基于黏菌算法优化VMD-CNN-GRU模型的年径流预测

摘要

为提高年径流预测精度,引入黏菌算法(slime mould algorithm,SMA)和变分模态分解算法(variational mode decomposition,VMD),提出一种基于卷积神经网络(convolutional neural network,CNN)和门控循环单元(gated recurrent unit,GRU)神经网络的组合预测模型(VMD-SMA-CNN-GRU)。利用VMD对径流数据进行分解;采用SMA优化CNN-GRU模型参数,构建模型对每个分量进行预测;各分量结果相加得到最终结果。以兰西水文站为例,将所建模型与CEEMDAN(complete ensemble empirical mode decomposition with adaptive noise)-CNN-GRU、VMD-CNN-LSTM(long short-term memory)、VMD-LSTM、VMD-GRU、VMD-PSO(particle swarm optimization)-CNN-GRU、SMA-CNN-GRU和CNN-GRU预测模型进行对比分析。结果表明:SMA优化的VMD-CNN-GRU模型预测精度不仅高于上述7种模型,而且避免了人工试算确定CNN-GRU模型参数效率低的不足,为年径流预测提供了一种新方法。