排序方式： 共有1条查询结果，搜索用时 0 毫秒
1
1.
为解决以往模型未考虑地下水位相关影响因素的问题，探讨长短期记忆（LSTM）神经网络在地下水位预测中的应用，利用长短期记忆神经网络，采用多变量输入的方式，构建了基于多变量LSTM神经网络的地下水水位预测模型。以泰安市岱岳区J1号监测井为例，采用2001-2014年地下水水位动态监测资料与相关影响因素数据，利用多变量LSTM神经网络对2015-2016年地下水位进行预测，并与单变量LSTM神经网络和反向传播（BP）神经网络进行对比。研究结果表明：以相关影响变量为输入的BP神经网络无法考虑时序变化规律，预测均方根误差最大，为2.399 3；以地下水位为变量输入的单变量LSTM神经网络仅能根据时序变化作出相应预测，无法考虑相关变量影响，预测均方根误差为2.102 2；基于多变量输入的LSTM神经网络的预测精度显著高于单变量LSTM神经网络和BP神经网络，预测均方根误差最小，仅为1.919 1。总体上，多变量LSTM神经网络地下水位预测模型仅在某些峰值处误差较大，但总体预测效果较为理想。 相似文献
1