基于小波变换和GRU深度神经网络的地下水位预测研究

摘要

地下水位预测是水文研究的一个重要主题，在水资源的管理和利用中起着重要的作用，是地下水位控制的前提和保障。准确的地下水位预测有助于维持生活、农业、工业的可靠供水和维持生态平衡。为了有效管理地下水资源，准确记录和预测地下水位就显得十分重要。利用地下水位预测结果为决策部门提供依据，才能可持续地有效地利用地下水。 本文利用了小波变换和GRU深度神经网络对地下水位的变化进行了预测，主要工作内容和研究成果如下： (1)研究了一种基于群体智能的蝗虫优化算法(GOA)，并对原始的蝗虫优化算法从三个方面进行了改进，提出了一种改进的蝗虫优化算法(IGOA)。随后利用改进后的IGOA来优化GRU模型的参数，并建立了IGOA-GRU预测模型。 (2)利用小波变换对地下水位数据进行处理，对小波分解后的各个分量分别预测后进行重构，建立了WT-IGOA-GRU地下水位预测模型，并在地下水位预测领域首先利用了WT-IGOA-GRU模型进行了地下水位预测。 (3)在利用WT-IGOA-GRU模型进行地下水位实例预测时，将WT-IGOA-GRU模型的预测结果与GRU模型和IGOA-GRU模型的预测结果进行了比较。预测准确度利用了均方根误差等四个指标来进行评价。结果表明，IGOA算法可以提高GRU模型在预测地下水位时的性能，而结合小波变换可以进一步提升预测精度。随后，又利用IGOA优化的BP、RBF模型分别进行了地下水位预测。通过对不同网络模型预测结果的比较，发现WT-IGOA-GRU模型的预测性能要优于其他两个神经网络模型，其结论可在今后地下水位预测的研究和应用中作为一种参考。

目录

第一个书签之前

摘 要

Abstract

目 录

1 绪论

1.1 引言

1.2 研究背景和意义

1.3 地下水位预测的国内外研究现状

1.3.1 确定性模型

1.3.2 随机性模型

1.4 本文的主要研究内容及文章组织结构

1.4.1 主要研究内容

1.4.2 文章组织结构

2 结合小波变换的GRU地下水位预测模型

2.1 GRU深度神经网络基本原理

2.1.1 循环神经网络(RNNs)简述

2.1.2 RNNs的延伸——GRU-RNNs

2.1.3 GRU网络的训练过程

2.2 结合小波变换的地下水位预测模型

2.3 本章小结

3 利用蝗虫优化算法改进GRU预测模型

3.1 蝗虫优化算法及其改进

3.1.1 标准的蝗虫优化算法(GOA)

3.1.2 改进的蝗虫优化算法(IGOA)

3.1.3 算法性能测试与分析

3.2 IGOA-GRU预测模型的建立

3.2.1 优化参数和适应度函数的选择

3.2.2 IGOA-GRU预测模型建立的基本步骤

3.3 模型的评价指标

3.4 本章小结

4 地下水位预测研究及应用实例分析

4.1 历史数据的归一化

4.2 数据的滚动预测法

4.3 WT-IGOA-GRU模型的地下水位预测过程

4.4 基于WT-IGOA-GRU模型的地下水位预测实例研究

4.4.1 研究数据来源及趋势分析

4.4.2 地下水位数据的小波分解

4.4.3 利用WT-IGOA-GRU模型预测地下水位

4.5 基于不同网络模型的地下水位预测实例研究及对比分析

4.5.1 基于WT-IGOA-BP模型的地下水位预测

4.5.2 基于WT-IGOA-RBF模型的地下水位预测

4.5.3 不同网络模型对比分析

4.6 本章小结

5 总结和展望

5.1 本文总结

5.2 工作展望

致谢

参考文献