Page 109 - 水利学报2025年第56卷第3期

图 ４ 按时间序列划分数据集与 ＭＤＵＰＬＥＸ算法划分数据集示意

图 ５ ＬＳＴＭ网络示意

输入门能够将每个新输入单元的一部分信息存入记忆单元中，输出门能输出部分信息作为下一次
输入新信息时的短期记忆，而遗忘门能从输入的部分中选择遗忘掉部分信息。它们具体的运行模式可
用以下式子表示：
ｉ ＝ σ （Ｗ ·［ｈ ，ｘ］ ＋ ｂ） （１）
ｉ
ｔ
ｔ － １
ｉ
ｔ
ｆ ＝ σ （Ｗ ·［ｈ ，ｘ］ ＋ ｂ） （２）
ｔ ｆ ｔ － １ ｔ ｆ
ｏ＝ σ （Ｗ ·［ｈ ，ｘ］ ＋ ｂ） （３）
ｔ ｏ ｔ － １ ｔ ｏ
Ｃ ＝ ｆ × Ｃ ＋ ｉ × 珟 ｔ （４）
Ｃ
ｔ
ｔ － １
ｔ
ｔ
ｈ＝ ｏ× ｔａｎｈ （Ｃ） （５）
ｔ
ｔ
ｔ
Ｃ （６）
珟 ＝ ｔａｎｈ（Ｗ ·［ｈ ，ｘ］ ＋ ｂ）
ｔ ｃ ｔ － １ ｔ ｃ
Ｃ
式中：ｉ、ｆ、ｏ分别为输入门、遗忘门、输出门； 珟 为候选态，即对新信息归纳后的结果；Ｗ 、Ｗ 、
ｔ ｔ ｔ ｔ ｉ ｆ
Ｗ 、Ｗ 分别为连接门与输入信息之间的权重；ｂ、ｂ、ｂ、ｂ 为偏置项；Ｃ 为长期记忆单元，每个
ｃ
ｏ
ｔ
ｉ
ｆ
ｏ
ｃ
时刻更新长期记忆；ｈ 为短期记忆单元，作为下一时刻的隐含状态输入。σ和 ｔａｎｈ代表不同的激活
ｔ
函数。
本研究采用的 模 型 包 含 多 层 ＬＳＴＭ 网 络，需 要 调 试 的 超 参 为 学 习 率 和 ＬＳＴＭ 网 络 层 数， 使 用
ＡＤＡＭ算法 ［２４］ 作为学习率方法，损失指标选择均方误差（ＭＳＥ），激活函数选择 ｔａｎｈ和 ｓｉｇｍｏｉｄ函数。
ＬＳＴＭ模型基于 Ｐｙｔｈｏｎ中的 Ｔｅｎｓｏｒｆｌｏｗ模块、Ｋｅｒａｓ模块来实现 ［２５］ 。
３．３ 基 于 ＭＤＵＰＬＥＸ－ ＬＳＴＭ 的水 库出 流 模 拟 方 法 本 文 提 出 了 基 于 ＭＤＵＰＬＥＸ数 据 划 分 方 法 和
ＬＳＴＭ神经网络的水库出流模拟方法———ＭＤＵＰＬＥＸ － ＬＳＴＭ。建模采用的数据包括水库日尺度入流量、
蓄水量和出流量序列等。首先，采用 ＭＤＵＰＬＥＸ算法将数据集划分为率定集、验证集和测试集。设置
不同的超参（即学习率和网络层数）组合，基于不同超参组合、采用率定集数据率定得到 ＬＳＴＭ 中的权
重和偏置等参数，使用验证集数据选出模拟效果最优的超参组合，采用测试集数据评估 ＭＤＵＰＬＥＸ －
ＬＳＴＭ的模拟效果。
在 ＬＳＴＭ的输入输出方面，ＬＳＴＭ 的输出变量为日尺度的水库出流量。在设置 ＬＳＴＭ 的输入变量
— ３ ９ １ —