基于随机森林和RBF神经网络的长期径流预报

基于我国南方某河流1965—1999年每年7月的实测流量资料,首先采用随机森林模型筛选预报因子,之后利用筛选的预报因子作为RBF神经网络的输入层,利用RBF神经网络对2000—2008年每年7月的流量进行了"滚动式"预报,并与实测结果进行了对比。结果表明:随机森林模型能有效地筛选影响因子,利用这些因子采用RBF神经网络进行径流预报的相对误差均在10%以内,拟合效果很好;"滚动式"长期径流预报结果相对误差的绝对值均在20%以内。     

基于改进RBF神经网络的新疆黄水沟径流预报

依据新疆黄水沟水文站1961~2005年逐月实测流量资料,采用随机森林模型筛选预报因子,利用筛选的预报因子作为RBF神经网络的输入层,利用RBF神经网络对该河流2006~2013年径流量进行"滚动式"预报,并与实测结果进行对比。结果表明:随机森林模型能有效地筛选影响因子,利用这些因子采用RBF神经网络进行径流预报的相对误差均在10%以内,拟合效果很好;"滚动式"长期径流预报结果相对误差的绝对值均在20%以内。     

黄龙滩水库中长期径流预报方法研究

基于黄龙滩水库和潘口水库历史旬月径流数据,选取其2012年～2018年的径流、降雨数据进行灰色关联分析,筛选出与黄龙滩水库入库径流关联度最高的7个预报因子,建立深度神经网络(DNN)、Elman神经网络和支持向量机(SVM)径流预测模型,对模型参数进行训练,统计模型训练期和检验期的确定性系数、洪峰合格率、均方差和平均相对误差。预报效果表明,3种模型在黄龙滩水库中长期径流预测上效果较好,精度较高,误差较小,预报结果对于黄龙滩水库水文预报上具有重要意义。相比于深度神经网络和Elman神经网络,支持向量机在洪峰预报上误差更小,且具有更高的预测精度。     

考虑上游来水影响的中长期径流预报

雅砻江流域地面气象站点不足、分布不均,难以获得精确的流域面降雨资料,加之传统中长期径流预报模型泛化能力有限,中长期径流预报存在较大瓶颈。充分考虑流域水库间的物理联系,基于上下游水库流量变化在时空上的相似性,对1957年～2020年锦屏一级水库和二滩水库的历史月径流数据进行主成分分析,使用BP人工神经网络、随机森林和支持向量回归3种机器学习方法建立3种径流预报模型,通过决定系数R²,合格率Q_R以及平均相对误差MRE三项指标构成的评价体系对预测结果进行评估。结果表明,上游水库对于下游水库的入库流量具有显著影响,且3种模型在二滩水库中长期径流预报上均具有较好的预报效果(R²>0.8、Q_R>0.7、MRE<0.2)。随机森林模型模拟效果整体优于BP人工神经网络和支持向量回归模型,3种模型均具有较好的实用性,能为流域水资源精细化调度及科学管理提供数据基础。     

基于随机森林与支持向量机的水库长期径流预报

水库长期径流预报对于研判水文情势变化和指导水库调度管理具有重要意义。针对云南龙江水库年、汛期和枯水期平均入库径流,利用随机森林从环流指数、海温、气压和前期月径流中选取关键预报因子,基于粒子群与交叉验证相结合的算法优选参数,建立随机森林与支持向量机模型,开展龙江水库入库径流预报研究。结果表明:太平洋中北部与西部气候因子对径流预报的影响较大,前期月径流对年、汛期径流的重要性偏低,但对枯水期的影响程度与部分气候因子相当。随机森林与支持向量机模型总体精度较高,模拟与预报的合格率均达到85%以上,平均绝对百分比误差均低于15%,支持向量机的泛化能力强于随机森林,但二者在局部极值流量处的预报精度尚有待提升。     

石羊河流域中长期径流预报模型应用

以石羊河流域西营水库为研究对象,采用时间序列模型(逐步回归自回归组合模型、ARMA模型)和改进的人工神经网络模型(逐步回归BP神经网络模型、逐步回归RBF神经网络模型)进行中长期径流预报并对比分析,为石羊河流域水量调度系统设计提供参考。结果表明:4种预报方法都达到预报精度要求,其中RBF神经网络方法合格率最高,但耗时长,逐步回归自回归预报精度和模型耗时都比较合理,可为石羊河流域水资源调度提供参考。     

基于多模型组合方法的公平水库中长期入库径流预报

准确可靠的水库中长期预报结果对于指导受水区水资源优化配置等具有重要意义。本文首先选取SARIMA 模型、SVM 模型、XGBoost 模型与RF 模型分别构建公平水库月入库径流预报方案，以气象因子的物理机制为基础，在成因分析与随机森林重要性排序的基础上筛选关键预报因子并输入至4 个单一模型中。然后在对比分析各模型优劣的基础上，以线性与非线性组合2 种方式构建组合预报方案。结果表明：RF 模型在4 个单一模型中的模拟结果表现最优，SARIMA 模型的模拟精度随着入库径流量的增加而增加；组合预报模型较任一单一模型的模拟结果均更好，基于神经网络的非线性组合方式能够有效提高验证期的模拟精度，增加模型的泛化能力。     

长江上游水库入库流量的中长期预报EI北大核心CSCD

为分析数理统计模型与机器学习模型在中长期径流预报中的特点与适用性,挑选逐步回归与随机森林两种方法构建入库流量中长期预报模型,以气象因子的物理机制为基础,结合单相关系数及随机森林重要性分析识别关键气象因子并输入模型。利用长江上游乌东德、瀑布沟两个水库1959—1998年的入库流量训练了模型,并且预测了两个水库1999—2014年的入库流量。结果表明:两种模型的训练效果良好,稳定性强,随机森林的预测结果比逐步回归的精度高,但精度的差距较小;随机森林能减少预测因子值的异常变化带来的拟合误差,但过拟合问题更为明显。     

逐步回归和BP神经网络模型的枯季月径流预测

枯季径流是工农业用水的重要来源,分析和预报流域枯季来水情况,可为科学制定用水方案、合理调配水资源提供依据。运用逐步回归模型和BP神经网络模型分别对盘龙河流域枯季月径流进行拟合和预报分析,并采用相关系数、相对误差、合格率对两个模型预测精度进行比较。结果表明BP神经网络模型预测精度更高,预测结果精度满足规范要求,更适用于盘龙河流域枯期月径流的预测。     

基于Copula熵-随机森林的中长期径流预报研究

预测因子作为中长期预报模型的输入项,是影响预报结果精度的关键要素。为进一步提高预报精度,提出了一种Copula熵与随机森林模型相结合的中长期径流预报方法。该方法首先采用Copula熵指标对预测因子进行筛选,然后将选取的预测因子作为输入项,导入随机森林模型中对月径流进行相应预测。将该方法应用于汉江流域丹江口水库的逐月入库径流预报中,并与相关系数筛选法进行对比。结果表明:基于Copula熵指标筛选出的预测因子对应的模拟结果具有更高的精度,尤其对于汛期而言,其模拟值与实测值的拟合优度显著优于比选方法,说明其筛选出的预测因子具有更好的合理性。     

基于人工神经网络的黄河源区枯季径流预报

分析了黄河源区枯季径流的影响因素,并选取基于枯季径流形成机理的、与径流相关性高的因子作为人工神经网络模型的输入,运用误差逆传播算法的多层前向网络,利用VC^ 语言调用随机函数克服了网络全局寻优的缺陷,建立了黄河源区枯季径流预报的BP模型。对黄河源区枯季径流长期预报的结果表明,ANN(7,1,15,1)模型预报结果精度高,容错能力强,是枯季径流预报的有效手段。     

基于海洋表面温度的龙羊峡入库径流中长期预报

将基于海洋表面温度的多极耦合中长期预报方法引入黄河上游地区,构建了基于海温的黄河上游龙羊峡水库入库径流中长期预报模型,找到了与该地区径流相关度较高的影响因子。实例应用结果表明,所建模型显著降低了预报误差(2018年4—6月预报误差由-21%降至-2.5%),验证了所建模型的合理性、新技术引入的有效性和预报效果的稳定性。     

基于关联规则的数据挖掘技术在中长期水文预报中的应用

根据珠江枯季水量调度工作的实际需要,选取南盘江天生桥一级水库为实例,采用基于关联规则的数据挖掘技术构建了天生桥一级水库枯季平均入库流量的预测概念模型.通过模型检验表明,该方法作为定性预报模型,可以对枯季径流进行初步分级预测,为进一步的定量预报提供参考和支持.     

基于马尔可夫链校正GM-BP模型的径流预测

为进一步提高中长期径流预报精度,以兰西水文站1959-2014年径流深数据为例,分别利用灰色模型和BP神经网络模型对径流深数据进行预测,采用马尔可夫链推求状态概率对预测结果校正,用最小二乘法对双模型校正结果进行耦合。模型所得组合校正预测结果通过平均相对误差、均方差和合格率进行统计描述,校正后的组合预测结果平均相对误差和均方差分别为12.72%和11.70,均要优于灰色模型和BP神经网络模型且90.91%的预报结果满足相对误差小于20%的控制条件。可见,耦合模型能有效规避单一模型已存在的缺点,基于马尔可夫链的修正结果可使预测精度进一步提升。因此,本研究提供的组合校正模型在一定程度上具有更好的拟合效果和预报精度,是一种具有实用价值的预测模型。     

基于ANN模式的中长期水文预报研究

本文以水库月入库径流预测为例进行了中长期水文预报的人工神经网络模式的研究,研究采用了整体模式、分类模式、组合模式等,研究结果表明,具有非线性功能的人工神经网络方法可以改善中长期入库径流的预测。     

基于互信息与神经网络的天山西部山区融雪径流中长期水文预报

为提高天山西部山区融雪径流的预报精度,更好地指导所在区域的工农业生产发展,针对影响预报精度的关键问题(预报因子的选择),基于互信息法、相关系数法、主成分分析法对研究区的预报因子进行优选,采用RBF神经网络以及组合小波BP神经网络模型进行径流预报研究,并进行不同方案的比较。结果表明:①互信息法优选出的预报因子作为模型输入可以提高预报精度;②采用不同优选预报因子作为RBF神经网络以及组合小波BP神经网络模型的输入变量,结果表明RBF神经网络模型的预测精度要好于组合小波BP神经网络模型;③以相对误差作为评价模型精确度的标准,预测效果最好的是基于互信息方法挑选出的预报因子作为RBF神经模型输入数据的模型预测结果。     

基于产流机制的中长期径流预测RBF神经网络模型研究

从产流的物理过程出发,提出了影响产流的主要因子集,利用逐步回归分析法筛选影响各月径流的主要因子;利用筛选的主要因子建立了逐月径流预报RBF神经网络模型,并进行了实证研究。结果表明,不同月份的径流量主要影响因子不完全相同,存在明显的季节性差异;基于产流机制的RBF神经网络模型对于月尺度的径流过程,具有较好的模拟与预测能力。     

基于灰色系统与RBF神经网络的中长期水文预报

及时、准确的中长期水文预报能有效促进水库管理优化。以非汛期各月径流量为预报因子,通过计算所需预报年份与已有径流资料历史年份的预报因子之间的灰色关联度,遴选出与该年灰色关联度较大的年份作为代表年份。采用MATLAB数学软件构建RBF神经网络预报模型,利用选定的代表年份径流量对目标年份汛期径流量进行预报。以清河水库为例,用该模型预报汛期径流量。结果表明,模型简单可操作、运行速度快、预报效果好。     

尼尔基水库非枯季节中期入库径流预报研究

尼尔基水库非枯季节中期入库径流预报对枢纽的兴利调度特别是发电调度意义重大,但径流预报影响因素复杂,目前可用于作业预报的入库径流预报方法一直比较匮乏。本文首先对旬入库径流的影响因子进行筛选,采用多元门限回归和投影寻踪模型对尼尔基水库非枯季节中期入库径流进行预报。预报结果表明:除4月中旬预报合格率低于70%外,其他各旬预报精度均较高;确定性系数除4月上、中旬为低于0.7外,其他各旬均达0.7甚至0.8以上。模型模拟预测值与实测值有较好的一致性,预报精度较高。     

丹江口水库来水情势分析与径流预测

基于丹江口水库1956—2016年逐月平均流量资料,采用数理统计手段分析丹江口水库年径流量的周期性和趋势性;从百项气候系统指数集和太阳黑子数中筛选出预测因子,构建月平均流量与预测因子间的多元线性回归模型和随机森林模型,实现丹江口水库月径流预测。结果表明,丹江口水库年径流量呈显著的减小趋势,并伴随有6～8 a、18～21 a两类尺度的周期振荡特性;以2017年逐月平均流量为例,随机森林模型和多元线性回归模型的预报合格率分别为83.3%、75.0%,预报精度均较好,且随机森林模型的预测精度优于多元线性回归模型,可用于丹江口水库月径流预测。