基于DWT-LSTM的航道水位智能预测模型研究

摘要

航道水位信息是内河船舶安全通航、合理配载的决策依据之一.为揭示内河航道水位特征、提高短时预测精度,提出了一种基于小波分析(DWT)和长短时记忆(LSTM)的耦合神经网络模型,以汉口水位站为例,验证了模型有效性,并与传统BP神经网络、小波分析-BP神经网络和LSTM神经网络模型进行对比分析.研究结果表明:四类模型均可满足短时预测需求,合格率均大于90％;当航道水位变幅剧烈时,BP神经网络耦合模型误差较大;DWT-LSTM耦合神经网络模型性能较经典LSTM模型分别提升约10.9％(预测周期1-2天)、25.2％(预测周期3-5天).研究成果可为船舶通航风险评估、航道条件分析等提供技术支撑.