目标水文站径