采用滚动窗口策略和分解后的LSTM模型进行多步水库入库流量预测

《Water Science and Engineering》：Multi-step reservoir inflow prediction using a rolling window strategy and decomposed LSTM

多目标水库入库流量预测研究提出结合信号分解与滚动窗口的分层LSTM模型。通过泰国Lam Takhong水库实证分析，比较了四种预测策略：多步预测、滚动预测、多步分解预测和滚动分解预测。结果表明滚动分解预测在7天预测中显著优于其他方法，相关系数达0.92，验证了该方法在长期预测中的有效性。

　　多用途水库的有效管理依赖于精确的规划和准确的数据，以平衡各种目标和约束条件。水库入流预测是这一过程中的关键环节，其重要性体现在对水资源调度、防洪和发电等决策的支持上。随着人工智能技术的发展，特别是深度学习模型的应用，入流预测的能力得到了显著提升。深度学习因其在复杂特征提取和模式识别方面的优势，已被广泛应用于不同时间尺度的预测任务，从小时级到年度级。本研究提出了一种结合分层堆叠长短期记忆网络（LSTM）与分解除噪技术及滚动窗口方法的预测框架，旨在提高多日水库入流预测的准确性。研究对象为位于泰国东北部的Lam Takhong大坝，该地区受热带季风气候影响，具有明显的雨季和旱季。研究数据包括多年来的日级水库入流、河流流量和平均降雨量记录，为模型训练和评估提供了丰富的信息。

传统的统计模型，如自回归移动平均（ARMA）、自回归积分移动平均（ARIMA）和季节性自回归积分移动平均（SARIMA），在水库入流预测中得到了广泛应用。这些模型具有坚实的理论基础，能够有效捕捉时间序列中的线性依赖关系。然而，它们在处理非线性、动态变化的实时数据时存在一定的局限性。传统模型假设数据之间的线性关系，这使得其在面对诸如降雨量波动和季节性变化等复杂水文过程时难以准确建模。因此，研究者们开始探索更先进的机器学习模型，如人工神经网络（ANN）、支持向量机（SVM）和自适应神经模糊推理系统（ANFIS）。这些模型在处理非线性关系和复杂数据模式方面表现出了更好的能力。例如，Jothiprakash和Magar（2012）在Koyna河流域使用ANN、ANFIS和线性遗传编程（LGP）进行每日和小时级的多步预测，结果显示LGP在预测峰值入流方面优于ANN和ANFIS，特别是在结合降雨和入流数据的输入模型中表现更佳。

为了进一步提高深度学习模型在长期预测中的性能，研究者们开始尝试将分解除噪技术整合到模型中。分解除噪技术，如变分模态分解（VMD），是一种自适应的信号处理方法，能够将复杂的时序数据分解为多个固有模态函数（IMFs）。这些IMFs分别捕捉了原始信号的不同频率成分，从而使得模型能够更有效地提取有意义的特征并过滤噪声。VMD在多个研究中被证明可以显著提升预测精度，尤其是在处理具有复杂结构和高噪声的水文数据时。例如，Ahmadi等人（2023）在伊朗Zohreh河流域的Bibijan Abad站点开发了一个结合VMD和机器学习算法（如随机森林和K-star）的混合模型，结果显示数据预处理和分解除噪的结合能够有效提升模型的预测能力。Liu等人（2024）则在中长期每日流速预测中应用了VMD-LSTM和VMD-LSTM-ED模型，证明了这些模型在不同时间尺度上的优越表现。

在本研究中，针对Lam Takhong大坝的水库入流预测，设计了四种预测策略：多步预测、滚动预测、结合分解除噪的多步预测以及结合分解除噪的滚动预测。研究采用了堆叠LSTM网络，因其在时间序列数据中捕捉长期依赖关系的能力，同时兼顾了准确性和计算效率。为了验证模型的性能，研究者们对四种策略进行了系统比较，评估了它们在不同预测时间尺度（从1天到7天）下的表现。结果表明，所有模型在短期预测（如1天）中表现良好，但在更长的预测时间尺度下，准确性逐渐下降。特别是，在预测峰值入流事件时，模型的误差积累问题更为明显。

通过引入分解除噪技术，研究者们发现结合分解除噪的滚动预测策略在长期预测中表现最为突出。该策略通过将原始输入特征分解为多个模式，再在每个模式上训练独立的模型，从而提高了预测的稳定性和准确性。分解除噪不仅能够有效提取数据中的关键特征，还能减少噪声对模型预测的影响。此外，滚动预测策略通过递归更新预测值，使得模型能够动态适应变化的输入条件，从而在较长的预测时间尺度上保持较高的准确性。在7天预测时间尺度下，该策略的平均相关系数（R）达到0.92，平均纳什-苏特cliffe模型效率系数（NSE）为0.78，显示出其在长期预测中的优势。

研究还对模型的计算成本进行了分析。分解除噪技术虽然提升了预测精度，但也增加了模型的训练时间和计算复杂度。相比之下，传统的多步预测策略在计算效率方面表现更优，但其在长期预测中的准确性较低。滚动预测策略的计算成本相对较高，但其推理时间仍然在可接受范围内，尤其适用于需要定期更新预测的水文应用。研究结果表明，模型的复杂性与计算成本之间存在权衡，需要根据实际应用需求进行选择。

此外，研究还探讨了模型在不同季节中的表现。在雨季期间，结合分解除噪的滚动预测策略在3天和7天的预测中均表现出较高的准确性，尤其是在9月和10月的峰值入流期。而在旱季，所有模型的预测误差相对相似，表明模型在低流量条件下的表现较为一致。通过散点图分析，研究者们进一步验证了模型的预测性能，发现结合分解除噪的滚动预测策略在减少严重低估误差方面表现更优，尽管仍存在一定的高估现象，但整体误差更小且分布更均匀。

研究还指出了一些潜在的局限性和未来研究方向。首先，本研究仅基于单一水库的数据，可能限制了模型在更广泛水文条件下的适用性。因此，未来需要在更大范围和更多样化的数据集上验证模型的可靠性和鲁棒性。其次，尽管分解除噪技术在一定程度上减少了误差积累，但在更长的预测时间尺度下，误差仍然存在。因此，可以考虑引入误差校正机制，如残差学习网络和基于注意力的校正模块，以进一步提高模型的准确性。此外，模型的不确定性量化尚未得到充分考虑，这可能影响其在实际操作中的解释性和风险评估能力。未来研究可以探索贝叶斯深度学习等先进方法，以提供置信区间，支持在不确定性下的决策制定。

最后，研究总结了四种预测策略在不同时间尺度下的表现，并指出结合分解除噪的滚动预测策略在长期预测中具有显著优势。尽管该策略在计算成本方面有所增加，但其在保持较高预测精度和稳定性方面表现出色，适用于需要长期预测的水文应用。然而，模型的复杂性也可能成为实际部署中的挑战，特别是在需要实时更新的场景中。因此，未来研究应致力于降低计算需求，并探索更先进的深度学习架构，如基于变压器的模型和图神经网络，以更好地捕捉水文数据中的时空依赖关系。这些改进将有助于提升水库入流预测的准确性和可靠性，为水资源管理和防洪决策提供更有力的支持。