基于GRU和LightGBM特征選擇的水位時(shí)間序列預(yù)測(cè)模型

許國(guó)艷 周星熠 司存友 胡文斌 劉 凡

1(河海大學(xué)計(jì)算機(jī)與信息學(xué)院 江蘇 南京 211100)2(江蘇省水文水資源勘測(cè)局信息應(yīng)用科 江蘇 南京 210000)

0 引 言

水文時(shí)間序列是指水文信息中水位、降雨量等因素隨著時(shí)間變化產(chǎn)生的序列。其中水位時(shí)間序列的研究是數(shù)據(jù)挖掘領(lǐng)域的重點(diǎn)研究方向，通過(guò)對(duì)水位的預(yù)測(cè)分析，不僅可以準(zhǔn)確地對(duì)水資源進(jìn)行調(diào)度管理更能即時(shí)預(yù)報(bào)洪澇災(zāi)害，對(duì)于防災(zāi)減災(zāi)有著至關(guān)重要的作用。

水位時(shí)間序列的預(yù)測(cè)在近十多年取得了較大的進(jìn)展，中外學(xué)者都對(duì)其做出一定的研究。在數(shù)據(jù)量較小，且特征豐富時(shí)機(jī)器學(xué)習(xí)模型甚至傳統(tǒng)的數(shù)學(xué)模型也能取得較為良好的效果。商其亞等[1]利用ARIMA(自回歸綜合移動(dòng)平均)對(duì)民勤綠洲水位進(jìn)行預(yù)測(cè)，提取了人口、耕地面積等多個(gè)影響因素，較為準(zhǔn)確地預(yù)測(cè)了上游水位的變化趨勢(shì)。黃發(fā)明、殷坤龍[2]等使用SVM模型對(duì)水位進(jìn)行預(yù)測(cè)，并采用了混沌理論的粒子群算法克服了支持向量機(jī)中存在的參數(shù)選擇困難的特點(diǎn)，以此預(yù)測(cè)水位系統(tǒng)發(fā)展演化的過(guò)程。隨著水位時(shí)間序列預(yù)測(cè)的處理越發(fā)復(fù)雜化，對(duì)于預(yù)測(cè)的精度要求也隨之提高，采用深度學(xué)習(xí)的方式能夠建立更高效的模型，提高預(yù)測(cè)精度。孫菊秋等[3]將人工神經(jīng)網(wǎng)絡(luò)中的BP算法應(yīng)用到秦皇島地區(qū)的水位預(yù)測(cè)中，模擬出未來(lái)2年的水位情況，表現(xiàn)出精準(zhǔn)、快速的優(yōu)勢(shì)。馮鈞等[4]提出了一種基于LSTM-BP的組合模型預(yù)測(cè)方法，通過(guò)兩個(gè)模型的組合降低了誤差，提高了預(yù)測(cè)的準(zhǔn)確度。隨著數(shù)據(jù)量的增大，對(duì)于數(shù)據(jù)的真實(shí)性判斷成了預(yù)測(cè)中不可或缺的一環(huán)。花青等[5]提出了一種基于多滑窗的異常數(shù)據(jù)檢測(cè)方法，能夠及時(shí)對(duì)預(yù)測(cè)值進(jìn)行處理，避免因?yàn)檎`差造成的錯(cuò)誤報(bào)警。對(duì)于預(yù)測(cè)殘差等其他影響因素的處理，王華勇等[6]提出了一種基于lightGBM改進(jìn)的梯度提升算法，能高效并行地處理更多的實(shí)驗(yàn)樣本，通過(guò)增加決策樹(shù)的方法減少了過(guò)擬合的出現(xiàn)，使得預(yù)測(cè)精度更高。

水文數(shù)據(jù)有著強(qiáng)烈的季節(jié)性和復(fù)雜性，在非汛期水位時(shí)間序列的影響因素較少，預(yù)測(cè)結(jié)果較為精確；而汛期時(shí)降雨量對(duì)水位的影響較大，因此需要將其作為輸出的另一項(xiàng)特征進(jìn)行建模。單一的GRU模型對(duì)于水文數(shù)據(jù)的復(fù)雜性及其非線性部分處理存在不足，為了優(yōu)化模型，更好地處理、分析預(yù)測(cè)殘差及其他影響因子對(duì)結(jié)果的影響，本文將LightGBM梯度提升算法用來(lái)處理殘差及降雨量數(shù)據(jù)，與GRU建立基于GRU-LightGBM的組合模型。

1 相關(guān)研究

1.1 GRU

GRU(Gated Recurrent Unit)是一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)，比起原始的RNN模型具有更遠(yuǎn)的傳播距離，并且能解決梯度消失的問(wèn)題。與循環(huán)神經(jīng)網(wǎng)絡(luò)的另一個(gè)變種LSTM[7](長(zhǎng)短期記憶網(wǎng)絡(luò))相比減少了一個(gè)遺忘門(mén)，且其單元中的細(xì)胞沒(méi)有狀態(tài)，因此該模型網(wǎng)絡(luò)結(jié)構(gòu)更易被理解，可以減少過(guò)擬合且訓(xùn)練更為簡(jiǎn)單。GRU[8]的一大特點(diǎn)是可以基于歷史值和當(dāng)前值來(lái)預(yù)測(cè)未來(lái)某個(gè)時(shí)刻的值，所以用來(lái)處理時(shí)間序列比較合適。GRU預(yù)測(cè)的原理是利用門(mén)單元控制歷史和當(dāng)前信息，并在當(dāng)前步作出預(yù)測(cè)。GRU的一次前向傳播過(guò)程如下：

1) 更新門(mén)對(duì)t-1時(shí)刻的隱藏狀態(tài)ht-1做線性變換，并通過(guò)激活函數(shù)壓縮結(jié)果到[0,1]區(qū)間。在生成記憶內(nèi)容過(guò)程中，重置門(mén)應(yīng)用于t-1時(shí)刻的信息上，來(lái)存儲(chǔ)t-1時(shí)間的隱藏狀態(tài)ht-1的狀態(tài)信息。

2) 將重置門(mén)和前一時(shí)刻的隱藏狀態(tài)做乘積，再將此結(jié)果和當(dāng)前時(shí)刻的輸入值xt做線性變換，通過(guò)tanh將結(jié)果映射到[-1,1]區(qū)間內(nèi)，得到當(dāng)前記憶內(nèi)容；(1-Zt)×ht-1表示前一刻隱藏狀態(tài)保存到當(dāng)前的值，將其與t時(shí)刻的記憶內(nèi)容保存到現(xiàn)在的記憶量相加得到最終的值ht。

1.2 LightGBM

LightGBM(Light Gradient Boosting Machine)[9]是于2016年提出的一種基于決策樹(shù)的梯度提升算法。

作為GBDT[10]的一種，LightGBM的設(shè)計(jì)主要是為了提高對(duì)大規(guī)模數(shù)據(jù)的處理速度和精度。傳統(tǒng)GBDT算法的缺陷在于：一方面，在單機(jī)上處理大規(guī)模數(shù)據(jù)的時(shí)候，為了保證速率往往會(huì)導(dǎo)致精度的丟失；另一方面，在分布式處理時(shí)，各機(jī)器之間的通信損失，也在一定程度上降低了數(shù)據(jù)的處理效率。

LightGBM的核心思想是基于histogram[11](直方圖)的決策樹(shù)算法，將樣本中連續(xù)的浮點(diǎn)特征值離散化成K個(gè)整數(shù)并構(gòu)造與之長(zhǎng)度相等的直方圖。遍歷時(shí)，將離散化后的值作為索引在直方圖中累計(jì)統(tǒng)計(jì)量，然后根據(jù)直方圖的離散值，遍歷尋找最優(yōu)的分割點(diǎn)。這樣可以有效地降低內(nèi)存消耗，同時(shí)達(dá)到降低時(shí)間復(fù)雜度的目的。此外，LightGBM采用了區(qū)別于傳統(tǒng)Level-wise方法的Leaf-wise葉生長(zhǎng)策略，即每輪迭代都從現(xiàn)有的葉子中找到最大增益的分裂方法，如此循環(huán)直至達(dá)到給定的最大深度，此方法有效避免了不必要的開(kāi)銷(xiāo)，提高了計(jì)算速率。LightGBM的建模過(guò)程如圖1所示。

圖1 LightGBM決策樹(shù)算法

基于LightGBM算法能夠并行處理海量數(shù)據(jù)的特性，將該算法用于對(duì)時(shí)間序列的殘差和降雨量進(jìn)行多特征并行處理，能夠更好地降低模型計(jì)算的時(shí)間復(fù)雜度，提高預(yù)測(cè)的效率和精度。

2 水位數(shù)據(jù)組合預(yù)測(cè)模型

2.1 預(yù)測(cè)模型架構(gòu)

基于GRU-LightGBM的水位數(shù)據(jù)組合預(yù)測(cè)模型架構(gòu)總體分為三個(gè)模塊：

模塊一：從數(shù)據(jù)源獲取水文信息，將其分解為水位數(shù)據(jù)和降雨量數(shù)據(jù)。將水位數(shù)據(jù)進(jìn)行差分和歸一化[12]處理。

模塊二：構(gòu)建GRU模型，求出水位的預(yù)測(cè)序列并根據(jù)水文信息將其分為汛期預(yù)測(cè)序列和非汛期預(yù)測(cè)序列。

模塊三：將非汛期的預(yù)測(cè)殘差與原始水位序列構(gòu)建lightGBM模型，求出非汛期的最終預(yù)測(cè)序列；將汛期的降雨量序列與原始水位序列構(gòu)建lightGBM，計(jì)算汛期的最終預(yù)測(cè)序列。

組合模型的建模整體架構(gòu)圖如圖2所示。

圖2 組合模型架構(gòu)圖

2.2 數(shù)值預(yù)處理

對(duì)于給定的水文數(shù)據(jù)我們進(jìn)行數(shù)據(jù)處理，使之具有規(guī)范的格式，便于后續(xù)處理分析。本文對(duì)于時(shí)間序列的預(yù)處理主要是填充空缺值以及歸一化。

歸一化旨在消除不同量綱之間的相互影響，解決指標(biāo)之間的可比性。通常數(shù)據(jù)量、數(shù)據(jù)范圍較大時(shí)，模型的收斂速度和精度會(huì)下降，為了解決此類(lèi)問(wèn)題，我們通常將數(shù)據(jù)按比例縮放，本文采用較為常用的(0,1)歸一化，將數(shù)據(jù)映射到(0,1)區(qū)間內(nèi)。歸一化公式如下：

(1)

式(1)中數(shù)據(jù)取自待預(yù)測(cè)站點(diǎn)的水位數(shù)據(jù)，ti為待處理水位數(shù)據(jù)，tmin為水位數(shù)據(jù)中的最小值，tmax為水位數(shù)據(jù)中最大值。通過(guò)數(shù)值歸一化[13]的處理，使得數(shù)據(jù)梯度變化時(shí)由原來(lái)的窄而長(zhǎng)的橢圓形之字走向優(yōu)化為直接沿著圓心最短路徑的走向，大大提高了迭代速度。同時(shí)，歸一化的處理還能消除樣本奇異值帶來(lái)的計(jì)算精度的影響。

對(duì)于本文所用模型，在數(shù)值預(yù)處理上還需對(duì)特征值的重要程度進(jìn)行排序。汛期的水位受到了諸多環(huán)境因素的影響，但是對(duì)于此類(lèi)影響因素，傳統(tǒng)方法的單個(gè)遍歷嘗試或者組合篩選效率較低，因此本文選取LightGBM將各類(lèi)環(huán)境變量對(duì)于水位的影響程度進(jìn)行排序，選取重要程度較高的多種特征，將水位初步預(yù)測(cè)值與這些特征組合進(jìn)行梯度提升建模。

2.3 組合模型原理

組合模型是指針對(duì)某一類(lèi)問(wèn)題采用了兩種或者兩種以上的模型進(jìn)行處理的方法。針對(duì)連續(xù)型數(shù)值的特性，水位數(shù)據(jù)與前幾個(gè)時(shí)間點(diǎn)的觀測(cè)值有較強(qiáng)相關(guān)性，可以利用改進(jìn)的神經(jīng)網(wǎng)絡(luò)GRU對(duì)于歷史時(shí)刻的數(shù)據(jù)進(jìn)行分析預(yù)測(cè)，初步建立一個(gè)較強(qiáng)的預(yù)測(cè)器。在強(qiáng)預(yù)測(cè)器的基礎(chǔ)上，傳統(tǒng)bagging算法的提升較小。可將水文數(shù)據(jù)中降雨量時(shí)間序列以及GRU建模時(shí)預(yù)測(cè)殘差進(jìn)行boosting[9]操作，在強(qiáng)預(yù)測(cè)器的基礎(chǔ)上進(jìn)行并行計(jì)算，再進(jìn)行水位預(yù)測(cè)。

區(qū)別于傳統(tǒng)的組合模型，對(duì)于時(shí)間序列中的線性和非線性成分并不是簡(jiǎn)單相加，而且采用線性預(yù)測(cè)與非線性捕捉分離的方式分別處理。此外，對(duì)于傳統(tǒng)模型中未能考慮到的季節(jié)性因素，基于GRU-LightGBM的模型也做到了分時(shí)段處理，針對(duì)不同環(huán)境細(xì)化建模流程。

組合模型的建模流程如下：

(1) 提取歸一化后的水位數(shù)據(jù)Xi將其分成非汛期數(shù)據(jù)X1i和汛期X2i建立GRU網(wǎng)絡(luò)模型，得到預(yù)測(cè)序列值Ti，通過(guò)與水位數(shù)據(jù)作差可得殘差序列Li，將所得殘差序列按照汛期和非汛期分解成L1i和L2i，表達(dá)式如下：

Li=Xi-Ti

(2)

(2) 依據(jù)水文數(shù)據(jù)指定的時(shí)間，5月至9月為汛期，其余為非汛期，提取殘差序列：

(3)

(4)

[X2i,L2i,D2i])

(5)

組合模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 網(wǎng)絡(luò)結(jié)構(gòu)圖

組合模型將GRU網(wǎng)絡(luò)預(yù)測(cè)所得非線性殘差與其他影響因素輸入梯度提升LightGBM模型中并行計(jì)算，有效降低了精度丟失，并提升了計(jì)算速率。

2.4 組合模型算法與分析

總體思想:本文中提出的組合模型主要由一個(gè)GRU模型和兩個(gè)LightGBM模型結(jié)合而成。GRU模型僅對(duì)水位時(shí)間序列信息進(jìn)行相空間重構(gòu)，求出待預(yù)測(cè)站點(diǎn)的水位預(yù)測(cè)序列Ti及預(yù)測(cè)的殘差序列Li；第一個(gè)LightGBM將非線性的水位預(yù)測(cè)殘差L1i與原始序列結(jié)合，利用梯度提升的原理計(jì)算最終的水位預(yù)測(cè)序列T1i。第二個(gè)LightGBM模型利用梯度提升的原理將汛期影響因素重要程度前四的環(huán)境變量與汛期水位預(yù)測(cè)殘差L2i組成綜合特征矩陣作為輸入數(shù)據(jù)，得到最終的水位預(yù)測(cè)序列T2i。水位時(shí)間序列預(yù)測(cè)的具體算法如下：

Step1對(duì)從數(shù)據(jù)源得到的數(shù)據(jù)進(jìn)行分析，通過(guò)檢查數(shù)據(jù)的平穩(wěn)性和季節(jié)性分析其差分次數(shù)并剔除其趨勢(shì)因素。

Step2對(duì)處理后的水位數(shù)據(jù)進(jìn)行(0,1)歸一化。利用相空間重構(gòu)的方法將一維的水位數(shù)據(jù)序列以三位步長(zhǎng)處理成高維的矩陣Xi，通過(guò)reshape變換將矩陣Xi轉(zhuǎn)換成GRU所能識(shí)別的維度即[sample,step,feature]，sample代表樣本值，step為設(shè)置的步長(zhǎng)，feature為特征。輸入層有1個(gè)input，隱藏層有32個(gè)神經(jīng)元，模型中利用滑動(dòng)窗口的原理將每次輸出層預(yù)測(cè)一個(gè)值作為下一次預(yù)測(cè)的輸入值進(jìn)行計(jì)算，重復(fù)n-3次直至預(yù)測(cè)結(jié)束，對(duì)應(yīng)的輸入矩陣Xi以及輸出向量Ti關(guān)系如下：

(6)

輸入矩陣Xi輸出向量Ti

Step3將所得預(yù)測(cè)序列ti的值與原始數(shù)據(jù)xi相減，計(jì)算出殘差序列l(wèi)i。

Step4根據(jù)水文數(shù)據(jù)指定時(shí)間，將殘差序列分為非汛期殘差序列l(wèi)1i以及汛期殘差序列l(wèi)2i。

Step5將非汛期的非線性殘差序列l(wèi)1i與原始序列x1i相結(jié)合形成LightGBM的輸入矩陣gbm_train1，通過(guò)梯度提升的處理方法再度進(jìn)行預(yù)測(cè)，得出預(yù)測(cè)序列t1i，對(duì)應(yīng)的輸入矩陣gbm_train1和輸出向量T1i關(guān)系如下：

(7)

輸入矩陣gbm_train1輸出向量T1i

(8)

輸入矩陣gbm_train2輸出向量T2i。

將所得預(yù)測(cè)序列t1i以及t2i逆歸一化得到最終輸出結(jié)果。具體實(shí)現(xiàn)過(guò)程的算法1所示。

算法1：

輸入：水位時(shí)間序列訓(xùn)練數(shù)據(jù)集dataset_Xi，預(yù)測(cè)步長(zhǎng)step以及特征features；

輸出：未來(lái)24小時(shí)的預(yù)測(cè)值Predict_24；

c為隱藏門(mén)；

inp為隱藏狀態(tài)的線性變換；

本文根據(jù)河北某新區(qū)的地理和降雨特點(diǎn),在保證雨水調(diào)蓄池儲(chǔ)存雨水功能基礎(chǔ)上,研究調(diào)蓄系統(tǒng)在無(wú)人參與情況下實(shí)現(xiàn)自治理功能,主要內(nèi)容包括:① 雨水收集;② 浮渣隔離;③ 調(diào)蓄池蓄水狀態(tài)下淤泥清除;④ 雨水分級(jí)利用;⑤ 污泥分級(jí)處理等.

l為輸入數(shù)據(jù)的長(zhǎng)度；

s為葉節(jié)點(diǎn)寬度；

//訓(xùn)練GRU模型

1. 將輸入步長(zhǎng)step與特征值feature相結(jié)合

/*本實(shí)驗(yàn)設(shè)置步長(zhǎng)為3*/

2. c=inp(feature)+step；

3. 將結(jié)合后的數(shù)據(jù)放入遺忘層,保存狀態(tài)到候選者層

4. if(c.val)

/*max_bin為預(yù)設(shè)的根堆大小*/

5. for i=0 to l

do val.put(bin)；

/*用leave_wise算法建立樹(shù)模型*/

6. endif

7. return arg(max(max(bin)))

//特征篩選并進(jìn)行LightGBM建模

8. while bin

/*Leave_size為葉節(jié)點(diǎn)寬度*/

9. 計(jì)算特征重要度；

10. end while

11. for i=0 to l

12. lgb建模；

13. i++；

14. end for

3 實(shí) 驗(yàn)

3.1 實(shí)驗(yàn)準(zhǔn)備

實(shí)驗(yàn)平臺(tái)為PyCharm2017.3 x64，Windows 7所搭載的操作系統(tǒng)，使用基于TensorFlow的keras框架進(jìn)行編碼，數(shù)據(jù)集來(lái)源于江蘇省水利廳信息科，選用數(shù)據(jù)集為淮河流域射陽(yáng)河某站點(diǎn)2016年1月1日0點(diǎn)至2016年5月1日0點(diǎn)的2 864條非汛期數(shù)據(jù)以及2018年5月1日0點(diǎn)至2018年9月30日12時(shí)的3 669條汛期數(shù)據(jù)。數(shù)據(jù)集被分為兩部分，67%為訓(xùn)練集，33%為測(cè)試集，實(shí)驗(yàn)采用了對(duì)比的方法，將GRU-LightGBM綜合模型的預(yù)測(cè)效果分為非汛期和汛期分別同GRU、ARIMA單個(gè)模型相比較。具體的實(shí)驗(yàn)步驟如下：1) 定義模型；2) 添加GRU層數(shù)；3) 根據(jù)數(shù)據(jù)情況添加dropout層；4) 定義輸出層神經(jīng)元個(gè)數(shù)為1；5) 添加激活函數(shù)進(jìn)行模型優(yōu)化；6) 運(yùn)行模型并保存結(jié)果。圖4、圖5為射陽(yáng)河流域每小時(shí)水位的時(shí)間序列圖。

圖4 非汛期水位數(shù)

圖5 汛期水位數(shù)據(jù)

3.2 評(píng)價(jià)指標(biāo)

為了綜合考量實(shí)驗(yàn)?zāi)Ｐ偷男Ч疚氖褂枚鄠€(gè)參數(shù)對(duì)實(shí)驗(yàn)的結(jié)果進(jìn)行分析，分別為均方根誤差(RMSE)[15]、預(yù)報(bào)準(zhǔn)確率(FA)[16]以及決定系數(shù)(DC)。

(9)

(10)

這兩個(gè)公式在各大深度學(xué)習(xí)算法[17]中均有介紹。式中：(pred)表示預(yù)測(cè)值，y(raw)表示實(shí)際值。此外，針對(duì)水位時(shí)間序列的特殊性，為了比較模型的擬合效果，本文增加了一個(gè)指標(biāo)即為決定系數(shù)：

(11)

式中：SSE為所有觀測(cè)點(diǎn)的殘差和，SST為所有點(diǎn)和均值差的總和，DC值越接近一代表預(yù)測(cè)準(zhǔn)確率越高。

3.3 實(shí)驗(yàn)結(jié)果與分析

對(duì)于非汛期和汛期的水位數(shù)據(jù)分別進(jìn)行預(yù)測(cè)其接下來(lái)的24個(gè)點(diǎn)的數(shù)據(jù)，效果如圖6、圖7所示。

圖6 非汛期水位預(yù)測(cè)效果對(duì)比

圖7 汛期水位預(yù)測(cè)效果對(duì)比

對(duì)比圖6、圖7可以看出，非汛期的總體預(yù)測(cè)效果較好，基本與原始數(shù)據(jù)重合，而汛期的預(yù)測(cè)效果較差，三種模型都偏離了原始數(shù)據(jù)。

針對(duì)汛期水位受多重因素影響[20]從而導(dǎo)致精度不足的情況，采用lightGBM進(jìn)行特征篩選[18]。

在分析水位數(shù)據(jù)及其影響后，得出了影響水位的九種環(huán)境因素，分別是：1) 上游第一個(gè)水位數(shù)據(jù)；2) 上游第二個(gè)站點(diǎn)水位數(shù)據(jù)；3) 下游第一個(gè)水位數(shù)據(jù)；4) 下游第二個(gè)水位數(shù)據(jù)；5) 溫度；6) 降雨量；7) 去年同期水位；8) 前6小時(shí)降雨量總和；9) 去年同期降雨量。使用LightGBM評(píng)估環(huán)境因素重要性，結(jié)果如圖8所示。

圖8 環(huán)境因素重要程度排序

可以看出，重要程度前四的特征相關(guān)度[19]更高，從特征“溫度”往后的特征對(duì)預(yù)測(cè)結(jié)果幾乎不產(chǎn)生影響。因此，將這四類(lèi)特征與預(yù)測(cè)值再度建立LightGBM模型進(jìn)行預(yù)測(cè)，所得預(yù)測(cè)結(jié)果如圖9所示。

圖9 加入環(huán)境因素后汛期預(yù)測(cè)對(duì)比

通過(guò)實(shí)驗(yàn)驗(yàn)證，隨著時(shí)間的推移，SVM-ARIMA模型以及LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)模型在擬合程度上漸漸偏離原始數(shù)據(jù)，而經(jīng)過(guò)改進(jìn)的GRU和lightGBM組合模型在預(yù)測(cè)效果上表現(xiàn)得更加優(yōu)秀，預(yù)測(cè)值更接近實(shí)際值。非汛期的總體預(yù)測(cè)效果較好，基本與原始數(shù)據(jù)重合，而經(jīng)過(guò)特征選擇的汛期的預(yù)測(cè)效果比最初模型的效果更好。實(shí)驗(yàn)證明了GRU和lightGBM組合模型相較于其他算法在預(yù)測(cè)精度有了提高。

通過(guò)實(shí)驗(yàn)驗(yàn)證，隨著時(shí)間的推移，SVM-ARIMA[21]模型以及LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型在擬合程度上漸漸偏離原始數(shù)據(jù)，而經(jīng)過(guò)改進(jìn)的GRU-lightGBM在預(yù)測(cè)效果上表現(xiàn)地更加優(yōu)秀，預(yù)測(cè)值更接近實(shí)際值。實(shí)驗(yàn)證明了GRU-lightGBM組合模型相較于其他算法在預(yù)測(cè)精度有了提高。

非汛期以及非汛期預(yù)測(cè)效果對(duì)比的實(shí)驗(yàn)結(jié)果如表1、表2所示。

表1 非汛期預(yù)測(cè)效果對(duì)比表

表2 汛期預(yù)測(cè)效果對(duì)比表

通過(guò)分析表1、表2可知，在非汛期時(shí)，基于GRU-lightGBM的組合預(yù)測(cè)模型無(wú)論是在預(yù)報(bào)準(zhǔn)確率還是決定系數(shù)上表現(xiàn)均為最佳，而汛期的水位由于受到降雨量的影響，預(yù)測(cè)準(zhǔn)確率較之非汛期稍低。但綜合各項(xiàng)指標(biāo)，組合模型的預(yù)測(cè)值更接近實(shí)踐值，體現(xiàn)出了模型的合理性和優(yōu)越性，總體來(lái)說(shuō)GRU-lightGBM組合模型在水文數(shù)據(jù)的預(yù)測(cè)上優(yōu)于單一模型。

4 結(jié) 語(yǔ)

針對(duì)單一模型對(duì)于具有季節(jié)性、復(fù)雜性的水文數(shù)據(jù)預(yù)測(cè)精度不足，本文提出了一種基于GRU和lightGBM的組合預(yù)測(cè)模型，將其應(yīng)用于射陽(yáng)河的小時(shí)預(yù)測(cè)。為了驗(yàn)證方法的有效性，將組合模型和傳統(tǒng)機(jī)器學(xué)習(xí)模型SVM-ARIMA及LSTM模型進(jìn)行對(duì)比，經(jīng)實(shí)驗(yàn)驗(yàn)證組合模型預(yù)測(cè)準(zhǔn)確率和效率均高于單一模型。但水文數(shù)據(jù)信息影響因素較多，本文所用模型未考慮一些特殊的變化因素，有待進(jìn)一步的改進(jìn)。未來(lái)將在單節(jié)點(diǎn)預(yù)測(cè)水位時(shí)間序列的基礎(chǔ)上將模型推廣至多個(gè)空間節(jié)點(diǎn)，建立上下游的對(duì)應(yīng)關(guān)系，真正體現(xiàn)出組合模型的優(yōu)勢(shì)。