Page 105 - 2025年第56卷第2期

P. 105

中站２０１０年１月１日至２０２２年１２月３１日逐日径流资料和气象等要素（数据来自中华人民共和国水文
年鉴和中国气象数据网）作为数据源进行分析。
本研究使用皮尔逊相关系数选取影响流域径流的重要气象变量。通过计算，平均气温、最高气
温、最低气温、露点温度、降水量、蒸发量与径流间的相关系数ｒ＞０．６，呈现较强的相关关系，作
为预测模型的输入变量。研究采用的训练集、验证集、测试集比例为６∶２∶２。
３．２ＶＭＤ－ＣＥＥＭＤ分解结果以嘉陵江流域上游的凤州站和下游的北碚站为例，ＶＭＤ分解的结果
如表２所示，当Ｋ＝３时，后两个ＩＭＦ的中心频率与Ｋ＝４时后两个ＩＭＦ的中心频率非常接近，差值小
于０．０１，且ＩＭＦ不存在混叠现象；当Ｋ＝４时，存在过度分解趋势。因此，两个站点的ＶＭＤ的模态数
Ｋ均选择３。

表２ＩＭＦｓ的中心频率分布表
北碚站凤州站
Ｋ
ＩＭＦ１ＩＭＦ２ＩＭＦ３ＩＭＦ４ＩＭＦ５ＩＭＦ１ＩＭＦ２ＩＭＦ３ＩＭＦ４ＩＭＦ５
２２．８２１１１．６４６３０．９３９８０．４２６４
３３．６８４７０．１４９１１．０４０８０．２００２０．３６６７０．３９７９
４３．９８５２０．６００７０．１４３５０．９４５１０．２２６６０．４５５８０．３３７７０．３９１７
５０．２２１８０．０１４６０．０１１５０．０１６３０．０９４００．２３３１０．４７７００．１５５４０．５７１６０．３９００

根据ＶＭＤ分解结果，利用ＣＥＥＭＤ算法将各站点的ＩＭＦｓ进行进一步分解，以挖掘更深层的数据
规律信息。
３．３结果分析
３．３．１径流的点预测结果嘉陵江流域上游凤州站、中游亭子口站和下游北碚站的消融实验对比结果
如表３。其中，未分解的ＧＲＵ预测模型预测精度最低，经二次分解的ＶＣＩＡＧ模型的预测精度最高，
凤州站、亭子口站和北碚站的ＮＳＥ值分别达到了０．９４、０．９０和０．７４。ＶＭＤ－ＩＳＳＡ－ＡＭ－ＧＲＵ在ＶＭＤ－ＧＲＵ
模型的基础上利用智能优化算法ＩＳＳＡ优化了参数，并引入了ＡＭ机制，三个站点平均ＮＳＥ由０．７２上升
至０．８３，改进率为１３．２５％。ＶＣＩＡＧ模型将ＣＥＥＭＤ二次分解纳入现有的ＶＭＤ－ＩＳＳＡ－ＡＭ－ＧＲＵ框架，
三站点平均ＮＳＥ进一步提升至０．８６，尤其是在上游流量较低的凤州站点预测精度更高（以测试集为
例）。
为对比机器学习预测模型和深度学习预测模型的预测效果，本研究首先以单一的机器学习预测模
型ＳＶＭ为基准，分别与单一的深度学习预测模型ＬＳＴＭ和ＧＲＵ对比，得到了如下结果：北碚站数据
集ＬＳＴＭ的ＮＳＥ提高了０．０４，ＧＲＵ的ＮＳＥ提高了０．１５；凤州站数据集ＬＳＴＭ的ＮＳＥ提高了０．２６，ＧＲＵ
的ＮＳＥ提高了０．４８。相较于机器学习预测模型，深度学习预测模型预测值与真实值之间更加接近。
在此基础上，以ＬＳＴＭ模型为基准，ＮＳＥ为主要评价依据，进一步探讨单一的深度学习模型与组
合的深度学习模型预测效果差异。以亭子口站数据集为例，ＷＯＡ－ＧＲＵ的ＮＳＥ提高了０．４５，ＧＷＯ－ＧＲＵ
的ＮＳＥ提高了０．４６，ＩＳＳＡ－ＧＲＵ的ＮＳＥ提高了０．４７，ＶＮＤ－ＩＳＳＡ－ＬＳＴＭ的ＮＳＥ提高了０．５０，ＶＭＤ－ＩＳＳＡ－
ＧＲＵ的ＮＳＥ提高了０．５０，ＶＭＤ－ＣＥＥＭＤ－ＩＳＳＡ－ＡＭ－ＧＲＵ的ＮＳＥ提高了０．５３。组合模型中预测精度较
低的ＣＮＮ－ＳＵＭ模型也比单一模型中ＬＳＴＭ模型预测效果好，这也说明组合预测模型的预测效果要明
显优于单一预测模型。
同时，对比是否使用ＩＳＳＡ对神经网络超参数进行优化，亭子口站数据集对应ＩＳＳＡ－ＧＲＵ模型的
ＮＳＥ值为０．８４，ＷＯＡ－ＧＲＵ、ＧＷＯ－ＧＲＵ的ＮＳＥ值为０．８２和０．８３，提高了约２％。这意味着ＩＳＳＡ能够
很好地寻优到神经网络模型的超参数。亭子口站数据集ＩＳＳＡ－ＧＲＵ的ＮＳＥ值为０．８４，ＶＭＤ－ＩＳＳＡ－ＧＲＵ
的ＮＳＥ值为０．８７，提高了约３％，这说明ＶＭＤ分解可以更好地提取不同模型的优点，使预测结果更加
准确。另外，预测结果表明，经过二次分解后的模型ＮＳＥ值较单次分解提升了２％，体现了二次分解
的有效性。

— ２４５ —

100 101 102 103 104 105 106 107 108 109 110