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WPD-TSO-ELM模型的月径流时间序列预测

为提高径流时间序列预测精度,减少计算规模,基于“分解-预测-重构”思想,提出小波包分解(WPD)-金枪鱼优化(TSO)算法-极限学习机(ELM)组合预测模型,并应用于云南省龙潭站、革雷站月径流预测。结果表明,TSO算法具有较好的寻优精度和全局搜索能力,寻优精度优于HHO、GWO、SFO、PSO算法。WPD-TSO-ELM模型对实例龙潭站、革雷站月径流预测的平均绝对百分比误差分别为0.175%、0.121%,预测误差小于WPD~2-TSO-ELM模型,较WPD~1-TSO-ELM、SSA-TSO-ELM、VMD-TSO-ELM模型降低1个数量级以上。WPD-TSO-ELM模型预测精度高、计算规模小,是一种简洁高效的径流时间序列预测模型。     

基于CEEMD-GRNN组合模型的月径流预测方法

针对径流序列的噪声因素与非线性特性,采用互补集合经验模态分解法(Complete Ensemble Empirical Mode Decomposition, CEEMD)与广义回归神经网络(Generalized Regression Neural Networks, GRNN)的组合模型,对汾河上游上静游站、汾河水库站、寨上站、兰村站1958～2000年的月径流序列进行实例研究,探究3种不同建模方式下的组合模型对预测精度的影响,其中组合模型1使用加权平均集成法将各分量预测结果相加,组合模型2去除高频分量后再使用加权平均集成法将剩余分量预测结果相加,组合模型3去除高频分量后将剩余分量预测结果直接相加;再将组合模型与单一GRNN模型进行对比。结果表明:各模型的确定性系数(NS)均大于0.5,预测结果均具有可信度;不同的月径流资料适用不同的建模方法,对于极差较小的月径流序列,组合模型1预测效果最好,与另外两种组合模型及单一模型相比,平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)分别平均减少26%,17%,23%;对于极差较大的径流序列,组合模型2预测效果最好,与另外两种组合模型及单一模型相比,MAE,MAPE,RMSE分别平均减少30%,28%,33%。组合模型2预测误差总小于组合模型3,即加权平均集成法对提高预测精度有一定作用。三种建模过程的CEEMD-GRNN组合模型预测误差均比单一GRNN模型小,说明组合模型较单一模型更适用于月径流预测。     

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EMD-FBI-ELM模型的径流预测研究

为提高径流预测精度,提出基于经验模态分解(EMD)和法务侦查(FBI)算法、极限学习机(ELM)相融合的径流预测方法。首先采用EMD将径流序列数据分解成多个更具规律的分量序列,基于自相关函数法(AFM)、虚假最邻近法(FNN)对每个分量序列进行相空间重构;其次利用FBI算法优化ELM输入层权值和隐含层偏值,建立EMD-FBI-ELM径流预测模型,并构建EMD-FBI-SVM、FBI-ELM、FBI-SVM作对比预测模型;最后通过云南省姑老河水文站年径流预测实例对EMD-FBI-ELM、EMD-FBI-SVM、FBI-ELM、FBI-SVM模型进行验证分析。结果表明：EMD-FBI-ELM模型对实例年径流预测的平均相对误差为3.97%,平均相对误差较EMD-FBI-SVM、FBI-ELM、FBI-SVM模型的预测结果分别降低了53.9%、81.7%、86.5%,具有较好的预测效果。EMD-FBI-ELM模型用于径流预测是可行的,模型及优化方法可为相关预测研究提供参考。     

基于EMD-LSTM-ANFIS模型的年径流预测研究

为提高径流预测精度,提出基于经验模态分解(EMD)和长短期记忆(LSTM)神经网络、自适应神经模糊推理系统(ANFIS)相结合的径流预测模型。通过EMD将原始径流序列分解成多个更具规律的分量序列,利用自相关函数法(AFM)和虚假最邻近法(FNN)对每个分量序列进行相空间重构,确定输入、输出向量,建立EMD-LSTM-ANFIS预测模型,并构建EMD-LSTM、EMD-ANFIS、LSTM、ANFIS作对比模型,利用建立的5种模型对云南省龙潭站年径流进行预测及对比分析。结果表明:EMD-LSTM-ANFIS模型对实例年径流预测的平均相对误差为3.18%,平均相对误差较EMD-LSTM、EMD-ANFIS、LSTM、ANFIS模型分别降低55.0%、65.2%、68.1%、78.4%,具有更高的预测精度和更强的泛化能力。EMD-LSTM-ANFIS模型用于径流预测是可行和可靠的。     

基于EEMD与ANN混合方法的水库月径流预测

为了解决径流序列复杂的非稳态特征并提高径流的预报精度,采用EEMD-ANN组合方法构建径流预报模型,其中EEMD方法通过将非线性非稳态的水文序列分解为多组固有模态分量及趋势项,实现径流序列的稳态化,然后使用ANN方法分别进行预测,进而完成径流序列重构。以黄河龙羊峡水库为例,基于EEMD-ANN预报模型对入库径流量进行了预测,结果表明该方法可较精准地预测径流量。同时,通过对比分析发现,采用EEMD-ANN连续滚动预测月径流量在汛期的预报效果较好,而非汛期可采用同期预报的手段提高径流预报精度。     

基于EEMD的黄河上游主要来水区年来水量预测

为了提高径流预测的精度,采用EEMD将非线性、非平稳的径流时间序列分解为若干固有模态分量和趋势项分量,高频分量采用GA-SVM模型进行预测,低频分量采用GA-BP模型进行预测,趋势项采用RBF模型进行预测,然后对各分量进行重构,从而建立了EEMD组合预测模型,并应用于黄河上游主要来水区年来水量预测。结果表明:黄河上游主要来水区年来水量预测误差小于20%的预报合格率为100%,预测精度高,具有较高的实用价值。     

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。     

基于小波包分解的AJS-GMDH月径流时间序列预测研究

为提高月径流时间序列预测精度,建立基于小波包分解(WPD)、人工水母搜索(AJS)算法、数据分组处理方法(GMDH)的WPD-AJS-GMDH月径流时间序列预测模型。采用WPD将月径流时序数据分解为若干子序列分量;选取6个典型函数在不同维度条件下对AJS算法进行仿真测试;利用AJS算法优化GMDH网络关键参数,建立WPD-AJS-GMDH模型,并构建基于支持向量机(SVM)、BP神经网络及完全集合经验模态分解(CEEMD)、小波分解(WD)的17种对比分析模型;最后利用云南省龙潭站1952年~2016年780组的月径流时间序列数据对所建立的18种模型进行检验。结果表明,在不同维度条件下,AJS算法均具有较好的寻优效果;WPD-AJS-GMDH模型预测误差均小于其他17种模型;对于月径流时序数据分解,WPD分解效果优于CEEMD、WD方法;AJS算法能有效优化GMDH网络参数,提高预测性能。     

石河水文站输沙量与径流量相关性分析

以石河水库站汛期径流量和悬移质年输沙量的同步实测资料为依据,建立相关曲线,通过相关系数计算和显著性水平的检验及误差评定,给出回归预测模型,为延长石河水库站悬移质输沙量系列长度提供有效的理论依据,在方法和精度上为预测今后石河水库站年输沙量提供了保证。     

基于分项调查法和SWAT模型的水资源评价方法

现状下垫面条件下长系列天然径流资料是水资源评价的基础,但下垫面变化以及人类活动常常改变了水文循环过程,给水资源评价带来系统性偏差与较大的不确定性。以浠水流域为实例,提出将分项调查法和SWAT模型相结合的水资源评价方法,即根据水文站与水库位置关系建立不同水量平衡方程进行径流还原,利用与现状下垫面条件相近年份的还原后的径流数据进行参数率定与验证,并将构建的模型应用于长系列天然径流过程模拟计算。结果表明：仅采用分项调查法还原后的水文站降水-径流关系的一致性存在明显偏差;而通过构建基于现状下垫面条件下的SWAT模型,各水文站径流模拟值的降水-径流相关性优于还原值,且不同时期降水-径流关系一致性得到显著改善,表明该方法能够有效修正下垫面变化对径流的影响,有助于进一步开展水资源规划、水旱灾害风险评估等工作。     

基于多重演化模式重构的水文预报模型及应用

因长期受人类活动、气候变化等多重因素作用,水文时间序列表现出多时间尺度、多频率、动态变化、自记忆性等复杂性特征,增加了水文预报结果的不确定性。本文将经验模态分解模型,核主成分分析模型和支持向量机模型耦合,建立了针对复杂性水文时间序列的预报模型,并采用NASH效率系数、自相关系数、相对误差作为模拟预测精度及参数率定的多目标判断标准。模型应用于黄河花园口水文站径流序列的长期水文预报中,结果表明:模型预报时段长,具有较好的预测准确性和实践应用价值。该模型为多重因素作用的复杂性水文时间序列预报提供了一种方法。     

Monthly Streamflow Forecasting Using ELM-IPSO Based on Phase Space Reconstruction

We have developed a hybrid model that integrates chaos theory and an extreme learning machine with optimal parameters selected using an improved particle swarm optimization (ELM-IPSO) for monthly runoff analysis and prediction. Monthly streamflow data covering a period of 55 years from Daiying hydrological station in the Chaohe River basin in northern China were used for the study. The Lyapunov exponent, the correlation dimension method, and the nonlinear prediction method were used to characterize the streamflow data. With the time series of the reconstructed phase space matrix as input variables, an improved particle swarm optimization was used to improve the performance of the extreme learning machine. Finally, the optimal chaotic ensemble learning model for monthly streamflow prediction was obtained. The accuracy of the predictions of the streamflow series (linear correlation coefficient of about 0.89 and efficiency coefficient of about 0.78) indicate the validity of our approach for predicting streamflow dynamics. The developed method had a higher prediction accuracy compared with an auto-regression method, an artificial neural network, an extreme learning machine with genetic algorithm and with PSO algorithm, suggesting that ELM-IPSO is an efficient method for monthly streamflow prediction.

     

基于自适应变分模态分解和长短期记忆网络的月径流预报

准确可靠的月径流预报是流域水旱灾害防治及水资源合理配置的重要依据。原始径流时间序列包含多种频率成分，将时间序列数据分解预处理技术和机器学习模型相结合的混合模型已被用于捕捉径流动态过程。然而，将数据分解技术直接应用于整个时间序列是一种不切实际的方法，会导致部分信息从测试阶段传输到模型的训练过程中。为此，设计了一个用观测数据更新历史样本的自适应动态分解策略，提出基于自适应变分模态分解和长短期记忆网络的分解-预测-集成月径流预测混合模型。首先，采用自适应分解策略对径流时序数据进行变分模态分解，得到不同频率成分的子序列；其次，为每个分解子序列构建长短期记忆神经网络径流预测模型，并采用贝叶斯优化算法优选模型超参数；然后，将子序列的预测结果集成得到径流的最终预测结果；最后，以金沙江上游石鼓水文站月径流预报为研究实例，对比传统的分解策略(“捆绑分解”)和分解方法(离散小波变换和集成经验模态分解),验证所提混合模型的有效性和可行性。结果表明，所提混合模型在数据分解预处理中避免了引入未来信息，并能够进一步提升径流预报精度。     

西大洋水库唐河支流丰枯演化特征研究

唐河支流入库径流状态的变化对于西大洋水库运行管理及保障雄安新区水量供给都具有十分重要的现实意义,为此本文以西大洋水库唐河支流上下游倒马关、中唐梅水文站实测径流资料为研究基础,运用Archimedean Copula函数及Markov相关理论对两站丰枯遭遇概率及丰枯转移状态进行系统研究。结果表明:丰枯遭遇概率分析中,下游中唐梅水文站承接上游来水效果较好,两站丰枯遭遇概率中具有很强的同步性,概率接近0.8;丰枯转移状态研究中,两站在丰水状态都具有最强的自保守性,倒马关径流序列更显平稳,相较更适合预测;在稳定状态下倒马关水文站极端情况的重现期呈现相反态势,即特枯状态平均重现期最长,约为14年,而中唐梅水文站特丰状态平均重现期最长,约为10年,极端情况下的上游有利趋势并没有在下游水文站更好地呈现。     

克鲁伦河月径流混沌时间序列的LS-SVM和RBF预测

采用相空间重构理论计算实测月径流的延迟时间、嵌入维数、G-P饱和关联维数和Laypunov指数,证明克鲁伦河月径流时间序列存在混沌现象。混沌时间序列的最小二乘支持向量机预测模型涉及参数较少,计算过程简便,训练速度快。RBF神经网络预测模型具有较快的训练速度和较强的非线性映射能力。同时,二者在建模中都引用了径向基函数,从而更加简化了非线性问题的求解。实例表明:将这两种模型应用在月径流时间序列预测上,其运算速度都很快,但在预测精度上,最小二乘支持向量机预测模型要优于径向基神经网络预测模型。     

基于初值优化的灰色-马尔科夫傍河水源可靠性分析

傍河水源取水可靠性论证需要对河流的径流量进行分析,为提高河流径流量预测的准确性,本文提出了基于初值优化的灰色-马尔科夫模型来预测河流流量状态的方法,该方法分别将系列第一时刻的数据、最后时刻的数据以及前一时刻的数据作为初始条件,对各预测结果进行了加权平均,建立优化后的GM(1,1)模型,再用马尔科夫模型对灰色预测结果进行修正。运用该模型对辽河的巨流河水文站2000-2010年1月和2月的径流量预测值与实际值进行对比,预测精度较高。表明初值优化的灰色-马尔科夫模型预测方法可行,其预测较准确。文中利用该模型预测了未来10年区段枯水期的河流径流量,进而分析了区段内拟建傍河水源地取水的可靠性,为拟建水源取水工程的水资源论证提供了技术依据。     

Upper and Lower Bound Interval Forecasting Methodology Based on Ideal Boundary and Multiple Linear Regression Models

The uncertainty research of hydrological forecast attracts the attention of a host of hydrological experts. Prediction Interval (PI) is a convinced method that can ensure the forecasting accuracy meanwhile take uncertainty range into consideration. While the existed Prediction Interval methods need algorithm optimization and are susceptible to local optima, so it is particularly urgent to provide an efficient Prediction Interval (PI) model with excellent performance. This paper proposes a novel upper and lower bound interval estimation model to rapidly define the PI and reduce the amount of calculation to implement convenient and high precise hydrological forecast. Above all, the ideal upper and lower bounds are defined according to the relative width or absolute width. Then, the proposed model is utilized to forecast interval runoff via least square method and multiple linear regression methods. The estimated interval inclusion ratio, interval width, symmetry, and root-mean-square error which are popular used to judge the precision serve as accuracy evaluation indexes. The measured discharge data from five hydrological stations which located upstream of the Yangtze River is applied for interval forecasting. Compared with the results of neural network-based upper and lower bound interval estimation model, the proposed method yields higher forecasting accuracy, meanwhile, the ideal upper and lower bounds successfully minimize the number of processes which require a mass of parameter searching and optimization.