基于阴阳对算法优化的随机森林与支持向量机组合模型及径流预测实例

提出一种基于阴阳对(YYPO)算法优化的随机森林(RF)与支持向量机(SVM)组合预测方法,利用YYPO算法对RF、SVM关键参数和组合权重系数进行优化,构建YYPO-RF-SVM预测模型,并与YYPO-RF、YYPO-SVM模型及RF、SVM模型作对比分析,以某水文站年径流预测为例进行实例研究。利用实例前30 a、中间14 a和后10 a资料对YYPO-RF-SVM等5种模型进行训练、检验和预测。结果表明,YYPO-RF-SVM模型对实例训练、检验和预测的平均相对误差绝对值分别为2.76%、4.64%、3.02%,精度均高于YYPO-RF等4种模型。YYPO-RF-SVM模型具有更高的预测精度和泛化能力,可为水文预测预报和相关预测研究提供参考和借鉴。     

多组群教学优化算法-神经网络-支持向量机组合模型在径流预测中的应用

采用5个标准测试函数对多组群教学优化(MGTLO)算法进行仿真验证,并将仿真结果与基本教学优化(TLBO)算法、混合蛙跳算法(SFLA)、差分进化(DE)算法和粒子群优化(PSO)算法的仿真结果进行对比。利用MGTLO算法搜寻基于广义回归神经网络(GRNN)、径向基神经网络(RBF)、支持向量机(SVM)模型单元的组合模型的最佳模型参数和组合权重系数,提出MGTLO-GRNN-RBF、MGTLO-GRNN-SVM、MGTLO-RBF-SVM、MGTLO-GRNN-RBF-SVM 4种组合预测模型,以新疆伊犁河雅马渡水文站和云南省某水文站年径流量预测为例进行了实例分析,并将预测结果与MGTLO-GRNN、MGTLO-RBF、MGTLO-SVM和GRNN、RBF、SVM 6种单一模型的结果进行对比分析。结果表明:MGTLO算法寻优精度优于TLBO、SFLA、DE和PSO算法,具有较好的收敛速度和全局极值寻优能力;组合模型融合了MGTLO算法与GRNN、RBF、SVM模型单元的优点,在预测精度、泛化能力等方面均优于单一模型;MGTLO算法能有效优化各组合模型的相关参数和权重系数,MGTLO-GRNN-RBF-SVM模型预测精度最高。     

静电放电算法-混合核SVM的月径流预报模型及应用

为提高水文预测预报精度,构建基于多项式核与高斯核混合的支持向量机(SVM),利用静电放电算法(ESDA)优化混合核SVM关键参数和混合权重系数,提出混合核ESDA-SVM枯水期月径流预测模型,并构建高斯核ESDA-SVM、多项式核ESDA-SVM及ESDA-BP作对比预测模型,以云南省某水文站枯水期1—4月月径流预测为例进行实例研究,利用实例前24 a和后10 a资料对各模型进行训练和预测。结果表明,混合核ESDA-SVM模型对实例1—4月月径流预测的平均相对误差绝对值分别为4.09%、3.32%、3.51%和5.64%,预测精度均高于多项式核ESDA-SVM等3种模型。混合核ESDA-SVM模型综合了多项式全局核函数和高斯局部核函数二者优点,在预测精度、泛化能力等方面均优于对比模型,具有较好的实际应用价值。     

基于人工鱼群优化的支持向量机的水文预报系统

在比较各种水文预报方法的基础上,研究利用一种改进的支持向量机算法(SVM)对水文进行预测。阐述支持向量机理论的理论基础和原理,针对缺陷,提出基于人工鱼群优化的支持向量机算法(AFSVM),介绍人工鱼群算法基本理论和AFSVM,建立基于人工鱼群优化的支持向量机的拉萨河水文预报系统模型,并与标准的支持向量机预测模型进行对比。实验结果表明,AFSVM与标准SVM模型的预测精度差不多,AFSVM的训练速度优于标准SVM训练速度。     

组合多元线性回归模型在径流预测中的应用研究

为提水文预测预报精度,研究提出混合蛙跳算法(SFLA)-组合多元线性回归(CMLR)径流预测模型。首先基于主成分分析(PCA)数据降维和不降维构建CMLR模型;然后利用SFLA同时优化CMLR常数项、偏回归系数和组合权重系数,建立SFLA-CMLR径流预测模型;最后将SFLA-CMLR模型应用于2个年径流预测实例,并构建基于PCA降维处理的SFLA-PCA-MLR、SFLA-PCA-支持向量机(SVM)、最小二乘法(LS)-PCA-MLR、PCA-SVM和未经降维处理的SFLA-MLR、SFLA-SVM、LS-MLR、SVM作对比预测模型。结果表明:SFLA-CMLR模型对2个实例年径流预测的平均相对误差分别为1.54%、4.63%,预测精度均优于SFLA-PCA-MLR等8种模型,具有较好的预测精度和泛化能力。     

基于VMD-LSTM-ARMA模型的径流预测

为了提高径流预测的精度,提出了一种用以解决径流预测等问题的组合预测模型,此模型由变分模态分解(VMD)、长短期记忆网络(LSTM)和自回归移动平均(ARMA)组成。为了降低入库流量的复杂度,利用VMD算法将径流数据分解为3个不同频率的模态分量。低频的模态分量继承了数据的时间特性,可以通过构建LSTM预测模型处理;而2个高频序列是平稳的时间序列,可以通过搭建ARMA预测模型处理。将3个子序列的预测结果进行叠加,最终得到径流的预测结果。采用湘江支流的东江水文站2020年的逐小时流量数据进行流量预测,对比试验和其他算法结果表明：所构建的模型可以有效提高水文预报的精度。     

果蝇优化算法与支持向量机在年径流预测中的应用

针对支持向量机(SVM)学习参数难以确定的不足,利用果蝇优化算法(FOA)搜寻SVM学习参数——惩罚因子和核函数参数,提出FOA-SVM预测模型,并构建基于粒子群优化(PSO)算法、遗传优化(GA)算法搜寻SVM学习参数的PSO-SVM和GA-SVM模型作为对比,以云南省董湖站年径流预测进行实例研究。结果表明,FOASVM模型预测精度优于PSO-SVM和GA-SVM模型,具有较高的预测精度和泛化能力。     

基于粒子群最小二乘支持向量机的径流预测

为了处理好径流模拟预测中的确定性和随机性影响因素,提出了粒子群算法PSO(Particle Swarm Opti-mization)优化最小二乘支持向量机LS-SVM(Least Square SVM)参数的径流预测模型。PSO算法能够基于群体智能进行随机优化,计算简单易于实现且具有更强的全局优化能力。利用参数优化前后的LS-SVM模型,对新疆伊犁河雅子渡站23 a实测径流进行模拟,并对径流进行预测,结果表明,该模型收敛速度和预测精度令人满意。     

改进引力搜索算法与支持向量机在枯水期月径流预测中的应用

针对标准引力搜索算法(GSA)易出现早熟收敛问题以及支持向量机(SVM)学习参数难以确定的不足,提出一种基于加速度和速度改进的引力搜索算法(IGSA),利用IGSA算法搜寻SVM最佳学习参数,提出IGSA-SVM预测模型,并同标准GSA算法、粒子群优化(PSO)算法以及GSA-SVM、PSO-SVM模型作对比,以云南省某水文站枯水期1—3月月径流预测为例进行实例研究,利用实例前43 a和后10 a资料对模型进行训练和预测。结果表明:IGSA算法收敛精度优于标准GSA算法及PSO算法,有效克服了GSA算法早熟收敛问题,具有较好的全局搜索能力、预测精度和泛化能力。     

基于小波分解的AVOA-DELM月径流时间序列预测模型及应用

为提高月径流时间序列预测精度，提出小波分解(WD)-非洲秃鹫优化算法(AVOA)-深度极限学习机(DELM)组合预测模型，并应用于云南省丫勒水文站月径流预测。利用WD对月径流时序数据进行分解，以获得更具规律的子序列分量；通过AVOA优化DELM隐含层神经元数，建立WD-AVOA-DELM模型对各子序列分量进行预测，将预测结果加和重构得到最终月径流预测结果。同时构建基于支持向量机(SVM)、BP神经网络两种预测器的WD-AVOA-SVM、WD-AVOA-BP、AVOA-DELM、AVOA-SVM、AVOA-BP作分析对比模型。结果表明：WD-AVOA-DELM模型对丫勒水文站月径流预测的平均绝对百分比误差为3.02%,预测误差远小于WD-STOA-SVM、WD-AVOA-BP模型，预测精度较AVOA-DELM、AVOA-SVM、AVOA-BP提高1个数量级以上，具有较好的预测效果。WD能科学降低径流序列的复杂性，提高预测精度；AVOA能有效优化DELM关键参数，提高DELM网络性能。     

基于BP神经网络的来水量预测模型

针对径流量长期变化的因果关系复杂特性,常规的中长期水文预报模型又很难满足精度要求,提出了基于BP神经网络的来水量预测模型。结合实际径流数据,验证了模型的预报精度,可用来进行中长期水文预报。     

Research on Combination Forecast Mode of Conceptual Hydrological Model

The calibration and selection of conceptual hydrological model parameters is an important but complex task in runoff forecasting. In order to solve the calibration of conceptual hydrological model parameters, a multi-objective cultural self-adaptive electromagnetism-like mechanism algorithm (MOCSEM) is proposed in this paper. The multi-objective parameter calibration method of runoff forecasting avoids the “averaging effect” and considers both large and small runoffs hydrological features. In this paper, the self-identifying parameter combination forecasting method (SPCFM), a universality combination forecast model, is developed innovatively to improve forecasting precision by using the extreme parameters of Pareto optimal solutions. Finally, MOCSEM is combined with SPCFM to calibrate the parameters of forecasting model and forecast runoff of Leaf River. The results indicate that the proposed methods improve forecast accuracy and provide an effective approach to runoff forecast.     

遗传算法与最小二乘支持向量机在年径流预测中的应用

为克服最小二乘支持向量机(LSSVM)依赖人为经验选择学习参数的不足,利用遗传优化算法(GA)选择LSSVM惩罚因子C和核函数参数σ2,构建GA-LSSVM年径流预测模型,并构建LSSVM、GA-BP和传统BP模型作为对比,以云南省河边水文站年径流预测为例进行实例研究,利用实例前30 a和后22 a资料分别对各模型进行训练和预测。结果表明:GA-LSSVM模型对实例后22 a年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.13%、8.66%,预测精度优于LSSVM、GA-BP和传统BP模型。GA算法全局寻优能力强,利用GA算法优化得到的LSSVM学习参数可有效提高LSSVM模型的预测精度和泛化能力。     

免疫粒子群算法与支持向量机在枯水期月径流预测中的应用

针对支持向量机(SVM)最佳算法参数难以确定以及基本粒子群算法(PSO)易陷入局部极值等不足,提出免疫粒子群算法(IAPSO),利用IAPSO算法搜寻SVM学习参数,构建IAPSO-SVM预测模型,并与PSO-SVM、GA-SVM模型作为对比,以云南省某水文站枯水期月径流预测为例进行实例研究,利用实例前43年和后10年资料对模型进行训练和预测。结果表明:IAPSO-SVM模型对实例后10年枯水期1-3月月均径流预测的平均相对误差绝对值分别为3.32%、6.52%和6.55%,精度优于PSO-SVM和GA-SVM模型,表明IAPSO-SVM模型具有较高的预测精度和泛化能力。IAPSO算法利用浓度选择机制及免疫接种原理,改进了基本粒子群优化算法的全局寻优能力和收敛速度,具有较强的全局寻优能力。利用IAPSO算法优化得到的SVM学习参数可有效提高SVM模型的预测精度和泛化能力。     

面向EMD分解的径流分量重构方法对比研究

水文序列非平稳与非线性的复杂变化导致水文序列中长期预测的准确性备受质疑。"分解-预测-重构"模式作为一种新的有效的预测思路近年来备受业界和学者关注。但受到高频分量预测误差大、趋势走向不确定等问题困扰,这种模式在发展过程中仍有诸多需要改进的地方。其中,径流分量的重构方法是控制高频分量误差,提高整体预测精度的关键性措施,其优劣对预测效果实现有着重要的意义。基于经验模态分解(EMD)和自回归模型(AR)建立"分解-预测"耦合模型,结合粒子群优化(PSO)算法,提出PSO重构系数优化法和高频分量剔除+重构系数优化法两种重构方法,结合前人提出的高频分量剔除法,以陕北丁家沟站、关中华县站、陕南白河站为算例,对不同重构方法的效果进行对比研究。研究结果表明:基于高频分量剔除法、PSO重构系数优化法、高频分量剔除+重构系数优化法三种重构方法的预测效果均较好,五项误差评价指标均优于标准重构法,三种重构方法均可不同程度地提高预测精度。对比研究发现:高频分量剔除法在重构过程中剔除了最不稳定且最难预测的高频分量,提高了预测精度,但提升效果有限;PSO重构系数优化法对所有径流分量赋予优化重构系数并重构,可最大程度地实现分量间的平差,有效提高了预测精度;高频分量剔除+重构系数优化法综合上述两种方法的优势,取得了比其他方法更好的预测效果。     

不同组合小波神经网络模型对径流预测的适用性

针对水文时间序列的非平稳性特征,以长江三峡宜昌站1904~2003年年平均流量为例,分别建立了小波分析（WA）与BP神经网络和径向基函数神经网络（RBF）耦合的预测模型,探究了两种组合模型的预测效果,并与传统的单一人工神经网络模型对比;并采用5种常见的预测性能评价指标分析预测效果。结果表明：组合模型预测成果的精度较单一模型显著提高;组合和单一模型中RBF网络模型均优于BP网络模型;小波径向基函数神经网络组合模型具有较优的预测精度和泛化能力,是提高预测精度的有效方法,在径流预测中具有可行性。     

An automatic parameter calibration method for the SWAT model in runoff simulation

Runoff simulation is highly significant for hydrological monitoring, flood peak simulation, water resource management, and basin protection. Runoff simulation by distributed hydrological models, such as the soil and water assessment tool (SWAT) model which is the most widely used, is becoming a hotspot for hydrological forecasting research. However, parameter calibration is inefficient and inaccurate for the SWAT model. An automatic parameter calibration (APC) method of the SWAT model was developed by hybrid of the genetic algorithm (GA) and particle swarm optimization (PSO). Multi‐station and multi‐period runoff simulation and accuracy analysis were conducted in the basin of the Zhangjiang River on the basis of this hybrid algorithm. For example, in the Yaoxiaba Station, the calibration results produced an R² of 0.87 and Nash Sutcliffe efficiency (NSE) index of 0.85, while verification results revealed an R² of 0.83 and NSE of 0.83. Results of this study show that the proposed method can effectively improve the efficiency and simulation accuracy of the model parameters. It can be concluded that the feasibility and applicability of GA‐PSO as an APC method for the SWAT model were confirmed via case studies. The proposed method can provide theoretical guidance for many hydrological research fields, such as hydrological simulation, flood prevention, and forecasting.     

Singular Spectrum Analysis and ARIMA Hybrid Model for Annual Runoff Forecasting

High accuracy forecasting of medium and long-term hydrological runoff is beneficial to reservoir operation and management. A hybrid model is proposed for medium and long-term hydrological forecasting in this paper. The hybrid model consists of two methods, Singular Spectrum Analysis (SSA) and Auto Regressive Integrated Moving Average (ARIMA). In this model, the time series of annual runoff are first decomposed into several sub-series corresponding to some tendentious and periodic motions by using SSA and then each sub-series is predicted, respectively, through an appropriate ARIMA model, and lastly a correction procedure is conducted for the sum of the prediction results to ensure the superposed residual to be a pure random series. The annual runoff data of two reservoirs in China are analyzed as case studies. The results have been compared with the predictions made by ARIMA and Singular Spectrum Analysis-Linear Recurrent Formulae (SSA-LRF). It is shown that hybrid model has the best performance.     

ARIMA与ANN组合预测模型在中长期径流预报中的应用

基于时间序列预测模型及BP神经网络,提出了新的组合预测方法.该方法采用三层结构的BP神经网络来构造组合预测模型,运用时间序列模型预测方法得出的预测结果,采用历史滚动法将前5年的预测结果数据作为BP网络的输入,以当前年份的预测结果为网络期望输入,建立了ARIMA-ANN组合预报模型.利用Matlab7神经网络工具箱对塔里木河上游源流卡群水文站的年径流量进行了预报及验证.结果表明:组合模型的预报结果精度高,容错能力强,是中长期径流预报的有效方法.