SSA分解预校正模型在辽宁西部水库年径流预测中的应用研究

本文采用SSA分解预测模型结合灰色预测模型对辽宁西部某水库年径流进行预测。研究结果表明:SSA分解预测模型可降低年径流低频振荡的显著性,可对灰色预测模型预测的年径流系列进行预先校正,提供模型预测精度。相比于校正前的灰色模型,校正后的模拟预测年径流系列和水库实测年径流系列相对误差减少15.2%,年径流相关系数提高0.21,研究成果对于水库年径流预测方法提供参考价值。     

基于小波分解及Arima误差修正的径流预测模型及应用

为改善传统径流预测模型对随机性时间序列的预测效果并不理想的现状,构建基于小波分解及Arima误差修正的径流预测模型。应用小波分解法将径流时间序列进行分解和重构,使非平稳、随机性的径流时间序列平稳化,对数据样本预处理后建立以相关向量机(RVM)为理论基础的径流预测模型,并采用改进粒子群算法进行核函数全局寻优,最后对模型拟合残差进行Arima误差修正。通过实例计算得到传统支持向量机(SVM)模型、RVM模型和径流预测模型的预测值平均误差分别为8.60%,9.02%和3.64%。结果表明:通过小波分解及重构方法对非平稳时间序列的预处理可有效提高预测精度,同时Arima误差修正也有很好的效果,相比于SVM模型、RVM模型,基于小波分解及Arima误差修正的径流预测模型具有更高的预测精度,在实际工程中具有一定的可行性。     

基于残差灰色-马尔可夫链的生活用水量预测研究

针对传统GM(1,1)模型在用水量预测方面对非增长序列预测精度差、出现过拟合等问题,采用结合马尔可夫链修正的残差灰色模型预测生活用水量。首先在传统灰色理论预测的基础上,建立了改进残差灰色预测模型:对残差绝对值建立灰色模型,再结合马尔可夫状态转移矩阵判断残差预测值在tn时的正负号,对灰色预测值进行修正。将模型运用于河南省2007—2018年生活用水量预测,结果表明,传统灰色预测模型与改进残差灰色预测模型的平均相对误差分别为4.14%、2.04%,改进残差灰色预测模型的精度等级为"良";同时,改进后模型的后验方差也小于传统模型。这表明改进模型比传统灰色预测模型有更高的精度,拥有更好的可靠性,可以为用水量预测提供新的方法。     

基于改进灰色模型的水资源预测

为了提高灰色模型GM(1,1)对用水量预测的精度,通过对传统灰色模型的残差序列进行改进,提出了一种新的灰色改进预测模型。将其应用于城市居民生活用水量预测中,结果表明:与传统GM(1,1)模型预测值相比,改进GM(1,1)模型预测值与实际值拟合效果更好。     

改进BP神经网络集成模型在径流预测中的应用

为提高径流预测预报的精度和泛化能力,建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷,采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt法分别改进BP神经网络标准算法,依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测,并构建GA-BP预测模型作为对比模型;采用加权平均方法对各单一模型预测结果进行综合集成。结果表明:集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4.67%,最大相对误差绝对值为7.11%,精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点,具有较好的预测精度和泛化能力,是提高径流预测预报精度的有效方法。     

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。     

改进的 GM（1，1）模型在工业需水量预测中的应用

灰色系统模型在贫信息、小样本的非线性系统建模中具有明显优势,适合对时间序列较短时的需水量进行预测。该文针对基本灰色预测模型背景值构造不合理及未充分利用新信息的缺点,采用重构背景值和等维递补原理对基本GM（1,1）模型进行改进,并利用改进模型对惠州市工业需水量进行拟合和预测,结果表明,改进模型预测精度更高,可作为城市需水量预测的一种方法。     

并联组合建模在径流预测中的应用

针对径流预报的具体特征和相关问题,本文首先建立多元时变灰色预测模型,在分析多元时变灰色预测模型、非时变的免疫神经网络模型、最小二乘支持向量机模型在径流预报中应用的优势和不足的基础上,讨论并联组合预测建模的实用意义,并基于提高样本数据的精度将三者进行并联组合集成建模,充分发挥多种模型各自优点且相互补充。最后以新疆伊犁河雅马渡水文站的年径流预测为例,对该站年径流量进行并联组合预测建模,通过与三个单项模型的预测结果的比较分析,证实了本文所提出的组合预测的合理性、普适性和可靠性。     

基于R/S与灰色组合模型的窟野河径流预测

为提高灰色预测模型在径流预报中的可靠性,且R/S分析法能提供有效的非线性科学预测,将R/S分析与灰色理论相结合,提出了R/S灰色预测组合模型以预报河川径流量。依据温家川站和王道恒塔站实测径流资料,首先对径流序列进行R/S分析,确定序列的Hurst指数H以及循环周期T;然后在T内运用灰色理论对径流序列进行预测。结果表明:R/S灰色预测结果的精度均在80%以上,结果有效可行,可有效用于河川径流预测。     

改进RBF-Adaboost模型及其在年径流预测中的应用

为提高径向基神经网络(RBF)在年径流预测中精度,提出基于Adaboost算法及线性递减算法改进的RBF-Adaboost预测模型,以云南省姑老河站年径流预测为例进行实例研究,并构建RBF、GA-BP及BP模型作为对比模型.利用实例前34年和后20年资料对所构建的模型进行训练和预测.结果表明:改进RBF-Adaboost模型对实例后20年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4.83％、9.51％,预测精度优于RBF、GA-BP及BP模型.RBF-Adaboost模型集成了多个基于扩展系数及期望误差线性递减改进的RBF神经网络弱预测器,有效提高了RBF神经网络模型在年径流预测中的精度,模型具有预测精度高、泛化能力强等优点.     

基于中心逼近式灰色神经网络模型的水质预测

对时间序列建立中心逼近式GM(1,1)模型,通过优选模型的m值弱化序列变幅,利用BP神经网络对该模型残差值进行拟合修正,以此构建一个基于中心逼近式GM(1,1)模型的灰色神经网络预测模型.应用实例的计算结果表明,该模型可提高水质预测精度.     

大坝位移的改进非等间距GM(1,1)预测模型

基于灰色理论建立的GM(1,1)灰色预测模型常被用于大坝位移实测资料序列的分析。为提高大坝位移预测精度,在分析传统GM(1,1)预测模型构建原理、步骤的基础上,提出了对原始数据序列进行平滑处理、对背景值和残差序列进行优化等方法,建立了大坝位移预测的改进非等间距GM(1,1)模型,并用某大坝水平径向位移监测数据对其进行了检验,结果表明:改进的模型在大坝位移预测中的适用性更强,不仅提高了预测精度,而且保留了灰色模型建模灵活、所需数据少等优点,用于短期预测效果较好,用于长期预测的效果有待考证。     

基于遗传规划的径流预测新方法

应用遗传规划方法进行中长期径流预测,将预测模型视为遗传规划中的个体加以处理,依据生物界“优胜劣汰”的原则,运用复制、交叉和变异等遗传操作算子;根据历史样本数据自动生成最佳的径流预测模型,包括模型的函数形式以及模型参数;最后运用得到的预测模型对某水文站的年径流进行预测。仿真结果表明,基于遗传规划的径流预测模型可以明显提高径流预测精度,为解决中长期径流预测问题提供了一种行之有效的新方法。     

城市需水量预测方法比较

为了提高城市需水量预测的精度,基于北京市2000—2011年的实际用水量数据,对比分析了BP神经网络预测模型、灰色GM(1,1)模型、非线性趋势模型和灰色-神经-趋势组合预测模型及其基于马尔科夫修正的各单项模型需水量预测结果。结果表明:组合预测模型优于各单项模型,基于马尔科夫修正的各模型优于各未修正预测模型。基于马尔科夫修正的灰色-神经-趋势组合预测模型预测精度最高、效果最好。     

基于KPCA-PSO-SVM的径流预测研究

为提高径流预测模型的准确性与稳定性,对KPCA-PSO-SVM的径流预测方法进行了研究。在分析径流影响因素的基础上,利用核主成分分析(KPCA)法对径流影响因子进行非线性特征提取,获得主成分作为支持向量机(SVM)的输入变量,建立了径流预测SVM模型,其中模型参数通过粒子群算法(PSO)进行优化。模型建立后,以新疆伊犁河雅马渡站中长期径流预测为例进行分析。预测分析结果表明,在拟合和检验阶段模型的平均相对误差分别为0.77%和7.64%,与其他预测模型比较,基于KPCA-PSO-SVM方法建立的径流预测模型有较好的预测和泛化能力,是一种行之有效的中长期径流预测方法。     

基于改进灰色-周期外延模型的中长期水文预报

通过分析灰色系统理论和周期分析方法在水文预报中的各自特点,建立了灰色-周期外延组合预报模型。针对模型预报误差,采用AR(p)模型对误差序列进行拟合和预测,并据此对原模型预测值进行校正。将改进后的模型应用于中长期径流预报实例计算中,结果表明,改进后的模型更好地利用了实测系列的信息,具有更高的预报精度。     

改进灰色模型在水量预测中的应用

灰色模型对生活用水量进行预测本身具有一定的局限,数据离散程度越大,灰度也愈大,其预测精度也越差.文中采用滑动平均法对灰色预测的原始数据进行了改进,并采取残差修正,避免了数值过度波动.通过预测实例,结果表明改进后的灰色预测模型能有效提高预测精度.     

基于RBFNN数据延拓和CEEMDAN方法的径流序列组合预测

为提高径流预测精度,采用径向基神经网络(RBFNN)数据延拓技术处理完全集合经验模态分解(CEEMDAN)方法中的端点效应问题,并根据分解结果特点构建RBFNN-ARIMA组合预测模型。以1957—2013年黄河源区唐乃亥水文站年径流数据为例,先将选定的序列采用RBFNN进行延拓,然后进行CEEMDAN分解,对得到的分解分量运用RBFNN-ARIMA组合模型进行预测重构得到年径流量预测结果。研究表明,原始序列经过RBFNN数据延拓后再进行CEEMDAN分解,其所得分量可以有效反映不同时间尺度上的波动特征;ARIMA模型对高频IMF1分量的拟合效果较差,对其他中低频分量拟合效果较好;RBFNN-ARIMA组合模型预测结果的平均相对误差为5.23%,相较于RBFNN模型和ARIMA模型预测精度分别提高了9.88%和5.62%。因此,运用基于CEEMDAN方法的"分解-预测-重构"模式进行水文预测,对原始序列进行合理延拓并针对各分量特点进行组合预测可有效提高预测精度。     

基于Bayes分类的Markov径流量预测模型

针对河川径流成因复杂性和水文过程随机性的特点,且用单一预测法存在一定局限性的现状,提出混合Bayes-Markov预测模型。先用Bayes公式对径流进行丰枯分类,然后采用加权Markov分析方法建立预测模型,该模型可综合利用Bayes和Markov方法的优点,提高径流预测精度。以兰州站河川径流量预测为例,进行模型验证。结果表明,2003～2009年径流量预测精度达到85.7%,能满足规范要求。     

改进Elman神经网络在径流预测中的应用

针对传统静态前馈神经网络动态性能较差的缺点,提出一种基于遗传算法（GA）优化Elman神经网络连接权值的GA-Elman多元变量年径流预测模型.以新疆伊犁河雅马渡站径流预测为例进行实例分析,并构建传统Elman,传统BP和GA-BP多元变量年径流预测模型作为对比模型,预测结果与文献IEA-BP网络模型预测结果进行对比.结果表明:①GA-Elman模型的拟合及预测效果略优于文献IEA-BP模型,该模型用于多元变量年径流预测是合理可行的,具有较好的预测精度和泛化能力.②在相同网络结构及传递函数等条件下,GA-Elman模型的预测精度和泛化能力优于GA-BP模型,传统Elman模型优于传统BP模型,表明具有适应时变特性的Elman反馈动态递归网络预测性能优于BP网络;GA能有效优化Elman神经网络连接权值,使网络的预测精度和泛化能力有了较大提高.