摘要
利用长短期记忆神经网络( LSTM) 构建地下水水位预测模型，解决了传统神经网络预测模型处理时序数据时未考虑时间序列的问题，同时采用多影响变量输入的方式弥补了简单时序模型处理数据时过于依赖时间的缺点。
内容
- 降雨、蒸发、径流和人工开采等，都会造成地下水位的变化，从而有可能产生地下水降落漏斗、地面沉降等环境地质问题。
- 目前，主要采用数学模型来进行地下水位的预测，应用于地下水位预测的数学模型可分为确定性模型和随机性模型。确定性模型通常应用有限的物理学规律来描述水文过程，是指不包含任何随机成分的模型，只要设定了输入和各个输入之间的关系，其输出也是确定的，该方法需要长期的水文气象资料，对资料数据的数量和精度要求较高，过程较为复杂，计算量较大，模型参数的优选和识别有一定难度。随机性模型应用随机过 程描述水文环节，包括回归分析、时间序列分析等，还有模糊识别法、灰色模型、小波神经网络分析等新兴的方法。
- 神经网络是20 世纪80 年代以来人工智能领域兴起的研究热点，相比于传统的统计分析模型，具有更好的实时预测性，能够解决多个自变量和因变量的问题。
- ，选取2001－2014年地下水位、蒸发量、降雨量、气温、气压、相对湿度、日照等数 据作为训练集，2015－2016 年数据作为预测集，模型预测精度以均方根误差作为评价指标。
- 为验证多变量LSTM 神经网络预测地下水水位的优点，本章节使用单变量LSTM 神经网络、BP 神经网络对地下水水位进行预测，并作对比分析。