基于RBF与LSTM神经网络的水位预测方法对比研究，MATLAB代码-171主机测评

基于RBF与LSTM神经网络的水位预测方法对比研究

当深度学习遇上水文预报：两种主流神经网络在水位时序预测中的实战对决

1 研究背景

水位预测是水文预报领域的核心课题之一，直接关系到防洪减灾、水资源调度和水利工程安全。传统水位预测方法（如回归分析、ARIMA时间序列模型）依赖于人工构建的线性假设，难以捕捉水文系统中复杂的非线性动态特征。

近年来，随着人工智能技术的快速发展，神经网络凭借其强大的非线性拟合能力，在水文时序预测中展现出显著优势。本文聚焦两种代表性神经网络——RBF（径向基函数）神经网络与LSTM（长短期记忆）神经网络，基于连续三年的实测水位数据，系统对比两者在水位预测任务中的表现。

2 主要功能

本研究的核心功能包括：

数据预处理：对原始水位观测数据进行清洗、滑动窗口构造和归一化处理
RBF神经网络建模：基于径向基函数构建前馈神经网络，实现水位时间序列预测
LSTM神经网络建模：构建多层LSTM递归网络，充分利用水位数据的时间依赖性
模型性能评估：采用MAE、MAPE、MSE、RMSE四项指标量化对比两模型预测精度
可视化分析：生成预测曲线、误差分布图及相对误差对比图，直观展示模型表现

3 技术路线

本研究的完整技术路线如下：
在这里插入图片描述

原始水位数据
│
▼
数据预处理（滑动窗口构造，窗口大小=7天）
│
├─────────────────────┬─────────────────────┐
▼ ▼ ▼
训练集（前90%）测试集（后10%）归一化（mapminmax）
│ │
▼ │
RBF网络训练 │
│ newrb() │
│ goal=1e-5 │
│ spread=49 │
│ max neurons=343 │
│ │
├─────────────────────┤
│ │
▼ ▼
LSTM网络训练模型预测
│ 3层LSTM │ sim() / predictAndUpdateState()
│ Adam优化器 │
│ 400 epochs │
│ │
▼ ▼
性能评估（MAE, MAPE, MSE, RMSE）
│
▼
结果可视化与对比分析

4 算法步骤

4.1 数据预处理

采用滑动窗口法构造监督学习样本。以连续7天水位数据作为输入特征 $X = [x_{t-6}, x_{t-5}, …, x_t]$ ，预测第8天的水位值 $y = x_{t+1}$ 。

$Xi=[xixi+1xi+2xi+3xi+4xi+5xi+6]T,yi=xi+7X_i = \\begin{bmatrix} x_i & x_{i+1} & x_{i+2} & x_{i+3} & x_{i+4} & x_{i+5} & x_{i+6} \\end{bmatrix}^T, \\quad y_i = x_{i+7}$

将全部数据按 9:1 比例划分为训练集和测试集，并使用 mapminmax 函数对输入输出数据进行 [-1, 1] 区间归一化，消除量纲影响，加速网络收敛。

4.2 RBF神经网络训练

RBF网络是一种三层前馈网络，由输入层、隐含层（径向基层）和输出层组成。其核心思想是用径向基函数作为隐层神经元的激活函数，将低维输入映射到高维空间，使得在原空间中线性不可分的问题在高维空间中变得线性可分。

训练过程采用MATLAB的 newrb() 函数，该函数从0个隐层神经元开始，逐步增加神经元直至满足误差容限，实现了自适应网络结构构建。

4.3 LSTM神经网络训练

LSTM是一种特殊的循环神经网络，通过引入遗忘门、输入门和输出门三个门控机制，有效解决了传统RNN的梯度消失和长期依赖问题。

本研究构建了一个三层LSTM结构：

第一层（hidden1）：40个LSTM单元 + Dropout(0.2)
第二层（hidden2）：180个LSTM单元 + Dropout(0.3)，输出完整序列
第三层（hidden3）：10个LSTM单元 + Dropout(0.2)

采用 Adam优化器训练400个epoch，配合分段学习率衰减策略（每160个epoch衰减至原来的0.8倍），既保证了前期快速收敛，又提升了后期的参数微调精度。

5 公式原理

5.1 RBF神经网络

RBF网络隐含层第 $j$ 个神经元的输出为高斯径向基函数：

$ϕj(X)=exp⁡(−∥X−Cj∥22σj2)\\phi_j(X) = \\exp\\left(-\\frac{\\|X – C_j\\|^2}{2\\sigma_j^2}\\right)$

其中：

$X$ 为输入向量（7维水位序列）
$C_j$ 为第 $j$ 个RBF中心向量
$σj\\sigma_j$ 为扩散因子（spread），控制基函数的宽度

网络输出为隐层输出的线性加权组合：

$y^=∑j=1Nwj⋅ϕj(X)+b\\hat{y} = \\sum_{j=1}^{N} w_j \\cdot \\phi_j(X) + b$

其中 $w_j$ 为连接权重， $b$ 为偏置项， $N$ 为隐层神经元数量。

5.2 LSTM神经网络

LSTM单元的核心是其三个门控机制：

遗忘门：决定丢弃哪些历史信息

$ft=σ(Wf⋅[ht−1,xt]+bf)f_t = \\sigma(W_f \\cdot [h_{t-1}, x_t] + b_f)$

输入门：决定将哪些新信息存入细胞状态

$it=σ(Wi⋅[ht−1,xt]+bi)i_t = \\sigma(W_i \\cdot [h_{t-1}, x_t] + b_i)$
$C~t=tanh⁡(WC⋅[ht−1,xt]+bC)\\tilde{C}_t = \\tanh(W_C \\cdot [h_{t-1}, x_t] + b_C)$

细胞状态更新：

$Ct=ft⊙Ct−1+it⊙C~tC_t = f_t \\odot C_{t-1} + i_t \\odot \\tilde{C}_t$

输出门：决定输出哪些信息

$ot=σ(Wo⋅[ht−1,xt]+bo)o_t = \\sigma(W_o \\cdot [h_{t-1}, x_t] + b_o)$
$ht=ot⊙tanh⁡(Ct)h_t = o_t \\odot \\tanh(C_t)$

其中 $σ\\sigma$ 为sigmoid函数， $tanh⁡\\tanh$ 为双曲正切函数， $⊙\\odot$ 表示逐元素乘法。

5.3 评估指标

指标公式含义

MAE	$\\frac{1}{n}\\sum_{i=1}^{n}	y_i – \\hat{y}_i
MAPE	$\\frac{1}{n}\\sum_{i=1}^{n}\\left	\\frac{y_i – \\hat{y}_i}{y_i}\\right
MSE	$1n∑i=1n(yi−y^i)2\\frac{1}{n}\\sum_{i=1}^{n}(y_i – \\hat{y}_i)^2$	均方误差
RMSE	$1n∑i=1n(yi−y^i)2\\sqrt{\\frac{1}{n}\\sum_{i=1}^{n}(y_i – \\hat{y}_i)^2}$	均方根误差

6 参数设定

6.1 数据参数

参数设定值说明

数据时间范围	2013.01.01 ~ 2015.12.31	连续三年日水位观测数据
滑动窗口大小	7天	用前7天预测第8天
训练集比例	90%	前90%数据用于训练
测试集比例	10%	后10%数据用于测试

6.2 RBF网络参数

参数设定值说明

目标误差（goal）	$\\times 10^{-5}$	MSE训练容限
扩散因子（spread）	$49$ （即 $7^2$ ）	控制高斯核宽度
最大神经元数（N）	$343$ （即 $7^3$ ）	隐层神经元上限
实际达到神经元数	300	训练收敛时的神经元数

RBF训练过程中误差变化：

NEWRB, neurons = 0, MSE = 0.4392 → neurons = 300, MSE ≈ 0.0005

从初始MSE约0.44下降到约0.0005，训练误差收敛约3个数量级，表明RBF网络对训练数据的拟合能力极强。

6.3 LSTM网络参数

参数设定值说明

第一层LSTM单元数	40	捕捉短期时序模式
第二层LSTM单元数	180	深层特征提取
第三层LSTM单元数	10	特征压缩与抽象
Dropout率	0.2 / 0.3 / 0.2	防止过拟合
优化器	Adam	自适应矩估计优化
初始学习率	0.005	学习步长
最大训练轮数	400	遍历样本总次数
学习率衰减策略	piecewise	分段衰减
衰减周期	160 epochs	每160轮衰减一次
衰减因子	0.8	学习率乘以0.8
梯度阈值	1	防止梯度爆炸
运行环境	GPU	加速训练

7 实验结果

7.1 模型性能对比

评估指标RBF神经网络LSTM神经网络优胜模型

MAE（平均绝对误差）	0.1871	0.4064	✅ RBF
MAPE（平均绝对百分比误差）	0.0012	0.0026	✅ RBF
MSE（均方误差）	0.1038	0.2767	✅ RBF
RMSE（均方根误差）	0.3222	0.6113	✅ RBF

7.2 结果分析

RBF网络在所有四项评估指标上均优于LSTM网络，具体表现为：

RBF的MAE（0.1871m）约为LSTM（0.4064m）的 46%，预测偏差更小
RBF的MAPE仅0.12%，说明平均情况下预测值与真实值的偏差不超过千分之二
RBF的MSE（0.1038）约为LSTM（0.2767）的 38%，整体误差分布更集中

RBF表现更优的可能原因：

数据规模适中：三年日尺度水位数据（约1095个样本）更适合RBF这类参数规模相对紧凑的模型

局部逼近优势：RBF的高斯核函数天然擅长局部插值，而水位变化在短期内具有较强的局部趋势性

训练收敛稳定：RBF的逐神经元增加策略保证了训练过程的确定性，避免了LSTM随机梯度优化的波动

值得注意的是，LSTM在数据量更大、长周期依赖更显著的场景中通常更有优势，本实验的结论需要在特定数据条件下理解。

在这里插入图片描述

8 运行环境

环境项要求/版本

操作系统	Windows 10/11
MATLAB版本	R2018b 及以上
必需工具箱	Deep Learning Toolbox（LSTM训练）
GPU支持	推荐（LSTM训练为GPU模式）
依赖函数	newrb（RBF）、trainNetwork（LSTM）、mapminmax（归一化）
数据格式	.mat 文件（MATLAB自有格式）

若无可用的GPU环境，可将LSTM训练选项中的 'ExecutionEnvironment' 从 'gpu' 修改为 'cpu'，训练时间会相应增加。

9 应用场景

本研究的RBF与LSTM水位预测方法可广泛应用于以下场景：

9.1 防洪减灾预警

基于历史水位数据训练的预测模型，可对未来1~7天的水位变化进行滚动预报，为防汛部门提供决策支撑，提前制定人员转移和物资调配方案。

9.2 水库优化调度

结合水位预测结果，水库管理单位可以动态调整蓄水与泄洪策略，在保障安全的前提下最大化水资源利用效率。

9.3 城市内涝监测

在城市排水系统中部署水位传感器，利用实时数据驱动预测模型，提前预判排水管网超负荷风险点，实现内涝风险的主动防控。

9.4 航运安全保障

内河航道水位直接影响船舶通航安全，通过水位预测可为航运部门提供航道水深预报，辅助通航管理和船舶装载决策。

9.5 生态流量管理

对于生态敏感水域，水位预测有助于维持最小生态流量，平衡人类用水需求与水生生态保护。

10 总结与展望

本文基于MATLAB平台，分别采用RBF和LSTM两种神经网络对实测水位时序数据进行了建模预测。实验结果表明，在当前数据条件下，RBF神经网络以显著的精度优势胜出，四项核心指标（MAE、MAPE、MSE、RMSE）均优于LSTM，展现了RBF在中小规模时序预测任务中的实用价值。

未来改进方向：

引入多源数据融合（降雨量、蒸发量、上游来水量等气象水文因子），提升模型对复杂水文过程的表达能力
探索混合模型策略，如利用LSTM提取时序特征后由RBF进行局部回归
将研究方法扩展到多站点联合预测，构建流域尺度的水位预报体系
引入注意力机制增强模型对关键时间节点的感知能力

💡 技术交流：欢迎读者在评论区分享水文预测领域的实践经验与心得体会，共同推动智能水文预报技术的发展与应用。

本文涉及的数据、代码及可视化图表均为实际运行产出，可复现验证。如需获取完整代码与数据，欢迎在后台留言交流。

基于RBF与LSTM神经网络的水位预测方法对比研究，MATLAB代码