Page 5 - 2023年第54卷第8期

水 利 学 报

２０２３年 ８月 ＳＨＵＩＬＩ ＸＵＥＢＡＯ 第 ５４卷 第 ８期

文章编号：０５５９ － ９３５０（２０２３）０８ － ０８８９ － １０

基于混合深度学习模型的洪水过程概率预报研究

１
１
２
崔 震 ，郭生练 ，王 俊 １，２ ，张 俊 ，周研来 １
（１．武汉大学 水资源与水电工程科学国家重点实验室，湖北 武汉 ４３００７２；２．长江水利委员会水文局，湖北 武汉 ４３００１０）

摘要：传统的人工神经网络模型无法量化洪水预报的不确定性，而且在多时段连续预报中未考虑输出的时间相关
性。本文通过融合新安江（ ＸＡＪ）模型、基于外源输入编码－ 解码（ＥＤＥ）结构的长短期记忆（ＬＳＴＭ）神经网络和混合
密度网络（ ＭＤＮ），构建了 ＸＡＪ － ＬＳＴＭ－ ＥＤＥ － ＭＤＮ混合深度学习模型，以实现洪水过程概率预报。该模型在考虑
预报洪水时间相关性的前提下，将解码过程产生的点估计转化为条件概率分布的估计；进一步采用最大似然估计
法建立了损失函数，通过自适应矩估计（ Ａｄａｍ）算法优选模型参数。在陆水和建溪两个流域的研究结果表明：该
模型在不降低 ＸＡＪ － ＬＳＴＭ－ ＥＤＥ模型预报精度的前提下，可有效反映预报洪水过程的不确定性，获得合理可靠的
置信区间和优良的概率预报性能，为水库防洪调度等决策提供更多的风险信息，同时为研究深度学习在洪水概率
预报中的应用提供参考。
短期记忆神经网络；编码－ 解码结构；混合密度网络
关键词：概率预报；不确定性分析；长
中图分类号：Ｐ３３８ ＋ ．１ 文献标识码：Ａ ｄｏｉ：１０．１３２４３?ｊ．ｃｎｋｉ．ｓｌｘｂ．２０２２０７２６

１ 引言

随着人工智能技术快速发展，出现了能够有效处理非线性、非稳态时间序列的深度学习模型。长
短期记忆（ＬＳＴＭ）神经网络是最具代表性的模型之一 ［１］ ，相较于传统的人工神经网络，它有更先进的
理论基础和模型结构，能够在多时段洪水预报中取得较好的预报精度 ［２］ 。但深度学习模型缺少物理机
制支撑，可解释性较低 ［３ － ４］ ，而且无法量化预报不确定性，预报价值和可靠度较低 ［５］ 。
近年来，概念性水文模型与深度学习耦合的混合模型引起水文学者的广泛关注 ［６ － ９］ 。混合模型可
以在神经网络中学习概念性模型的产汇流过程，一定程度上提高了 ＬＳＴＭ模型的可解释性和预报精度。
随着深度学习的研究不断深入，出现了可以解决序列到序列问题的编码－ 解码结构 ［９］ 。耦合递归编码－
解码（ＲＥＤ）结构的 ＬＳＴＭ－ ＲＥＤ神经网络，可以在编码和解码过程中将前一时刻提取的有效特征传递
给后一时刻 ［１０ － １２］ ，在保证输出变量时间相关性的前提下，获得多时段洪水过程预报，具有较高的内部
可解释性和适用性 ［１０］ 。但 ＬＳＴＭ－ ＲＥＤ模型存在曝光偏差问题（即训练和验证过程不一致问题） ［１１］ ，使
得模型性能不稳定，在多时段洪水过程预报的精度不佳。Ｃｕｉ等 ［１１］ 将新安江（ＸＡＪ）模型预报流量过程输
入到解码过程中代替递归过程，建立了基于外源输入编码－ 解码（ＥＤＥ）结构的 ＸＡＪ － ＬＳＴＭ－ ＥＤＥ模型，不
仅可以学习 ＸＡＪ模型的产汇流过程，还克服了 ＬＳＴＭ － ＲＥＤ模型的曝光偏差问题，提高了预报精度。
目前，深度学习模型输出形式多为确定性点估计，由于模型参数、结构和输入资料等不确定性因
素的影响，水文预报不可避免地存在不确定性问题 ［１３］ ，仅提供点估计的深度学习模型为防洪决策提供
的不确定性（或风险）信息是有限的。已有研究通过引入先进的不确定性量化技术或改进现有的神经网

收稿日期：２０２２ － ０９ － ２３；网络首发日期：２０２３ － ０４ － １９
网络首发地址：ｈｔｔｐｓ：??ｋｎｓ．ｃｎｋｉ．ｎｅｔ?ｋｃｍｓ?ｄｅｔａｉｌ?１１．１８８２．ＴＶ．２０２３０４１８．１１５８．００１．ｈｔｍｌ
基金项目：国家重点研发计划项目（２０２１ＹＦＣ３２００３０１）；国家自然科学基金项目（Ｕ２０Ａ２０３１７）
作者简介：崔震（ １９９７ － ），博士生，主要从事水文水资源研究。Ｅ － ｍａｉｌ：ｚｈｅｎｃｕｉ＠ｗｈｕ．ｅｄｕ．ｃｎ
通信作者：郭生练（１９５７ － ），教授，挪威工程院外籍院士，主要从事水文水资源研究。Ｅ － ｍａｉｌ：ｓｌｇｕｏ＠ｗｈｕ．ｅｄｕ．ｃｎ
— ８ ８ ９ —