基于优化算法的CNN-BiLSTM-attention的月径流量预测

打开文本图片集

摘要：为有效提取径流时间序列的信息特征，提高径流预测模型的高维非线性拟合能力和预测性能的稳定性，将卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和注意力机制（attention）相结合，构建了CNN-BiLSTM-attention的径流组合模型。以长江流域中游汉口站径流量数据进行模拟验证，对比分析BiLSTM，CNN，BiLSTM-attention，CNN-BiLSTM和CNN-BiLSTM-attention 5种径流预测模型模拟月径流的误差特征，利用FA-SSA，GWO和BAO 3种优化算法分别对CNN-BiLSTM-attention组合模型的卷积核个数、BiLSTM隐藏层神经元个数、全连接隐藏层神经元个数、dropout层、批量大小和学习速率6个超参数优化，探究3种优化算法对CNN-BiLSTM-attention月径流预测性能的影响。（剩余14845字）