[論文レビュー] Stream-Flow Forecasting of Small Rivers Based on LSTM

Youchuan Hu, Le Yan+2 more|arXiv (Cornell University)|Jan 16, 2020

Hydrological Forecasting Using AI参考文献 25被引用数 46

ひとこと要約

本論文は Tunxi, China の小規模河川における六時間先の流量を予測するために LSTM モデルを用い、SVR および MLP と比較して精度と安定性が優れていることを示す。

ABSTRACT

Stream-flow forecasting for small rivers has always been of great importance, yet comparatively challenging due to the special features of rivers with smaller volume. Artificial Intelligence (AI) methods have been employed in this area for long, but improvement of forecast quality is still on the way. In this paper, we tried to provide a new method to do the forecast using the Long-Short Term Memory (LSTM) deep learning model, which aims in the field of time-series data. Utilizing LSTM, we collected the stream flow data from one hydrologic station in Tunxi, China, and precipitation data from 11 rainfall stations around to forecast the stream flow data from that hydrologic station 6 hours in the future. We evaluated the prediction results using three criteria: root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R^2). By comparing LSTM's prediction with predictions of Support Vector Regression (SVR) and Multilayer Perceptions (MLP) models, we showed that LSTM has better performance, achieving RMSE of 82.007, MAE of 27.752, and R^2 of 0.970. We also did extended experiments on LSTM model, discussing influence factors of its performance.

研究の動機と目的

• 小規模河川の高い変動性と容量制約の中で正確な洪水予測を動機づける。
• 過去の流量データと降雨データを用いた LSTM ベースの時系列予測フレームワークを提案する。
• LSTM の性能を SVR と MLP と比較して、精度と安定性の改善を評価する。
• 小規模河川の流れに対する入力データの影響とモデルパラメータが予測精度に及ぼす影響を調べる。

提案手法

• Keras で 64 隠れユニットを持つ LSTM を使用する。
• 12 時間の履歴（Q および P1–P11）を监督形式に変換して t+6 時間後の Q を予測する。
• MinMaxScaler でデータを正規化し、約 70% 訓練と約 30% テストに分割する。
• LSTM を SVR（RBF カーネル、C=0.095、gamma=0.165）および MLP（隠れ層 1 つ）と比較する。
• RMSE、MAE、R2 を用いて評価する。
• 入力データの組み合わせ、予測 horizon、エンコーダ履歴ステップを実験して性能要因を調べる。

実験結果

リサーチクエスチョン

• RQ1 LSTM は小規模河川の六時間先の流量予測を SVR および MLP より改善できるか？
• RQ2 入力データの組み合わせ（履歴流量と降雨タイプ）は予測精度にどう影響するか？
• RQ3 予測 horizon とエンコーダ履歴ステップはモデル性能にどのような影響を与えるか？
• RQ4 この設定で LSTM にとって精度と学習効率のバランスを最適化するパラメータは何か？

主な発見

• LSTM は RMSE 82.007, MAE 27.752, R2 0.970 を達成し、SVR および MLP を上回る。
• LSTM は他のモデルよりもスパースなピークや偽ピークが少なく、予測の安定性が高い。
• 履歴の流量データが重要で、降雨データは精度をさらに改善する。降雨データは有益だが型の混合は影響が限定的。
• エンコーダ履歴ステップは約 12–14 時間で、6 時間予測 horizon がより良い精度をもたらし、長い horizons は精度を低下させる。