将机器学习与粒子群优化相结合，以提高未来水库来水量的预测精度

《ISH Journal of Hydraulic Engineering》：Integrating machine learning with particle swarm optimization for enhancing future reservoir inflow predictions

本研究对比了LSAM与NGB算法在预测印度Sri Ram Sagar大坝月流入量中的应用，采用PSO和GS优化参数，在42年数据集上通过RMSE等指标评估。LSAM-PSO在S3场景下表现最优，预测显示SSP 585长期流入量增幅达247.28%，其他SSP峰值频率高于基线。

　　

摘要

本研究探讨了结合注意力机制（AM）的长短期记忆网络（LSTM，称为LSAM）与自然梯度提升算法（NGB）在预测印度斯里拉姆萨加尔项目（Sri Ram Sagar Project）月度水量流入方面的能力。这些算法的参数通过粒子群优化（PSO）和网格搜索（GS）进行优化，形成了四种组合：LSAM-PSO、NGB-PSO、LSAM-GS和NGB-GS。研究考虑了三种输入情景（S1、S2和S3），这些情景基于月降雨量、最高温度、最低温度和水量流入数据。数据集涵盖了1983年至2024年共42年的数据，用于训练和测试算法性能。评估指标包括均方根误差（RMSE）、Nash-Sutcliffe效率（NSE）、偏差百分比（PBIAS）和Willmott指数（WI）。LSAM-PSO在情景S3中的表现最佳：训练阶段的RMSE为1683.33万立方米（MCM），NSE为0.9892，PBIAS为-0.6877，WI为0.9816；测试阶段的RMSE为360.273（MCM），NSE为0.8462，PBIAS为-2.4603，WI为0.8951。因此，该模型被用于从气候变化的角度预测四种社会经济路径（SSPs）下的水库短期、中期和长期水量流入情况。预测结果显示，长期水量流入有显著增加，尤其是在SSP 585情景下，年水量流入量相比基准平均值增加了247.28%。除了SSP 585外，所有情景下的峰值流量事件频率均高于基准水平。