基于LSTM模型的寧蒙河段封河時間預測研究

馬志瑾 章博

摘 要：為解決目前使用的封河時間預測模型輸入參數多、邊界條件要求高以及長預見期預測精度較差等問題，采用長短時記憶（LSTM）循環神經網絡模型方法，對黃河寧蒙河段封河時間進行預測。結果表明：在非極端天氣條件下，LSTM模型的預報精度滿足水情預報的要求，該模型的預見期和預測精度優于傳統預報模型，對運行條件和邊界條件的要求遠低于現有人工神經網絡模型以及冰水動力學模型，能夠有效提升寧蒙河段封河時間預報水平。

關鍵詞：封河時間預測;長短時記憶模型;寧蒙河段;黃河

Abstract：In order to solve the problems such as too many parameters input， high boundary requirements and low prediction accuracy in the river closure time prediction model， this study constructed the LSTM cycle neural network model to predict the freeze-up date of the Ningxia-Inner Mongolia reach of the Yellow River. The results indicate that the precision of LSTM model can meet the need of flood prediction in the non-extreme conditions. The prediction period and prediction accuracy of this model are better than that of traditional prediction models. Requirements of this model on operating conditions and boundary conditions are less than those of existing artificial neural network models and ice water dynamics models， which can significantly enhance the current level of river freeze-up date forecast of Ningxia-Inner Mongolia reach.

Key words： freeze-up date forecast; LSTM model; Ningxia-Inner Mongolia reach; Yellow River

黃河寧蒙河段是黃河在寧夏與內蒙古境內河段的統稱，位于北緯37°17′—40°51′之間，全長1 237 km（寧夏河段397 km，內蒙古河段840 km）。黃河河道在這里的走向大致呈“幾”字頭部狀，水流方向從低緯度流向高緯度。1957—2019年該河段多年日平均氣溫有4～5個月持續在0 ℃以下，最低氣溫為-35 ℃，高、低緯度日平均氣溫差為3.4 ℃[1]。受氣溫、河道走向等多重因素的影響，黃河寧蒙河段封河從下游溯源而上，極易形成冰塞，從而阻塞水流引起水位抬升造成凌災，導致沿岸農田和房屋被淹、水工建筑物被破壞等，是黃河流域防凌形勢最為嚴峻的河段。

為了給黃河寧蒙河段的防凌減災工作提供技術支持，黃委水文部門自1956年起開展冰情預報工作，從最初簡單的指標預報法，到基于物理成因的經驗預報方法，再到基于水文學機理的冰情預報模型與冰水動力學預報模型[2]。張遂業[3]基于冰凌物理成因，通用多元線性回歸分析，建立了黃河上游封、解凍預報模型;李海英等[4]根據天氣氣候分析，采用統計方法，進行黃河凌汛開河日的長期預報;可素娟等[1]采用經驗與理論相結合的方法，建立了黃河上游實用冰情數學模型;王濤等[5]將BP神經網絡預報引入寧蒙河段，在2004—2005年度冰情預報中取得了較好的效果。但是，寧蒙河段獨特的地理位置、水沙特點及復雜地形邊界條件決定了其冰情預報的難度[6]，目前的預報模型存在輸入參數多、邊界條件要求高、預見期預測精度差等諸多問題。

長短時記憶（LSTM）模型近年來被廣泛應用于水文預報等研究中，并取得了長足的進展[7]。因此，筆者嘗試采用長短時記憶模型，進行寧蒙河段封河日期預報，以期采用最少的輸入項獲得預見期較長且精度較高的預報模型，為冰凌災害預報提供參考。

1 研究方法

1.1 長短時記憶（LSTM）神經網絡模型

LSTM模型是循環神經網絡（RNN）的改進版，主要解決RNN網絡中存在梯度消失或梯度爆炸的問題[8]。LSTM神經網絡細胞單元包括遺忘門（ft）、輸入門（it）和輸出門（ot），通過這些細胞單元使LSTM神經網絡具有長期記憶信息的能力。輸入門用來更新要加入該單元的細胞結構狀態值（t）;遺忘門用來決定上一時刻的單元值被保留的比例;輸出門生成隱層狀態值（ht），用作下一時刻的額外輸入[9]。根據t時刻各門的信號，生成本細胞單元結構狀態值ct以及t時刻的隱層狀態值ht，并作為t+1時刻的額外輸入，如此反復，從而達到在網絡訓練中能夠實現根據數據內部的聯系自發控制各門的開閉和細胞單元值的更新，并賦予網絡可變的“記憶”長度。LSTM模型細胞單元結構[9]見圖1。

1.2 模擬結果許可誤差范圍

根據《水文情報預報規范》[11]，預報要素在預見期內的許可誤差見表1。

2 模型應用與結果分析

2.1 模型構建

研究表明，上游來水量、水位、槽蓄水量、水溫、流凌時間、流凌密度等因素均能影響寧蒙河段封河時間，而其中氣溫是最重要的影響因素[1-2，12]。本文選擇兩種模型構建方式，以期使用較少較易獲取的預報因子達到較高的預報精度。

2.2 模型的訓練與預測

模型1以1962—2009年為訓練期、2010—2019年為預測期，模型2以1957—2009年為訓練期、2010—2019年為預測期。盡管LSTM模型可以較好地收斂損失函數、趨近全局最優解，但仍然無法完全避免出現局部最優解的可能性。為此，本文使用Wang等[13]提出的解決方案，即按訓練多次（30次以上）模型計算平均值的處理方法得到其預測值。訓練與預測結果見圖2和表2。

2.3 結果分析

從圖2訓練結果來看，模型2明顯優于模型1，兩個模型均在1986年和1989年出現較大預測偏差（預報封河時間與實際封河時間相差超過7 d，即超過預見期的最大許可誤差范圍）。1986年預測偏差較大的原因為極端降溫，該年11月寧蒙沿黃地區氣溫較多年平均值偏低3.1 ℃，12日平均氣溫為7.2 ℃，14日平均氣溫為-11.0 ℃，2 d降幅高達18.2 ℃。1989年預測偏差較大的原因為入冬后氣溫始終偏高，流凌時間長、封凍遲（為1949年以來最遲的一年），寧夏全境未封，內蒙古境內僅封凍500 km。模型1在1966年、1969年、1970年和1976年均出現了較大預測偏差，這4 a的累計負溫高達-1 000 ℃以上。模型2在1979年、1991年、1992年和1993年出現較大預測偏差，其中1979年和1993年封河時間提前到11月中旬，1991年和1992年封河時間延遲到12月下旬。

從表2預測結果來看，模型2的預測合格率明顯高于模型1的，但模型1的預測合格年份的數據擬合度高于模型2的。模型1在2011年、2015年和2019年均出現較大預測偏差，原因可能是封河前突然降溫;模型2僅在2016年出現較大預測偏差，主要原因是2016年11月上中旬氣溫較常年偏高4 ℃，而20—24日氣溫降幅為10～14 ℃。

在出現冬季極端降溫和極端高溫的情況時，目前建立的兩個LSTM模型均出現較大預測偏差，原因主要是輸入項較少造成的，應該適當增加模型輸入項或建立其他模式下應對極端天氣的封河時間預報模型。在出現一般寒流、降溫幅度小于13 ℃和暖冬氣溫與歷史同期相比持續偏高5 ℃這兩種情況時，建議使用模型2（添加氣溫變化因子模擬）進行封河時間預測，其他正常年份建議使用模型1（封河時間自模擬）進行封河時間預測。

3 結 語

（1）LSTM模型多次訓練計算平均值的處理方法簡單易行，可在一定程度上避免局部最優解對模型精度的影響。

（2）LSTM模型相比其他預報方法具有輸入數據少、數據獲取難度低、預見期長等優點，可以用來預報寧蒙河道凌汛期封河時間。

（3）LSTM模型具有自學習與自適應性，在今后的研究中可以增加其他黃河冰情觀測指標作為其訓練因子，以提高模型的預測精度。

參考文獻：

[1] 可素娟，王敏，饒素秋，等.黃河冰凌研究[M].鄭州：黃河水利出版社，2002：15-17.

[2] 劉吉峰，霍世青.黃河寧蒙河段冰凌預報方法研究[J].中國防汛抗旱，2015，25（6）：6-10.

[3] 張遂業.黃河上游河段冰凌預報模型[J].甘肅水利水電技術，1997，33（4）：18-26.

[4] 李海英，高建國.內蒙古黃河凌汛期開河預報方法[J].內蒙古氣象，1998（4）：13-15.

[5] 王濤，楊開林，郭永鑫，等.神經網絡理論在黃河寧蒙河段冰情預報中的應用[J].水利學報，2005，36（10）：1024-1028.

[6] 趙衛民，霍世青，李世明.黃河水文情報預報工作回顧與展望[J].人民黃河，2006，28（增刊）：15-17.

[7] 張旭東，杜家浩，黃宇方，等.基于多尺度層級LSTM網絡的時間序列預測分析[J].計算機科學，2019， 46（增刊2）： 52-57.

[8] 姜淞川，陸建忠，陳曉玲，等.基于LSTM網絡鄱陽湖撫河流域徑流模擬研究[J].華中師范大學學報（自然科學版），2020，54（1）：128-139.

[9] 羅宇，羅林艷，范嘉智，等.基于深度LSTM神經網絡的大氣可降水量估算模型[J].湖北農業科學，2020，59（2）： 161-165.

[10] 崔巍，顧冉浩，陳奔月，等.BP與LSTM神經網絡在福建小流域水文預報中的應用對比[J]. 人民珠江，2020，41（2）：74-84.

[11] 中華人民共和國水利部.水文情報預報規范：GB/T 22482—2008[S].北京：中國標準出版社，2008：9.

[12] HUNG Taoshen.河冰研究[M].霍世青，李世明，饒素秋，等，譯.鄭州：黃河水利出版社，2010：323-338.

[13] WANG W， GELDER P H，VRIJL1NG J K， et al. Forecasting Daily Stream Flow Using Hybrid ANN Models[J].Journal of Hydrology， 2006，324（1-4）：383-399.

【責任編輯 張華興】