基于深度学习特征的河流水位预测

- -- -可在www.sciencedirect.com在线获取ScienceDirectICTExpress 8（2022）588www.elsevier.com/locate/icte基于深度学习特征的河流水位预测放大图片作者：Jason H.Hagab，Worapan Kusakunnirana，a泰国佛统府玛希隆大学信息和通信技术学院b日本茨城县筑波市国立产业技术研究所数字建筑研究中心接收日期：2021年8月9日;接收日期：2022年1月25日;接受日期：2022年3月25日2022年4月1日上线摘要本文提出了河流高度预测模型，使用现实世界的历史传感器数据，如降雨量，累积降雨量和河流水位。该研究使用支持向量回归，长短期记忆，以及长短期记忆作为特征提取和支持向量回归的组合进行评估。通过实验，测试各种未来的预测，包括几个小时或一天。正如预期的那样，RNN实现了最低的误差，但它无法捕捉河流高度水平的快速变化。相比之下，LSTM-SVR通过使用非线性核可以更好地表示数据中的快速瞬态变化版权所有2022作者。出版社：Elsevier B.V.代表韩国通信和信息科学研究所这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：水位预测;深度学习;支持向量回归; LSTM;特征提取1. 介绍洪水、地震和滑坡等自然灾害会造成重大的经济和结构损失以及生命损失[1]。这将需要一个灾害探测系统，可能向受灾地区提供早期预警，以减少这些损失。然而，监测自然灾害是一项具有挑战性的任务。它需要大量的数据和可靠的方法来分析和预测事件。例如，如果我们可以将这些数据与创建预测模型相关联，那么河水高度与降雨量直观地相关。一种特定类型的灾害检测需要一个强大的和最佳的预测模型是河流洪水事件。在过去的几十年里，一些作品提出了在水文和水资源管理中使用概率预测技术。人工智能技术，如支持向量机（SVM），人工神经网络（ANN）和多层感知器（MLP）已被应用于特定的任务，如洪水预报[2]， 雪级 预 报 [3， 4]和 水位 预 测 [5]。 支 持向 量 机（SVM）[6]方法已广泛用于信 息 通 信 技 术 学 院 ， Mahidol 大 学 ， 999 Nettamonthon 4 Road ，Salaya，Nakhon Pathom，73170，Thailand。电子邮件地址： worapan. mahidol.edu（W. Kusakunniran）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2022.03.012分类任务。由于其有希望的结果，SVM支持向量回归（SVR）[7]。SVM由于其核函数而具有很高的潜力[5]。这可以帮助SVM找到全局最优解，并允许数据映射到高维空间。Hipni等人[5]采用SVM回归预测马来西亚巴生门每日大坝水位。为了选择最佳模型，他们使用四个类别，包括输入场景，SVM类型，交叉验证的数量和时滞。结果表明，利用降雨量R（t i）和大坝水位L（t i）是最佳输入方案。2型或ν-SVM [8]在5倍交叉验证中获得了最佳结果。最后，最佳时滞是使用R（t2）L（t）的最佳模型（2）错误率为1.64%。结果与自适应神经模糊推理系统（ANFIS）[9]进行了比较比较结果表明，他们的SVM模型达到了更高的精度。Buyukyildiz等人[10]研究了五种机器学习技术，人工神经网络（ANN），支持向量回归（SVR），多层感知器（MLP），径向基神经网络和基于自适应网络的模糊推理系统（ANFIS）。其目的是估计土耳其Beysehir湖的月水位变化，他们得出结论，SVR模型获得了最佳估计。Zhang等人[11]尝试了三种不同的技术，包括ANN，SVM和ANFIS用于短期水位预测2405-9595/© 2022作者。 由Elsevier B.V.代表韩国通信和信息科学研究所出版。这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。P. Borwarnginn，J.H.Haga和W.库萨昆尼兰ICT Express 8（2022）588589我在中国姚江。研究表明，ANFIS可以避免信息噪声，无论时间滞后的输入，但是，支持向量机是稳定的快速变化，如在台风事件，导致水位峰值近年来，卷积神经网络（CNN）和递归神经网络（RNN）等深度学习技术被引入水质监测系统。然而，长短期记忆（LSTM）是一种递归神经网络（RNN），广泛用于预测任务，特别是时间序列模型。Sahoo等人[12]研究了 LSTM-RNN在印度Mahanadi河Basantapur站低流量水文时间序列的使用。研究表明，LSTM-RNN的性能优于RNN和朴素方法。LSTM也在[13]中应用于洪水预报。建议的模型预测流量在华平站在大河，越南使用的流量和降雨量从几个气象和水文站之前，华平站建成。结果表明，LSTM在一天、两天和三天的预测中达到了86%以上的准确率。Sankaranarayanan等人[14]提出了使用温度和降雨强度进行洪水发生的深度神经网络。Ren等人[15]采用多层感知器（MLP）和递归神经网络（RNN），建立了两个模型，用于提前2至6 h的水位预测。实验结果表明，RNN模型比MLP模型更有效，准确率达到97.05%。在本文中，我们提出了一个预测模型，使用现实世界的历史数据有关的河流洪水事件，从几个传感器。这是一个具有挑战性的问题，因为我们不控制传感器设备或数据采集。因此，我们的目标是证明这种不平衡和噪声数据可以用于训练预测模型，包括传统技术和深度学习方法（RNN，特征提取，SVR等）。并更好地理解真实世界的数据如何影响这些模型的性能。结果表明，RNN实现了最低的误差。然而，它不能捕捉河流高度水平的快速变化。而RNN和SVR的组合虽然误差略高，但能更好地表示和报告快速瞬态数据的变化本文的其余部分组织如下。第二节介绍了预测河流水位的方法第3节描述了实验。然后，在第4节中讨论结果。最后，在第5节中得出结论。2. 该方法所提出的方法包括三个主要任务：数据采集，模型训练和预测。数据采集包括清理和准备来自真实世界公共传感器的数据，这些数据将用于我们模型模型训练过程包括特征提取和分类。我们将训练好的模型应用于预测任务的测试集，并评估预测结果。每个任务的详细信息将在以下小节中进行说明2.1. 数据采集在这项研究中，我们建议使用真实世界的数据来预测河流水位。 该数据集收集自日本河流信息网站[16]，该网站提供与全国河流相关的数据，包括河流水位，降雨量，累积降雨量，降雪量和CCTV的实时视频流等信息。我们获取了2016年11月22日至12月20日约一个月的数据。分析表明，河流水位与降雨量之间存在着一定的相关性，并有相应的时间戳。需要注意的一个重要特征是，如果有大雨，河水高度会迅速变化。我们的样本数据显示，河流水位高度也受到降雨量和累积降雨量的影响。因此，这些历史数据与相应的历史河流水位数据在同一时间点被用作模型的输入。我们的目标是预测一条河流的水位高度，尽可能远的未来，为实际应用提供参考。使用，同时保持准确的预测。例如，如果模型只能预测未来10到30分钟，这可能不足以让用户理解信息，做出决策并采取行动。这些数据将被划分为不同的时间间隔，例如一小时、六小时或一天，以研究模型在不同的未来时间间隔内预测的有效性。2.2. 预测模型由于数据包含时间信息，并且我们的目标是预测未来特定时间段内的河流高度，因此可以将其视为回归问题。在这项研究中，我们研究了三种方法，这是解决此类问题的传统技术：1）使用支持向量回归（SVR）进行预测，2）使用递归神经网络（RNN）进行深度学习，3）通过使用深度学习进行特征提取和SVR预测结果来组合这两种技术。前两种是解决这类问题的传统方法，但第三种是我们自己设计的改进的传统方法。2.2.1. 支持向量回归在传统方法中，支持向量机（SVM）[6]被广泛用于分类问题，并已成功应用于许多计算机视觉应用，如人脸检测，手写识别和医学图像分析。因此，有一种尝试是将回归问题的SVM推广到支持向量回归（SVR）。SVR使用类似于SVM的内核和其他参数来控制支持向量（SV）的数量[17]。支持向量回归机具有与支持向量机相同的特点。支持向量回归机可以使用非线性核函数来捕获非线性数据。多项式和径向基函数核（RBF）如等式（1）中定义。（1）和（2）。k（xi，xj）=（xT xj+1）d（1）k（xi，xj）=exp（−γ<$xi−xj<$2），γ>0（2）P. Borwarnginn，J.H.Haga和W.库萨昆尼兰ICT Express 8（2022）588590∑1=不我t−1不O图1.一、 我们提出的LSTM模型及其展开模型。其中，xi和xj是输入空间中的特征向量，d是多项式的次数。我们使用SVR来寻找一个函数来估计河流的水位。输入数据是非线性的，并且具有快速的时间变化。SVR非线性函数，如多项式和RBF将有可能能够捕获这些模式。SVR使用3个数据输入（河水高度，降雨量，累积降雨量）进行训练，这些数据输入按时间间隔形成向量。2.2.2. 长短期记忆（LSTM）长短期记忆（LSTM）网络是RNN的扩展，RNN是一种神经网络，内部存储器。因此，它允许将前一时间的输出用作当前时间的输入RNN可以被看作是一个链式网络。该结构包含一个循环，该循环对输入向量序列中的所有数据和前一次计算的输出重复相同的任务因此，RNN已经应用于序列数据，例如 机器翻译[18]，财务数据[19]和回归问题[20，21]。虽然RNN可以记住以前的信息，并且记忆力很短，但使用RNN有两个典型的问题。在训练期间，RNN在许多步骤中在反向传播期间不断调整梯度。它通常会导致爆炸问题和梯度消失[22]。引入长短期记忆来解决梯度消失问题. LSTM扩展了RNN的内部内存，使其能够在训练过程中提供更长的时滞。它用称为记忆单元的隐藏单元扩展了RNN，允许RNN长时间记住输入，类似于计算机记忆。在LSTM中，存储单元由三个门组成：输入门，遗忘门和输出门[23]。输入门可以决定是否允许新的输入，这类似于读入和写入存储器。遗忘门决定哪些信息要从存储块中删除，或者使用它来确定输出门中当前时间步的输出。LSTM可以使用以下等式计算为所有时间步的迭代：it=σ（Wi[ht−1，xt]+bi）（3）ft=σ（Wi[ht−1，xt]+bf）（4）o=σ（W[h，x]+b）（5）图二、 我们提出的LSTM-SVR模型。输出gate，Ct是用于生成单元状态Ct的内部单元状态向量，ht是隐藏状态，W是权重和b偏置。在这项工作中，我们的目标是预测河流的高度尽可能到未来，同时保持准确的预测。这是一个时间序列问题或回归问题，因为未来时间的水位取决于河流水位和降雨量的历史信息。所提出的模型的概述如图1所示。该模型由两层堆叠的LSTM网络组成，分别包含50个隐藏节点和25个隐藏节点。给定p小时的历史数据，我们想预测f小时。从第一个小时到第p个小时的所有水高度W被用作模型的输入，该模型返回从下一个小时开始的预测河流水高度W未来的p+1到f2.2.3. LSTM和SVR该研究提出了LSTM模型作为支持向量回归（SVR）的输入。在我们提出的LSTM模型实验中，我们发现，由于水高度在更长时间内的快速时间变化，具有完全连接层的LSTM无法准确捕捉这些变化。虽然这个LSTM模型试图在数据点之间求平均值，但它仍然有助于识别和提取其他回归技术中的模式。在传统的技术中，支持向量回归机可以使用RBF和多项式核来导出复杂非线性特征空间的映射函数。因此，我们提出的LSTM-SVR如图所示。二、 该模型使用相同的两个堆叠的LSTM层，但没有完全连接的层作为特征提取。的输出的LSTM随后被输入到SVR以产生预测结果。2.3. 评价方法由于我们的模型是一个回归问题，我们使用两种类型的 损 失函 数 来 评 估 预测 模 型 。 这些 是 平 均 绝对 误 差（ MAE ） 和 均 方 根 误 差 （ RMSE ） 。 平 均 绝 对 误 差（MAE）是所有数据点的绝对误差的平均值。定义了MAE函数如下：Ct=σ（Wi[ht−1，xt]+bc）（6）Ct=ft<$Ct−1+it <$Ct（7）nM AEn|（九）|(9)ht=ottanh（Ct）（8）i=1其中，yi是时间i的预测水位，其中，xi是当前时间步t的当前输入，ht-1和Ct-1是前一时间步的隐藏状态和单元状态，it是输入门，ft是遗忘门，ot是在时间i的水平，和n是在10分钟间隔的次数均方根误差是误差差平方的平均值的平方根。它也适用于我们的评价P. Borwarnginn，J.H.Haga和W.库萨昆尼兰ICT Express 8（2022）5885911∑n因为它对异常值敏感，并且可以用于选择最佳模型。RMSE的数学函数如下：RMSE=0.01ni=1（yi−yi）2（10）图三. 训练向量的维度，给定当前时间步（t），历史数据通过连接来自前一时间步（t）的所有特征来表示 以期望的时间步长（t-d）和实际的水高度时间步长作为其标签向量。3. 实验3.1. 数据集根据上一节，我们从日本河流网站[16]获取数据，其中包括来自与河流信息相关的不同类型传感器的各种数据。我们选择了河流水位、瞬时降雨量和累积降雨量的历史数据。这些数据还包含河流高度传感器数据，以及每条河流最近的降雨监测站的相应降雨量。这些数据被处理并用于训练和测试模型。以10分钟间隔记录所有数据。因此，每个传感器每小时有6个数据点。河水的高度以米（m）为单位。当前时间的瞬时降雨量以毫米（mm）表示，而累积降雨量以毫米（mm）记录从开始时段到当前时段的累积总降雨量。我们有大约一个月的数据。经过数据清理和验证后，训练集由20天的数据（2，880个数据样本）组成，剩余的数据成为测试集，其中包含大约5天的数据（688个数据样本）。所有数据集都被归一化并处理成不同的向量大小，以训练模型。因为在有限的数据集上，模型过拟合是可能的，然而，经过对数据的检验，我们发现所有的数据变量都处于相似的分布。1每个模型都使用三个特征进行训练：河水高度、瞬时降雨水平和累积降雨水平。特征维度基于每次迭代的历史数据周期。每个输入标签都是下一个区间的实际河水3.2. 实验设置我们的实验是基于调查模型的最远预测期和多少历史信息是足够的，以给出一个有希望的结果的目标。因此，我们根据不同的历史数据集和不同的产出周期设置了各种情景。场景示例如下：给定6 h的历史数据，提前1 h预测：由于我们使用三个特征，河流水位（W），瞬时降雨量（IR），累积降雨量（CR），预测未来一个小时输入要素1由于篇幅所限，样本数据、探索性数据分析和更多实验结果可在https：//github查阅。com/punborwarngin/waterheightsuplements#readme.向量将包含来自先前时间步的36个数据值，并且标签将是每个后续时间步的六个水高度。所有训练样本都被处理成这些形式，如图所示。第3（a）段。给定当前时间步长（t），六小时的历史数据表示为连接从t-1到t-36的所有特征及其实际的六个河流水位时间步长（1 h）。因此，总的训练输入维度是[2844，36，3]，其大小为[2844，36]。给定12小时的历史数据并提前6小时预测：输入特征向量将包含来自先前时间步的72个数据值，并且每个后续时间步的标签将是36个河水高度。因此，总的训练输入维度是[2808，72，3]，其标签大小为[2808，36]，如图所示。3（b）.表1总结了我们进行的实验场景。对于每个历史间隔，我们生成了四个不同时期的预测输出：一小时，六小时，12 h和24 h。我们为每个时间间隔单独训练三种技术，LSTM，SVR以及LSTM和SVR的组合。因此，训练了16个 模 型 ， 总 共 创 建 了 32 个 模 型 。 LSTM 模 型 使 用Tensorflow库实现，批量大小为50，运行50个epoch。将LSTM和SVR相结合，将训练好的LSTM模型作为特征提取，全连接层，并将输出连接到SVR。SVR模型将LSTM特征作为输入，并带有相应的标签。SVR模型分别使用三种内核进行训练：线性，多项式和径向基函数（RBF）。总的训练特征维度由以下组成(1)输入数据的总数（n），（2）10分钟间隔内的每个先前时间步（t），以及（3）输入特征的数量（f）。在我们的场景中，有三个特征：河水高度、瞬时降雨量和累积降雨量。标签维度是每个先前时间步长（t）的相应河水高度（w）4. 结果和讨论如实验部分所述，我们为每种方法和时间间隔训练了32个场景。我们的目标是找到一个合适的时间间隔，预测模型可以预测的最佳错误率。在检查结果后，为了简洁和清晰起见，我们选择了6小时和12小时的结果在这里展示。 平均绝对误差（MAE）和均方根误差（RMSE）见表2。与其他技术相比，LSTM模型实现了最低的错误率。··P. Borwarnginn，J.H.Haga和W.库萨昆尼兰ICT Express 8（2022）588592表1为每个实验设置不同的输入历史数据（h）输入维数[n，t，f]标签尺寸[w，t]1小时6 h12小时24 h1[2874，6，3][2874，6][2874，36][2874，72][2874，144]6[2844，36，3][2844，6][2844，36][2844，72][2844，144]12[2808，72，3][2808，6][2808，36][2808，72][2808，144]24[2736，72，3][2736，6][2736，36][2736，72][2736，144]表26 h和12 h模型的误差结果MAE（m）预测区间6小时12小时历史数据 LSTM LSTM +SVR LSTM +SVR线性RBF多项式线性RBF多项式6 h0.012 ±0.0040.012 ±0.0070.017 ±0.0070.019 ±0.0010.018 ±0.0050.023± 0.0090.024 ±0.0080.020 ±0.00412小时0.013 ±0.0030.018 ±0.0080.016 ±0.0060.019 ±0.0020.018 ±0.0050.022 ±0.0100.023 ±0.0080.020 ±0.005(a)平均绝对误差RMSE（m）预测区间6 h12小时历史数据LSTMLSTM +SVRLSTMLSTM +SVR线性RBF聚线性RBF聚6 h0.016 ±0.0040.018 ±0.0080.019 ±0.0070.024±0.002 0.024 ± 0.0050.029 ±0.0130.028 ±0.0100.027 ±0.00712小时0.018 ±0.0040.025 ±0.0070.020 ±0.0100.025±0.001 0.024 ± 0.0060.027 ±0.0110.027 ±0.0080.025 ±0.005（b）均方根误差预测区间尽管我们提出的使用经过训练的LSTM作为SVR模型的特征输入的方法的平均错误率略高于LSTM本身，但使用前6 h数据的多项式SVR模型的平均错误率 与其他模型相比，其结果的变化量最小，如具有最小标准差所示。图4报告了使用相同方法的MAE结果 6小时和12小时的历史数据来训练四种不同的预测输出，提前一小时、六小时、十二小时和24小时（一天）。我们通常发现，未来预测的时间间隔不应大于历史数据的时间间隔，否则错误率会增加。此外，我们的数据集的特点包含一些快速的时间变化的河流水位。MAE和RMSE不能准确地捕获这些信息，因为它们通过平均实际值和预测值之间的差异来评估性能。因此，我们检查从模型返回的实际值。图图5显示了在给定12小时历史数据的情况下，在LSTM模型和LSTM与SVR的组合上预测12小时的示例结果。尽管LSTM返回了更好的错误率，但它试图平均所有点，而不是跟踪河水高度的快速变化。同时，使用RBF核函数将LSTM与SVR相结合可以捕获这些时间模式。此外，表2报告了LSTM模型的每个先前时间步的训练结果。结果表明，选择的预测区间应小于或等于前一个时间间隔。比如说，见图4。 比较每个未来预测区间的MAE，前6小时（a）和12小时（b）的数据。如果我们想提前6小时预测，训练数据应该来自之前的6小时或更少。的限制，该模型成功地预测了河流的水位误差最小。通过扩展数据集以覆盖不同的时间段和季节，可以进一步增强所提出的模型。5. 结论提出了一种基于深度学习的河流水位预测模型。我们的目标是使用来自相关传感器的实际历史数据，如河水高度，降雨量，累积降雨量。这些数据包含一些快速的时间变化，这是一个具有挑战性的任务，模型来预测。我们的P. Borwarnginn，J.H.Haga和W.库萨昆尼兰ICT Express 8（2022）588593目标是尽可能地预测河流未来的水位，P. Borwarnginn，J.H.Haga和W.库萨昆尼兰ICT Express 8（2022）588594图五. 12小时预测的水位高度与12小时历史数据的实际值相比。系统的实际使用。因此，我们总共创建了32个场景来训练模型，以发现使用不同的历史数据间隔对未来几个时间段河流水位预测准确性的影响。我们使用LSTM、SVR以及LSTM与SVR的组合研究了三种可能的技术。我们取得了以下贡献：（1）虽然LSTM模型实现了很小的错误率，但它无法捕捉快速的时间变化而是作为一个平滑函数。使用LSTM作为非线性SVR的特征输入，可以在这些数据上实现更好的预测结果。(2)作为最佳实践，用于训练的历史数据应该来自大于或等于预测时间段的时间间隔。(3)在本研究工作中，测量河流水位和降雨量的实际单位分别为米和毫米。考虑到RMSE和MAE的幅度非常小，其对降雨的实际影响可以忽略不计，对河流水位的影响也很小（约+/- 2 cm）。参见图5、河水高度在2 h内变化超过10cm，远大于固有误差率。虽然所提出的使用LSTM结合SVR的方法与单独使用LSTM相比，LSTM的错误率略高，但我们认为，在现实世界中，捕捉数据中的瞬态事件对于更好地评估公众面临的新危险更为关键。CRediT作者贡献声明Punyanuch Borwarnginn：概念化，方法学，调查，验证，写作-原始草案。在山。Haga：监督，概念化，方法论，写作-评论编辑&。Worapan Kusakunniran：超视觉，概念化，方法论，写作竞合利益作者声明，他们没有已知的可能影响本文所报告工作致谢该研究项目得到了泰国Mahidol大学信息和通信技术部和泰国国家先进工业科学技术研究所信息和通信技术国际合作基金的部分支持。引用[1] D.Alexander ， NaturalDisasters ， Scholledge ， 2018 ，http://dx.doi.org/10。4324/9781315859149。[2] D.T. Nguyen，S.- T. Chen，使用多种机器学习方法进行实时概率洪水预报，Water12（3）（2020）787，http://dx.doi.org/10.3390/w12030787。[3] P. Borwarnginn ， W. Kusakunniran ， P. Pooyoi ， J.H. Haga ，Segmenting snow scene from CCTV using deep learning approach，ECTI trans. 告 知 。 13 （ 2 ） （ 2019 ） 167 http://dx.doi.org/10 。37936/ecti-cit.2019132.216323。[4] Y. Zhan，J. Wang，J. Shi，G.成湖，澳-地Yao，W.太阳，通过深度卷积网络区分卫星图像中的云和雪，IEEE Geosci。远程传感器字母14（10）（2017）1785//dx.doi.org/10.1109/LGRS.2017.2735801网站。[5] A. Hipni，A. El-shafie，A. Najah，O.A.卡里姆A.侯赛因，M。Mukhlisin，大坝水位的每日预测：支持向量机（SVM）模型与自适应神经模糊推理系统（ANFIS）的比较，水资源。经理。27（10）（2013）3803http://dx.doi.org/10.1007/s11269-013-0382-4[6] R. Fernandes de Mello，M.安东内利庞蒂河费尔南德斯·德梅洛，M. Antonelli Ponti ， Introduction to Support Vector Machines ，Mach 。 学 习 . （ 2018 ） http://dx.doi.org/10.1007/978-3-319-94989-5_4。[7] A.J. Smola ，B. Schölkopf，关于支持向量回归的教程，Stat。Comput.（2004）http://dx.doi.org/10.1023/B:STCO.0000035301.49549。88个。[8] P.H. Chen，C.J. Lin，B. Schölkopf，V-支持向量机教程，Appl.Stoch。巴士模型Ind.21（2）（2005）111http://dx.doi.org/10.1002/asmb.537[9] N. Valizadeh，A. El-Shafie，使用ANFIS中的多输入模糊化预测水库 水 位 ， 水 资 源 。 经 理 。 27 （ 9 ） （ 2013 ）3319http://dx.doi.org/10.1007/s11269-013-0349-5[10] M.比于基尔迪兹湾Tezel，V. Yilmaz，人工智能方法对湖泊水位变化 的 估 计 ， 水 资 源 。 经 理 。 28 （ 13 ） （ 2014 ）4747http://dx.doi.org/10.1007/s11269-014-0773-1[11] S.张丽Lu，J. Yu，H. Zhou，Short-term water level prediction usingdifferent artificial intelligent models ， in ： 2016 5th InternationalConference on Agro-Geoinformatics ， Agro-Geoinformatics 2016 ，Institute of Electrical and Electronics Engineers Inc.，2016年6月26日，http://dx.doi。org/10.1109/Agro-Geoinformatics.2016.7577678.[12] B.B.萨胡河Jha，A.辛格山，加-地Kumar，长短期记忆（LSTM）递归神经网络用于低流量水文时间序列预测，地球物理学报。67（5）（2019）1471-http://dx.doi.org/[13] H. Le，J. Lee，长短期记忆（LSTM）神经网络在洪水预报中的应用 ， Water11 （ 7 ） （ 2019 ） 1387 ， http://dx.doi 。org/10.3390/w11071387。[14] S. Sankaranarayanan，M.Prabhakar，S.萨蒂什山口贾恩A.兰普拉萨德，A. Krishnan，使用深度学习基于天气参数的洪水预测，J。水上攀登变更11（4）（2019）1766//dx.doi.org/10.2166/wcc.2019.321，arXiv：https://iwaponline.com/jwcc/article-pdf/11/4/1766/831101/jwc0111766.pdf。[15] T. Ren，X. Liu，J. Niu，X.雷，Z. Zhang，基于多层感知和递归神经网络的梯级河道水位实时预报，J. Hydrol. 585（2020）124783，http://dx.doi。org/10.1016/j.jhydrol.2020.124783。[16] 河流防灾信息网址http://www.river.go.jp/kawabou/ipTopGaikyo.do。[17] M. 阿 瓦 德 河 Khanna ， Support vector regression ， in ： EfficientLearning Machines ， A Press ， Berkeley ， CA ， 2015 ， pp. 67-http://dx.doi.org/[18] K. 乔湾，巴西-地Van Merriënboer角Gulcehre，D.Bahdanau，F.布加雷P. Borwarnginn，J.H.Haga和W.库萨昆尼兰ICT Express 8（2022）588595斯，H. Schwenk，Y. Bengio，使用RNN编码器-解码器进行统计机器翻译的学习短语表示，EMNLP 2014- 2014年自然语言处理经验方法会议，会议论文集，2014年，http://dx.doi.org/10。3115/v1/d14-1179，arXiv：1406.1078。P. Borwarnginn，J.H.Haga和W.库萨昆尼兰ICT Express 8（2022）588596[19] S.塞尔文河Vinayakumar，E.A. Gopalakrishnan，V.K. Menon，K.P.Soman，Stock price prediction using LSTM，RNN and CNN-slidingwindow model ，in：2017 International Conference on Advances inComputing，Communications and Informatics（ICACCI），2017，pp. 1643http://dx.doi.org/10.1109/ICACCI.2017.8126078[20] M. Abdel-Nasser ， K. Mahmoud ， Accurate photovoltaic powerforecasting models using deep LSTM-RNN，Neural Comput. Appl. 31（7）（2019）2727http://dx.doi.org/10.1007/s00521-017-3225-z[21] H. Su，E. Zio，J. Zhang，M. Xu，X. Li，Z. Zhang，基于小波变换和增强型深度RNN模型集成的混合小时天然气需求预测方法，能源178（2019）585http://dx.doi.org/10.1016/j.energy.2019.04.167[22] S. Hochreiter，J. Schmidhuber，长短期记忆，神经计算。9（8）（1997）1735 http://dx.doi.org/10.1162/neco.1997。9.8.1735[23] A.Graves ， SupervisedSequenceLabellingwithRecurrentNeuralNetworks ， Springer Berlin Heidelberg ， 柏 林 ， 海 德 堡 ，2012。