论文学习——基于混合GA优化LSTM的中小流域流量预测研究

写在前面：《计算机仿真》；主办单位：中国航天科工集团公司第十七研究所；中文核心；月刊；

1 摘要

1. 提出方法）（模型）：SP_GA算法优化LSTM模型参数 即 SP_GA_LSTM
2. LSTM 模型参数难以确定，采用SP_GA来进行参数寻优
3. SP_GA算法，在遗传算法中引入粒子群算法公式作为变异算子，并且在种群进化后期，进行模拟退火操作，一次提高收敛速度和全局搜索能力。【这一段话是非常费解的…】

2 结语（conclusion）

1. 创新点（作者提出的东西）：一种改进的混合遗传算法SP_GA。
2. 创新出来的东西干什么用：可以用来优化SVM 、LSTM 等深度学习模型。
   如下图，就是实验章节中的实验对比图。
   

3 引言

1. 对流域径流变化趋势的模拟和预测是一个重要课题

2. 与大江大河相比，中小河流具有分布广、降水及下垫面空间异致性强、产汇流时间短、突发性强等特点。

3. 与支持向量机SVM、BP神经网络、极限学习机ELM等模型相比，带有记忆功能的LSTM 既可对连续的径流数据进行处理，又能考虑到常时间 径流序列 的季节性和周期性，因此能更合理处理序列信息，实现序列预测。

4. 为了更好地确定LSTM 的参数，就提出了一种混合遗传算法（SP_GA）

漳州龙山站的时径流预报

4 基于LSTM的流量预测模型

4.1 LSTM神经网络浅介绍

4.2 数据选择与处理

• 龙山流域作为研究对象，上游设有4个雨量站提供降雨信息，分别是月明、和溪、后眷、龙山。

• 实验 选取2010 年1 月到2014 年7 月的龙山站小时流量数据和龙山流域内4 个雨量站的时雨量数据共39998 条数据作为实验数据。取前28000 条数据作为训练样本数据，后11998 条作为测试样本数据。

• 预报因子的选择：运用相关系数分析法之后，确定将前5小时的龙山水文站 前期的流量值， 以及龙山流域内 雨量站前期降雨量值 选择为预报因子。

5 SVM + BP + LSTM 三种单预测模型建模

相关参数设置： BP与LSTM的结构设置为 25 - 50 -1， lr= 0.001， epochs = 100
SVM 选择径向基（RBF）核函数，惩罚因子C=100， 核函数参数 $\sigma =5$

• 从图3 和表1 可以看出,SVM 的预测误差在三者中最大,预测曲线具有明显波动,且峰值预测效果最差;BP 的预测精度较SVM 有所提高,预测曲线与真实值贴合程度也更好;
• LSTM 的均方根误差和确定性系数为7. 95 和0. 909,在三个模型中最优,并且整体预测曲线和峰值预测最贴合真实值,说明LSTM 模型更具优势。
• 所以说，作者就使用了LSTM来进行参数优化，进行下面一系列的事情。

6 LSTM 模型参数优化及其预测模型

下面的内容摘自文章内容：

LSTM 模型的非线性建模性能与3 个主要参数密切相关 : 隐含层节点数hidden_size、学习率lr、训练次数epoch。 【这一点还是需要研究的~~不能相信一家之言】

本文将通过混合遗传算法来确定这三个参数。

6.1 遗传算法 GA

介绍：遗传算法的基本思想是基于达尔文进化论和孟德尔的遗传变异理论。其主要步骤包括编码、种群初始化、选择、交叉、变异等操作。通过这些步骤使得种群内个体适应度越来越高,最终收敛到一群最适应环境的个体,从而求得问题的最优解。

6.2 混合遗传算法

作为一种典型的群体智能算法，遗传算法在搜索全局最优解方面具有独特优势，但是在局部搜索能力方面明显不足。

• 可以通用在遗传算法过程中，融合其他优化方法（爬山法、粒子群算法、蚁群算法、模拟退火算法），从而构成 混合遗传算法