基于CNN-LSTM混合模型的太湖流域水位预测研究
范兆森 康燕 王庆洁

河北科技师范学院数学与信息科技学院，河北秦皇岛，066004；

河北省农业数据智能感知与应用技术创新中心，河北秦皇岛，066004；

摘要：为实现水资源科学调配与洪涝灾害精准防控，针对水位序列数据非线性、非平稳及多因素耦合的特性，构建CNN-LSTM混合水位预测模型。该模型通过CNN提取多源水文数据局部空间特征，结合LSTM捕捉水位演变的长期时序相关性，形成时空特征协同提取机制。以太湖流域2008-2016年水位、降雨量及水利工程调度数据为样本开展实证分析，得到的结果表明该方法具有很强的预测能力，其主要评价指标RMSE 为0.0895、MAE为0.0544、MAPE为0.0163、R²达0.9074，达到甲级水文预报标准。与单一CNN和单一LSTM相比，优越性显著。研究为复杂流域水位精准预测提供了有效方法，具备实际应用价值。

关键词：水位预测；卷积神经网络；长短期记忆网络；时间序列分析；深度学习；太湖流域

参考文献

[1]肖克,张建军,谭文武,等. 融合Prophet与PCA技术的CNN-LSTM模型在水质预测中的应用[J].计量科学与技术,2024

[2]吕海峰,涂井先,林泓全,等. 基于CNN-LSTM-Attention和自回归的混合水位预测模型（英文）[J].水利水电技术(中英文),2024

[3]蔡文美,陈少颖,孙玉莹,等. 1954—2020年太湖水位变化的时空差异特征分析[J].江苏水利,2024

[4]韩莹,王乐豪,魏平慧,等. 水库水位的VMD-CNN-GRU混合预测模型[J].南京信息工程大学学报,2024

[5]刘威,尹飞. 一种基于LSTM模型的水库水位预测方法[J].无线电工程,2022

[6]周勇强,朱跃龙. 基于SFLA-CNN和LSTM组合模型的水位预测[J].计算机与现代化,2021

[7]刘亚新,樊启祥,尚毅梓,等. 基于LSTM神经网络的水电站短期水位预测方法[J].水利水电科技进展,2019

[8]Yuansheng H ,Shijian L ,Lei Y . Wind Speed Forecasting Method Using EEMD and the Combination Forecasting Method Based on GPR and LSTM[J].Sustainability,2018

[9]李梅，宁德军，郭佳程．基于注意力机制的 CNN-LSTM 模型及其应用［J］．计算机工程与应用，2019

[10]水利部.水文情报预报规范:GB/T 22482-2008[S].中国标准出版社,2008.