基于TVF-EMD与LSTM神经网络耦合的月径流预测研究

为了有效提高非平稳非线性径流序列的预测精度,采用具有自适应序列特征的时变滤波经验模态分解(TVF-EMD)与长短期记忆神经网络(LSTM)耦合,构成TVF-EMD-LSTM预测模型.首先利用TVF-EMD方法自适应地将径流序列分解为高频序列和低频序列;进而,利用LSTM神经网络对分解后的序列分别预测;最终,将预测结果加和重构为最终径流预测结果.提出的模型应用于洛河流域长水水文站月径流预测,并与LSTM模型、EMD-LSTM模型和CEEMDAN-LSTM模型进行对比.结果表明:TVF-EMD-LSTM神经网络耦合模型预测精度最高,预测误差最小.由此可见,TVF-EMD能更好地缓解模态混叠问题,可为径流序列的数据预处理提供更好的方式,提出的TVF-EMD耦合模型也为月径流预测提供了一种有效的新方法.