基于海洋捕食者算法优化的长短期记忆神经网络径流预测

胡顺强，崔东文

(1.云南省文山州水利电力勘察设计院，云南 文山 663000；2.云南省文山州水务局，云南 文山 663000)

提高水文预测预报精度目前仍是一项具有挑战性的工作。近年来，BP等[1-5]人工神经网络、支持向量机[6,7]、随机森林[8,9]、极限学习机[10]、自适应神经模糊推理系统[11]等有别于传统回归分析的模型及方法已在径流预测研究中得到应用。相较于其他方法，BP神经网络和支持向量机(Support Vector Machines，SVM)在径流预测研究中应用最为广泛。在实际应用中，BP神经网络存在收敛速度慢、易陷入局部最优等不足，同时面临权阈值参数、网络结构、隐含层传递函数、输出层传递函数、训练函数等选取的困难；SVM存在如何选取合适的惩罚因子、核函数参数、不敏感系数和交叉验证折数来防止模型过拟合导致预测精度不高等不足。长短期记忆(Long-Short Term Memory，LSTM)神经网络属循环神经网络 (Recurrent Neural Network，RNN)的改进网络，其有效克服了RNN结构中存在的梯度消失等缺点，适合处理和预测时间序列中间隔和延迟相对较长等问题，目前已在问题分类[12]、地下水水位预测[13]、网络流量预测[14]、股票价格预测[15]等领域得到应用，但鲜见于径流预测研究。在实际应用中，LSTM存在隐含层神经元数、训练次数、学习速率等关键参数难以确定的困难。目前除遗传算法(GA)[16]、粒子群优化(PSO)算法[17,18]尝试用于LSTM关键参数寻优外，普遍采用试凑的方法确定LSTM隐含层神经元数等关键参数，不但费时费力，且精度不高。

为拓展LSTM应用领域和提高径流预测精度，本文内容安排如下：①介绍海洋捕食者算法(Marine Predators Algorithm，MPA)，在不同维度条件下选取6个仿真函数对MPA、PSO算法进行测试；……