Page 85 - 2024年第55卷第5期
P. 85
［２３］ ＺＨＡＮＧＸ，ＺＨＥＮＧＺ，ＷＡＮＧＫ．ＰｒｅｄｉｃｔｉｏｎｏｆｒｕｎｏｆｆｉｎｔｈｅｕｐｐｅｒｙａｎｇｔｚｅｒｉｖｅｒｂａｓｅｄｏｎＣＥＥＭＤＡＮ － ＮＡＲｍｏｄ
ｅｌ ［Ｊ］．ＷａｔｅｒＳｕｐｐｌｙ，２０２１，２１（７）：３３０７ － ３３１８．
［２４］ ＳＩＢＴＡＩＮＭ，ＬＩＸ，ＮＡＢＩＧ，ｅｔａｌ．Ｄｅｖｅｌｏｐｍｅｎｔｏｆａｔｈｒｅｅ － ｓｔａｇｅｈｙｂｒｉｄｍｏｄｅｌｂｙｕｔｉｌｉｚｉｎｇａｔｗｏ － ｓｔａｇｅｓｉｇｎａｌｄｅ
ｃｏｍｐｏｓｉｔｉｏｎｍｅｔｈｏｄｏｌｏｇｙａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｐｐｒｏａｃｈｔｏｐｒｅｄｉｃｔｍｏｎｔｈｌｙｒｕｎｏｆｆａｔｓｗａｔｒｉｖｅｒｂａｓｉｎ，Ｐａｋｉｓｔａｎ［Ｊ］．
ＤｉｓｃｒｅｔｅＤｙｎａｍｉｃｓｉｎＮａｔｕｒｅａｎｄＳｏｃｉｅｔｙ ，２０２０，２０２０：７３４５６７６．
［２５］ ＷＡＮＧＨ，ＳＵＮＪＱ．ＶａｒｉａｂｉｌｉｔｙｏｆＮｏｒｔｈｅａｓｔＣｈｉｎａｒｉｖｅｒｂｒｅａｋ － ｕｐｄａｔｅ［Ｊ］．ＡｄｖａｎｃｅｓｉｎＡｔｍｏｓｐｈｅｒｉｃＳｃｉｅｎｃｅｓ，
２００９，２６（４）：７０１ － ７０６．
［２６］ ＷＵＺＨ，ＨＵＡＮＧＮＥ．Ｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ：Ａｎｏｉｓｅａｓｓｉｓｔｅｄｄａｔａａｎａｌｙｓｉｓｍｅｔｈｏｄ［Ｊ］．Ａｄ
ｖａｎｃｅｓｉｎＡｄａｐｔｉｖｅＤａｔａＡｎａｌｙｓｉｓ ，２００９，１（１）：１ － ４１．
［２７］ ＣＯＬＯＭＩＮＡＳＭ Ａ，ＳＣＨＬＯＴＴＨＡＵＥＲＧ，ＴＯＲＲＥＳＭ Ｅ，ｅｔａｌ．Ｎｏｉｓｅ － ａｓｓｉｓｔｅｄＥＭＤｍｅｔｈｏｄｓｉｎａｃｔｉｏｎ［Ｊ］．Ａｄ
ｖａｎｃｅｓｉｎＡｄａｐｔｉｖｅＤａｔａＡｎａｌｙｓｉｓ，２０１２，４（４）：１２５００２５．
［２８］ ＣＯＬＯＭＩＮＡＳＭ Ａ，ＳＣＨＬＯＴＴＨＡＵＥＲＧ，ＴＯＲＲＥＳＭ Ｅ，ｅｔａｌ．ＩｍｐｒｏｖｅｄｃｏｍｐｌｅｔｅｅｎｓｅｍｂｌｅＥＭＤ：ａｓｕｉｔａｂｌｅ
ｔｏｏｌｆｏｒｂｉｏｍｅｄｉｃａｌｓｉｇｎａｌｐｒｏｃｅｓｓｉｎｇ［Ｊ］．ＢｉｏｍｅｄｉｃａｌＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇａｎｄＣｏｎｔｒｏｌ，２０１４，１４：１９ － ２９．
［２９］ ＬＩＡＮＧＨ，ＢＲＥＳＳＬＥＲＳＬ，ＤＥＳＩＭＯＮＥＲ，ｅｔａｌ．Ｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ：ａｍｅｔｈｏｄｆｏｒａｎａｌｙｚｉｎｇｎｅｕｒａｌ
ｄａｔａ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２００４，６５：８０１ － ８０７．
［３０］ ＢＥＮＧＩＯＹ，ＳＩＭＡＲＤＰ，ＦＲＡＳＣＯＮＩＰ．Ｌｅａｒｎｉｎｇｌｏｎｇ － ｔｅｒｍ ｄｅｐｅｎｄｅｎｃｉｅｓｗｉｔｈｇｒａｄｉｅｎｔｄｅｓｃｅｎｔｉｓｄｉｆｆｉｃｕｌｔ［Ｊ］．
ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓ，１９９４，５（２）：１５７ － １６６．
［３１］ ＧＥＲＳＦＡ，ＳＣＨＭＩＤＨＵＢＥＲＪ，ＣＵＭＭＩＮＳＦＡ．Ｌｅａｒｎｉｎｇｔｏｆｏｒｇｅｔ：ｃｏｎｔｉｎｕａｌｐｒｅｄｉｃｔｉｏｎｗｉｔｈＬＳＴＭ［Ｊ］．Ｎｅｕｒａｌ
Ｃｏｍｐｕｔａｔｉｏｎ ，２０００，１２（１０）：２４５１ － ２４７１．
［３２］ ＧＲＡＶＥＳＡ，ＳＣＨＭＩＤＨＵＢＥＲＪ．ＦｒａｍｅｗｉｓｅｐｈｏｎｅｍｅｃｌａｓｓｉｆｉｃａｔｉｏｎｗｉｔｈｂｉｄｉｒｅｃｔｉｏｎａｌＬＳＴＭ ａｎｄｏｔｈｅｒｎｅｕｒａｌｎｅｔ
ｗｏｒｋａｒｃｈｉｔｅｃｔｕｒｅｓ ［Ｊ］．ＮｅｕｒａｌＮｅｔｗｏｒｋｓ，２００５，１８（５?６）：６０２ － ６１０．
［３３］ ＢＯＸＧＥＰ，ＪＥＮＫＩＮＳ Ｇ Ｍ， ＲＥＩＮＳＥＬ Ｃ．Ｔｉｍｅ ＳｅｒｉｅｓＡｎａｌｙｓｉｓ： Ｆｏｒｅｃａｓｔｉｎｇ ａｎｄ Ｃｏｎｔｒｏｌ［Ｍ］．Ｌｏｎｄｏｎ：
ＰａｌｇｒａｖｅＭａｃｍｉｌｌａｎ，２０１３．
［３４］ ＷＡＮＧＪ，ＬＵＯＹ，ＴＡＮＧＬ，ｅｔａｌ．ＡｎｅｗｗｅｉｇｈｔｅｄＣＥＥＭＤＡＮ － ｂａｓｅｄｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ：Ａｎｅｘｐｅｒｉｍｅｎｔａｌｉｎｖｅｓｔｉ
ｇａｔｉｏｎｏｆｄｅｃｏｍｐｏｓｉｔｉｏｎａｎｄｎｏｎ － ｄｅｃｏｍｐｏｓｉｔｉｏｎａｐｐｒｏａｃｈｅｓ［Ｊ］．Ｋｎｏｗｌｅｄｇｅ － ＢａｓｅｄＳｙｓｔｅｍｓ，２０１８，１６０：１８８ － １９９．
Ｆｏｒｅｃａｓｔｉｎｇｂｒｅａｋ － ｕｐｄａｔｅｏｆｒｉｖｅｒｉｃｅｉｎｎｏｒｔｈｅｒｎＣｈｉｎａｂａｓｅｄｏｎ
ｄｅｅｐｌｅａｒｎｉｎｇａｎｄｓｉｇｎａｌｄｅｃｏｍｐｏｓｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙ
２
１
１
１
１
ＤＩＮＧＨｏｎｇ，ＷＡＮＧＷｅｉｚｅ，ＹＡＮＧＺｅｆａｎ，ＬＩＵＨｕａｎ，ＨＵＰｅｎｇ
（１．ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＳｉｍｕｌａｔｉｏｎａｎｄＲｅｇｕｌａｔｉｏｎｏｆＷａｔｅｒＣｙｃｌｅｉｎＲｉｖｅｒＢａｓｉｎ，ＣｈｉｎａＩｎｓｔｉｔｕｔｅｏｆ
ＷａｔｅｒＲｅｓｏｕｒｃｅｓａｎｄＨｙｄｒｏｐｏｗｅｒＲｅｓｅａｒｃｈ，Ｂｅｉｊｉｎｇ １０００３８，Ｃｈｉｎａ；
２．ＳｃｈｏｏｌｏｆＣｉｖｉｌＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｒｃｈｉｔｅｃｔｕｒｅ，Ｘｉ’ａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｘｉ’ａｎ ７１００４８，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：ＩｃｅｆｌｏｏｄｓｏｃｃａｓｉｏｎａｌｌｙｏｃｃｕｒｄｕｒｉｎｇｒｉｖｅｒｉｃｅｂｒｅａｋｉｎｇｕｐｉｎｎｏｒｔｈｅｒｎＣｈｉｎａｉｎｓｐｒｉｎｇ，ｔｈｒｅａｔｅｎｉｎｇｔｈｅ
ｓａｆｅｔｙｏｆｈｙｄｒａｕｌｉｃｓｔｒｕｃｔｕｒｅｓ．Ｆｏｒｅｃａｓｔｉｎｇｔｈｅｂｒｅａｋ － ｕｐｄａｔｅｏｆｒｉｖｅｒｉｃｅ （ＢＵＤＲＩ）ａｃｃｕｒａｔｅｌｙｉｓａｎｉｍｐｏｒｔａｎｔｒｅｆｅｒ
ｅｎｃｅｆｏｒａｎｔｉ － ｆｌｏｏｄｉｎｇｃｏｍｍａｎｄａｎｄｄｉｓｐａｔｃｈｉｎｇｄｅｃｉｓｉｏｎ － ｍａｋｉｎｇｄｕｒｉｎｇｉｃｅｂｒｅａｋｉｎｇｐｅｒｉｏｄ．Ｆｏｒｆｏｒｅｃａｓｔｉｎｇｔｈｅ
ＢＵＤＲＩｉｎｎｏｒｔｈｅｒｎＣｈｉｎａ ，ｔｈｅｏｂｓｅｒｖｅｄｂｒｅａｋ － ｕｐｄａｔｅｓｅｒｉｅｓｏｆｒｉｖｅｒｉｃｅｏｆ５ｒｅｐｒｅｓｅｎｔａｔｉｖｅｈｙｄｒｏｌｏｇｉｃａｌｓｔａｔｉｏｎｓｉｎ
ＨｅｉｌｏｎｇｊｉａｎｇｐｒｏｖｉｎｃｅｌｏｃａｔｅｄｉｎｎｏｒｔｈｅｒｎＣｈｉｎａｗａｓｓｅｌｅｃｔｅｄ，ａｎｄｔｈｅＣｏｍｐｌｅｍｅｎｔａｒｙＥｎｓｅｍｂｌｅＥｍｐｉｒｉｃａｌＭｏｄｅ
ＤｅｃｏｍｐｏｓｉｔｉｏｎｗｉｔｈＡｄａｐｔｉｖｅＮｏｉｓｅｔｅｃｈｎｏｌｏｇｙａｎｄｄｅｅｐｌｅａｒｎｉｎｇｍｏｄｅｌＬｏｎｇＳｈｏｒｔＴｅｒｍ Ｍｅｍｏｒｙ （ＣＥＥＭＤＡＮ －
ＬＳＴＭ）ｗａｓｕｓｅｄｔｏｆｏｒｅｃａｓｔｔｈｅＢＵＤＲＩ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｆｏｒｅｃａｓｔａｃｃｕｒａｃｙｏｆＣＥＥＭＤＡＮ － ＬＳＴＭ，ｃｏｍ
ｐａｒｅｄｗｉｔｈＬＳＴＭ ，ｈａｄｂｅｅｎｓｉｇｎｉｆｉｃａｎｔｌｙｉｍｐｒｏｖｅｄｗｉｔｈｔｈｅｍｅａｎａｂｓｏｌｕｔｅｅｒｒｏｒｒｅｄｕｃｅｄｆｒｏｍ２．５１ｄｔｏ１．２０ｄ，ｔｈｅ
ｑｕａｌｉｆｉｃａｔｉｏｎｒａｔｅｉｎｃｒｅａｓｅｄｆｒｏｍ９１．５９％ ｔｏ１００％ ｉｎｔｈｅｔｒａｉｎｉｎｇｐｅｒｉｏｄ．ａｎｄｔｈｅｍｅａｎａｂｓｏｌｕｔｅｅｒｒｏｒｒｅｄｕｃｅｄｆｒｏｍ
３．８５ｄｔｏ１．６５ｄ ，ｔｈｅｑｕａｌｉｆｉｃａｔｉｏｎｒａｔｅｉｎｃｒｅａｓｅｄｆｒｏｍ ８８％ ｔｏ９６％ ｉｎｔｈｅｖａｌｉｄａｔｉｏｎｐｅｒｉｏｄ．ＴｈｅＣＥＥＭＤＡＮ －
ＬＳＴＭ ｐｅｒｆｏｒｍｅｄｗｅｌｌｉｎｆｏｒｅｃａｓｔｉｎｇｔｈｅＢＵＤＲＩｉｎｎｏｒｔｈｅｒｎＣｈｉｎａ ，ｗｈｉｃｈｃａｎｐｒｏｖｉｄｅｉｍｐｏｒｔａｎｔｉｎｆｏｒｍａｔｉｏｎｆｏｒ
ｃｏｍｍａｎｄ ，ｄｉｓｐａｔｃｈ，ａｎｄｄｅｃｉｓｉｏｎ － ｍａｋｉｎｇｏｆｉｃｅｆｌｏｏｄｃｏｎｔｒｏｌ．
Ｋｅｙｗｏｒｄｓ：ｂｒｅａｋ － ｕｐｄａｔｅｏｆｒｉｖｅｒｉｃｅ；ｓｉｇｎａｌｄｅｃｏｍｐｏｓｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙ；ｄｅｅｐｌｅａｒｎｉｎｇ；ｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄ；
ｎｏｒｔｈｅｒｎＣｈｉｎａ
（责任编辑：王 婧）
— ５ ８ ５ —
