TY -的A2 Rathnayake Upaka盟——Wegayehu Eyob Betru盟——Muluneh Fiseha Behulu PY - 2022 DA - 2022/02/10 TI -短期每日一元流水量预测使用深度学习模型SP - 1860460六世- 2022 AB -水文预报是水文学的一个重要研究领域。创新预测工具将改革水资源管理系统、洪水预警机制和农业和水电管理方案。因此,在这项研究中,我们比较堆放长期短期记忆(S-LSTM),双向长期短期记忆(Bi-LSTM)和封闭的复发性单元(格勒乌)古典多层感知器(MLP)网络一步每日流速及流水量预测。每天使用时间序列分析收集的数据从Borkena(阿瓦什河流域)和Gummera在阿拜流域河流。所有的数据集都经过严格的质量控制流程,并使用线性插值null值吃饱了。部分自相关也应用于选择适当的时滞输入系列的一代。然后,分为训练数据和测试数据集使用的比例80:20,分别。均方误差(RMSE),平均绝对误差(MAE),平均绝对百分比误差(日军),和确定系数( R ²被用来评估该模型的性能。最后,总结了研究模型可变性,滞后时间变化和时间序列特征的主题。结果,时间序列特征(气候变化)对水流影响更重要的预测性能比输入滞后时间步骤和深度学习模型架构变化。因此,Borkena河流域预测结果比Gummera流域预测结果更准确,RMSE,梅,日军, R ²值介于(0.81,1.53,0.29,0.96,0.16,1.72,0.96,0.99)和(17.43,17.99,7.76,10.54,0.16,1.03,0.89,0.90)对集雨,分别。尽管性能依赖于延迟时间变化,延时和格勒乌比S-LSTM Bi-LSTM在平等的基础上。SN - 1687 - 9309 UR - https://doi.org/10.1155/2022/1860460 - 10.1155 / 2022/1860460摩根富林明的进步气象学PB - Hindawi KW - ER