近日，水利與環(huán)境工程學(xué)院2019級(jí)博士研究生鄒勇松（導(dǎo)師：王進(jìn)教授）的研究論文“A novel multi-step ahead forecasting model for flood based on time residual LSTM”被水利學(xué)科領(lǐng)域的知名期刊Journal of Hydrology（IF=6.708）接收并刊出。

文章鏈接：https://doi.org/10.1016/j.jhydrol.2023.129521；

引用格式：Zou, Y., Wang, J., Lei, P., & Li, Y. (2023). A novel multi-step ahead forecasting model for flood based on time residual LSTM. Journal of Hydrology, 620, 129521.

成果介紹

準(zhǔn)確可靠的多步洪水預(yù)測(cè)對(duì)生命和財(cái)產(chǎn)具有重要意義。最近，水文學(xué)研究人員越來(lái)越傾向于使用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）進(jìn)行洪水預(yù)測(cè)，因?yàn)镽NN能夠捕捉歷史依賴關(guān)系，簡(jiǎn)化計(jì)算過(guò)程并提供比傳統(tǒng)模型更準(zhǔn)確的預(yù)測(cè)結(jié)果。然而，基于RNN的洪水預(yù)測(cè)模型面臨兩個(gè)主要挑戰(zhàn)。

首先，由于RNN的時(shí)間串聯(lián)性質(zhì)，導(dǎo)致梯度問(wèn)題（如梯度消失和梯度爆炸），會(huì)使訓(xùn)練RNN模型變得困難。為了解決這個(gè)問(wèn)題，我們提出了一種名為"Residual Long Short-Term Memory"（ResLSTM）的模型，在LSTM的時(shí)間連接中引入了時(shí)間殘差連接。

其次，大多數(shù)洪水預(yù)測(cè)模型的輸出確定性的單點(diǎn)預(yù)測(cè)，然而流域的自然水文特征是非線性且復(fù)雜的系統(tǒng)，受許多隨機(jī)因素影響。因此，文中采用概率方法進(jìn)行建模。為此，將一種名為"Autoregressive Recurrent Networks"（DeepAR）的概率預(yù)測(cè)模型引入到洪水預(yù)測(cè)模型中。

接著，結(jié)合DeepAR和四種改進(jìn)的RNN（包括我們的ResLSTM模型、LSTM、GRU和TFC-SGRU）構(gòu)建了四種洪水概率預(yù)測(cè)模型。使用美國(guó)帕賽克河和拉馬波河流域的長(zhǎng)期水文數(shù)據(jù)對(duì)這些模型進(jìn)行了評(píng)估。結(jié)果表明，這四個(gè)模型的預(yù)測(cè)區(qū)間能更好的適應(yīng)洪水的不確定性。在90%的概率置信區(qū)間內(nèi)，洪峰流量的預(yù)測(cè)準(zhǔn)確率達(dá)到了100%。

作者介紹：

王進(jìn)，教授，博導(dǎo)，IET Fellow，IEEE高級(jí)會(huì)員，中國(guó)通信學(xué)會(huì)高級(jí)會(huì)員，中國(guó)計(jì)算機(jī)學(xué)會(huì)高級(jí)會(huì)員，湖南省物聯(lián)網(wǎng)學(xué)會(huì)副理事長(zhǎng)，湖南省計(jì)算機(jī)學(xué)會(huì)常務(wù)理事。目前主要研究領(lǐng)域有移動(dòng)自主網(wǎng)(MANET)，車聯(lián)網(wǎng)（VANET），無(wú)線傳感網(wǎng)(WSN)，物聯(lián)網(wǎng)(IoT)及其應(yīng)用。近年來(lái)，發(fā)表SCI論文100余篇；申請(qǐng)或授權(quán)發(fā)明專利30余項(xiàng)。

鄒勇松，長(zhǎng)沙理工大學(xué)水利與環(huán)境工程學(xué)院19級(jí)博士研究生，中國(guó)第十五屆大學(xué)生年度人物，主要從事洪水預(yù)測(cè)及其算法研究，共發(fā)表SCI論文3篇，申請(qǐng)專利5項(xiàng)。