基于时域卷积网络的水文模型

doi:10.11772/j.issn.1001-9081.2021061366

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (6): 1756-1761.DOI: 10.11772/j.issn.1001-9081.2021061366

所属专题： 2021年全国开放式分布与并行计算学术年会(DPCS 2021)论文

• 2021年全国开放式分布与并行计算学术年会(DPCS 2021)论文 • 上一篇下一篇

基于时域卷积网络的水文模型

聂青青¹, 万定生¹(), 朱跃龙¹, 李致家², 姚成²

^1.河海大学计算机与信息学院，南京 211100
^2.河海大学水文水资源学院，南京 210098

收稿日期:2021-08-02 修回日期:2021-11-15 接受日期:2021-11-15 发布日期:2022-01-10 出版日期:2022-06-10
通讯作者: 万定生
作者简介:聂青青（1997—），女，安徽安庆人，硕士研究生，主要研究方向：数据管理、数据挖掘
朱跃龙（1959—），男，江苏建湖人，教授，博士，CCF会员，主要研究方向：智能信息处理、数据挖掘
李致家（1962—），男，山西运城人，教授，博士，主要研究方向：水文物理规律模拟与预报、数据挖掘
姚成（1982—），男，江苏扬州人，副教授，博士，主要研究方向：水文模型、水文预报、数据挖掘、数值模拟。
基金资助:
国家重点研发计划项目(2018YFC1508100)

Hydrological model based on temporal convolutional network

Qingqing NIE¹, Dingsheng WAN¹(), Yuelong ZHU¹, Zhijia LI², Cheng YAO²

^1.College of Computer and Information，Hohai University，Nanjing Jiangsu 211100，China
^2.College of Hydrology and Water Resources，Hohai University，Nanjing Jiangsu 210098，China

Received:2021-08-02 Revised:2021-11-15 Accepted:2021-11-15 Online:2022-01-10 Published:2022-06-10
Contact: Dingsheng WAN
About author:NIE Qingqing，born in 1997，M. S. candidate. Her research interests include data management，data mining.
ZHU Yuelong，born in 1959，Ph. D.，professor. His research interests include intelligent information processing，data mining
LI Zhijia，born in 1962，Ph. D.，professor. His research interests include simulation and prediction of hydrological physical laws，data mining.
YAO Cheng，born in 1982，Ph. D.，associate professor. His research interests include hydrological model，hydrological forecast，data mining，numerical simulation.
Supported by:
National Key Research and Development Program of China(2018YFC1508100)

摘要/Abstract

摘要：

水位预测是防洪预警工作的辅助决策支持。为了进行准确的水位预测，为预防自然灾害提供科学依据，提出一种结合改进的灰狼优化（MGWO）算法与时域卷积网络（TCN）的预测模型MGWO-TCN。针对标准灰狼优化（GWO）算法存在早熟停滞的不足引入差分进化（DE）算法，扩展灰狼种群的多样性；改进灰狼种群更新时的收敛因子和变异时的变异算子，以自适应的形式对参数进行调整，提升算法的收敛速度，均衡算法的全局与局部搜索能力；利用MGWO算法对TCN的重要参数寻优，提升TCN的预测性能。将MGWO-TCN预测模型用于河流水位预测，预测结果的均方根误差（RMSE）为0.039。实验结果表明，与对比模型相比，MGWO-TCN预测模型具有更好的寻优能力和更高的预测精度。

关键词: 水文预测, 灰狼优化算法, 时域卷积网络, 差分进化算法, 收敛因子

Abstract:

Water level prediction is an auxiliary decision support for flood warning work. For accurate water level prediction and providing scientific basis for natural disaster prevention， a prediction model combining Modified Gray Wolf Optimization （MGWO） algorithm and Temporal Convolutional Network （TCN） was proposed， namely MGWO-TCN. In view of the shortage of premature and stagnation in the original Gray Wolf Optimization （MGWO） algorithm， the idea of Differential Evolution （DE） algorithm was introduced to extend the diversity of the grey wolf population. The convergence factor during update and the mutation operator during mutation of the grey wolf population were improved to adjust the parameters in the adaptive manner， thereby improving the convergence speed and balancing the global and local search capabilities of the algorithm. The proposed MGWO algorithm was used to optimize the important parameters of TCN to improve the prediction performance of TCN. The proposed prediction model MGWO-TCN was used for river water level prediction， and the Root Mean Square Error （RMSE） of the model’s prediction results was 0.039. Experimental results show that compared with the comparison model， the proposed MGWO-TCN has better optimization ability and higher prediction accuracy.

Key words: hydrological prediction, Grey Wolf Optimization (GWO) algorithm, Temporal Convolutional Network (TCN), Differential Evolution (DE) algorithm, convergence factor

中图分类号:

TP391

聂青青, 万定生, 朱跃龙, 李致家, 姚成. 基于时域卷积网络的水文模型[J]. 计算机应用, 2022, 42(6): 1756-1761.

Qingqing NIE, Dingsheng WAN, Yuelong ZHU, Zhijia LI, Cheng YAO. Hydrological model based on temporal convolutional network[J]. Journal of Computer Applications, 2022, 42(6): 1756-1761.

图/表 9

图1 TCN基本结构

Fig. 1 Basic structure of TCN

图2 残差块结构

Fig. 2 Residual block structure

图3 TCN预测结果

Fig. 3 TCN prediction result

图4 MGWO-TCN模型预测流程

Fig. 4 Prediction process of MGWO-TCN model

表1 不同模型的最优参数

Tab. 1 Optimal parameters of different models

模型	卷积核数量	batch_size
PSO-TCN	76.192 966	512.282 730
GWO-TCN	59.599 615	173.948 656
DE_GWO-TCN	58.664 231	230.579 521
MGWO-TCN	65.000 000	205.188 451

图5 不同模型的适应度曲线

Fig. 5 Fitness curves of different models

图6 MGWO-TCN模型的预测结果及其局部放大图

Fig. 6 Prediction result of MGWO-TCN model and their partial enlarged view

图7 不同模型的预测结果与局部放大图

Fig. 7 Prediction results of different models and their partial enlarged views

表2 不同模型预测结果对比

Tab. 2 Comparison of prediction results of different models

模型	RMSE	MAE	sMAPE
MGWO-TCN	0.039	0.027	0.120
DE_GWO-TCN	0.049	0.028	0.136
GWO-TCN	0.064	0.048	0.206
PSO-TCN	0.070	0.047	0.207
TCN	0.088	0.052	0.260

参考文献 17

1	丁尹，桑楠，李晓瑜，等. 基于循环神经网络的电信行业容量数据预测方法［J］. 计算机应用， 2021， 41（8）：2373-2378. 10.11772/j.issn.1001-9081.2020101677
	DING Y， SANG N， LI X Y， et al. Prediction method of capacity data in telecom industry based on recurrent neural network［J］. Journal of Computer Applications， 2021， 41（8）：2373-2378. 10.11772/j.issn.1001-9081.2020101677
2	王亦斌，孙涛，梁雪春，等. 基于EMD-LSTM模型的河流水量水位预测［J］. 水利水电科技进展， 2020， 40（6）：40-47. 10.3880/j.issn.1006-7647.2020.06.008
	WANG Y B， SUN T， LIANG X C， et al. Prediction of river water flow and water level based on EMD-LSTM model［J］. Advances in Science and Technology of Water Resources， 2020， 40（6）：40-47. 10.3880/j.issn.1006-7647.2020.06.008
3	PAN M Y， ZHOU H N， CAO J Y， et al. Water level prediction model based on GRU and CNN［J］. IEEE Access， 2020， 8： 60090-60100. 10.1109/access.2020.2982433
4	刘青松，严华，卢文龙. 基于AR-RNN的多变量水位预测模型研究［J］. 人民长江， 2020， 51（10）：94-99. 10.16232/j.cnki.1001-4179.2020.10.016
	LIU Q S， YAN H， LU W L. Multivariable water level prediction based on AR-RNN model［J］. Yangtze River， 2020， 51（10）：94-99. 10.16232/j.cnki.1001-4179.2020.10.016
5	张杰，白光伟，沙鑫磊，等. 基于时空特征的移动网络流量预测模型［J］. 计算机科学， 2019， 46（12）：108-113. 10.11896/jsjkx.181102207
	ZHANG J， BAI G W， SHA X L， et al. Mobile traffic forecasting model based on spatio -temporal features［J］. Computer Science， 2019， 46（12）：108-113. 10.11896/jsjkx.181102207
6	ZHAO Y， JIA L. A short-term hybrid wind power prediction model based on singular spectrum analysis and temporal convolutional networks［J］. Journal of Renewable and Sustainable Energy， 2020， 12（5）： No.056101. 10.1063/5.0007003
7	武钦芳，吴张倩，苏兆品，等. 遗传算法优化时间卷积网络的手机来源识别［J］. 计算机工程与应用， 2022， 58（3）：151-158. 10.3778/j.issn.1002-8331.2008-0075
	WU Q F， WU Z Q， SU Z P， et al. Source cell-phone identification using genetic algorithm optimized temporal convolutional network［J］. Computer Engineering and Applications， 2022， 58（3）：151-158. 10.3778/j.issn.1002-8331.2008-0075
8	SONG Z Y， BROWN L E. Multi-dimensional evaluation of temporal neural networks on solar irradiance forecasting［C］// Proceedings of the 2019 IEEE Innovative Smart Grid Technologies - Asia. Piscataway： IEEE， 2019： 4192-4197. 10.1109/isgt-asia.2019.8881784
9	MIRJALILI S， MIRJALILI S M， LEWIS A. Grey wolf optimizer［J］. Advances in Engineering Software， 2014， 69：46-61. 10.1016/j.advengsoft.2013.12.007
10	张文胜，郝孜奇，朱冀军，等. 基于改进灰狼算法优化BP神经网络的短时交通流预测模型［J］. 交通运输系统工程与信息， 2020， 20（2）：196-203.
	ZHANG W S， HAO Z Q， ZHU J J， et al. BP neural network model for short-time traffic flow forecasting based on transformed grey wolf optimizer algorithm［J］. Journal of Transportation Systems Engineering and Information Technology， 2020， 20（2）：196-203.
11	YANG Y Q， ZHAO Y X， LAI S. Temporal convolutional network for pork price prediction［C］// Proceedings of the 2020 International Conference on Big Data in Management. New York： ACM， 2020：91-95. 10.1145/3437075.3437077
12	ZHANG Z Y， CHEN H R， HUANG Y X， et al. Quantile huber function guided TCN for short-term consumer-side probabilistic load forecasting［C］// Proceedings of the 2020 IEEE/IAS Industrial and Commercial Power System Asia. Piscataway： IEEE， 2020：322-329. 10.1109/icpsasia48933.2020.9208545
13	EMARY E， ZAWBAA H M， GROSAN C. Experienced gray wolf optimization through reinforcement learning and neural networks［J］. IEEE Transactions on Neural Networks and Learning Systems， 2018， 29（3）：681-694. 10.1109/tnnls.2016.2634548
14	李建民，陈慧，杨冬芹，等. 改进GWO优化SVM的服务器性能预测［J］. 计算机工程与设计， 2019， 40（11）：3099-3105， 3163.
	LI J M， CHEN H， YANG D Q， et al. Prediction of server performance based on SVM algorithm of improved GWO［J］. Computer Engineering and Design， 2019， 40（11）：3099-3105， 3163.
15	郭振洲，刘然，拱长青，等. 基于灰狼算法的改进研究［J］. 计算机应用研究， 2017， 34（12）：3603-3606， 3610. 10.3969/j.issn.1001-3695.2017.12.019
	GUO Z Z， LIU R， GONG C Q， et al. Study on improvement of gray wolf algorithm［J］. Application Research of Computers， 2017， 34（12）：3603-3606， 3610. 10.3969/j.issn.1001-3695.2017.12.019
16	PADHY S， PANDA S， MAHAPATRA S. A modified GWO technique based cascade PI-PD controller for AGC of power systems in presence of Plug in Electric Vehicles［J］. Engineering Science and Technology， an International Journal， 2017， 20（2）：427-442. 10.1016/j.jestch.2017.03.004
17	方晓玉，李晓斌，郭震. 一种改进的混合灰狼优化支持向量机预测算法及应用［J］. 激光与光电子学进展， 2020， 57（12）：341-347. 10.3788/LOP57.122801
	FANG X Y， LI X B， GUO Z. Improved hybrid grey wolf optimization support vector machine prediction algorithm and its application［J］. Laser and Optoelectronics Progress， 2020， 57（12）： 341-347. 10.3788/LOP57.122801

[1]	魏凤凤, 陈伟能. 分布式数据驱动的多约束进化优化算法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1393-1400.
[2]	任帅, 纪元法, 孙希延, 韦照川, 林子安. 基于改进灰狼优化与支持向量回归的滑坡位移预测[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 972-982.
[3]	黄亚伟, 钱雪忠, 宋威. 基于双档案种群大小自适应方法的改进差分进化算法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3844-3853.
[4]	欧云, 周恺卿, 尹鹏飞, 刘雪薇. 双收敛因子策略下的改进灰狼优化算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2679-2685.
[5]	黄霖, 符强, 童楠. 基于自适应调整哈里斯鹰优化算法求解机器人路径规划问题[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3840-3847.
[6]	高乾顺, 范纯龙, 李炎达, 滕一平. 基于差分进化的神经网络通用扰动生成方法[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3436-3442.
[7]	代荣荣, 李宏慧, 付学良. 基于差分进化融合蚁群算法的数据中心流量调度机制[J]. 《计算机应用》唯一官方网站, 2022, 42(12): 3863-3869.
[8]	刘世泽, 朱奕达, 陈润泽, 罗海勇, 赵方, 孙艺, 王宝会. 基于残差时域注意力神经网络的交通模式识别算法[J]. 计算机应用, 2021, 41(6): 1557-1565.
[9]	许飞雪, 刘勤明, 欧阳海玲, 叶春明. 基于性能合同的多部件系统维修策略模型优化[J]. 计算机应用, 2021, 41(4): 1184-1191.
[10]	郝芃斐, 池瑞, 屈志坚, 涂宏斌, 池学鑫, 张地友. 求解铁路物流配送中心选址问题的改进灰狼优化算法[J]. 计算机应用, 2021, 41(10): 2905-2911.
[11]	赵志学, 李夏苗, 周鲜成. 考虑拥堵区域的多车型绿色车辆路径问题优化[J]. 计算机应用, 2020, 40(3): 883-890.
[12]	张鑫, 邹德旋, 沈鑫. 含交叉项的混合二范数粒子群优化算法[J]. 计算机应用, 2018, 38(8): 2148-2156.
[13]	刘宝, 董明刚, 敬超. 改进的排序变异多目标差分进化算法[J]. 计算机应用, 2018, 38(8): 2157-2163.
[14]	袁亦川, 杨洲, 罗廷兴, 秦进. 求解动态优化问题的多种群竞争差分进化算法[J]. 计算机应用, 2018, 38(5): 1254-1260.
[15]	李宁, 李刚, 邓中亮. 改进灰狼算法在土壤墒情监测预测系统中的应用[J]. 计算机应用, 2017, 37(4): 1202-1206.

基于时域卷积网络的水文模型

Hydrological model based on temporal convolutional network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 17

相关文章 15

编辑推荐

Metrics