ty -jour a2 -madonia，paolo au -sibtain，穆罕默德·艾（Muhammad au） - 李，夏山（Xianshan au -Saleem），snoober py -2020 da -2020/08/18 ti-基于中等和长期流量的多阶段和多阶段流量流 - 基于中等和长期流量的预测信号分解技术的合奏与深度学习网络SP -8828664 VL -2020 AB-流量流预测的准确性和一致性在涉及水文资源管理的多种应用中起着重要作用。但是，气候因素的非线性动力学危害了有效的预测模型的发展。因此，为了提高流量预测的可靠性和准确性，本文开发了一个三阶段的混合模型，即IVL（Iceemdan-VMD-LSTM），该模型（Iceemdan-VMD-LSTM）整合了整合的改进的完整集合经验模式与添加性噪声（ICEEMDAN），变量模式分解（VMD）和长期记忆（LSTM）神经网络。从1971年1月至2015年12月，巴基斯坦特警流域的流量，温度和降水的每月数据系列被用作案例研究。首先，采用相关分析和两阶段分解方法为提出的模型选择合适的输入。Iceemdan被用作第一个分解阶段，将三个数据系列分解为固有模式函数（IMF）和残留分量。在第二个分解阶段，高频（IMF1）的成分被VMD分解为第二个分解。之后，通过使用LSTM网络预测通过校正分析和两阶段分解方法获得的所有组件。 Finally, the predicted results of all components were aggregated, to formulate an ensemble prediction for the original monthly streamflow series. The predicted results showed that the performance of the proposed model was superior to the other developed models, in respect of several evaluation benchmarks, demonstrating the applicability of the proposed IVL model for monthly streamflow prediction. SN - 1687-9309 UR - https://doi.org/10.1155/2020/8828664 DO - 10.1155/2020/8828664 JF - Advances in Meteorology PB - Hindawi KW - ER -