基于改进指数-三角优化协同变量模态分解与双注意力时间卷积网络的金沙江中游径流预测研究
《Atmosphere》:Research on Hydrological Prediction Based on Improved Successive Variational Mode Decomposition and Dual-Attention Temporal Convolutional Network
【字体:
大
中
小
】
时间:2026年09月25日
来源:Atmosphere 2.6
摘要
为支持金沙江中游的水资源管理、防洪、灾害减灾和环境保护,本研究联合使用石鼓、阿海、中江、金安桥和攀枝花五个监测站的降水和径流数据作为多元输入,预测攀枝花站的径流。为在不同频率下获得分离良好的固有模态函数(IMFs),同时避免在特征构建过程中使用未来信息,本研究以滚动方式实施SVMD,仅使用截至每个预测起始点可获取的历史观测值进行分解。原始径流序列采用不同历史输入窗口长度的滑动窗口进行重构,并根据预测性能选择最优历史输入窗口长度。为实现增强的自适应优化并减少人工干预,采用改进指数-三角优化(IETO)算法优化SVMD参数。最后,开发双注意力时间卷积网络(DATCN)进行径流预测。在历史输入窗口长度L=5时,所提出的IETO-SVMD-DATCN模型取得了0.9826的NSE值,而DATCN为0.9813,SVMD-DATCN为0.9820。所提出的模型还取得了比对比模型更低的RMSE、MAE和MAPE值。这些结果表明,该模型对所评估的径流数据具有改进的预测性能。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号