基于支持向量机的中长期入库径流预报

采用基于支持向量机的预测模型对水库中长期入库径流进行预报,建立径流预报的SVM模型。预报因子的优劣决定着预测精度的高低。为了提高预报精度,尝试采用模糊优选法对预报因子进行优选。将所建模型应用于新疆雅马渡站的径流预测中,并与没有进行预报因子优选的SVM模型进行比较。结果表明,进行预报因子优化后的SVM模型明显提高了径流的预报精度,具有更好的应用价值。     

季节性支持向量机中长期径流预报模型

中长期径流预报对水资源利用工作具有重要的指导意义。针对月径流季节性特征提出了季节性支持向量机(SVM)中长期径流预报模型,以月份值嵌入样本的形式考虑了月径流的非平稳季节特性;引入了"参数网格化搜索耦合交叉验证"的参数率定方法,确保了模型参数选取的合理性。实例表明,季节性SVM中长期径流预报模型是有效的,相比标准SVM模型、分月SVM模型、BP模型具有明显的优势。     

基于改进支持向量机回归的日径流预测模型

日径流预测是水资源优化调度的重要组成部分,日径流预测精度的高低直接影响水资源优化配置的程度。针对日径流序列的特性,研究提出一种改进的支持向量机回归模型,并应用于日径流预测。与基本支持向量机和BP神经网络对比分析的实验结果表明,基于改进支持向量机回归预测模型的日径流预测精度明显高于BP网络,尤其是对于变化剧烈的径流序列表现出较基本支持向量机回归模型更优越的预测性能,为日径流预测分析提供了一种可靠、有效的途径和方法。     

支持向量机在径流预报中的应用探讨

径流的形成是一个涉及到水文、气象及力学等复杂的过程,中间包含降水、蒸发、产流、汇流等复杂过程,还受到地形、地貌、流域下垫面和人类活动等因素影响,其变化非常复杂,作为一种新的机器学习算法,支持向量机在样本有限的情况下,采用结构风险最小化准则,把学习问题转化为一个二次规划问题,从而得到唯一的全局最优解。尝试将最小二乘支持向量机技术用于径流预测,并与BP神经网络方法的预测结果进行了对比,证明SVM方法预测径流量精度要优于BP神经网络方法。     

支持向量机在中长期径流预报中的应用

本文探索了支持向量机在中长期径流预报中的应用。在支持向量机建模过程中引入了径向基核函数,简化了非线性问题的求解过程,并应用SCE-UA算法辨识支持向量机的参数。在SCE-UA搜索过程中进行了指数变换,以快速准确的找到最优参数。与人工神经网络模型预报结果比较显示,该模型能提高径流中长期预报的精度。     

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。     

基于遗传算法的支持向量机在径流中长期预报中的应用

支持向量机在径流中长期预报的应用中,普遍采用网格搜索法率定其参数,存在耗时较长、参数选取不当而导致预报精度低等问题,针对该问题提出了一种基于遗传算法的支持向量机模型,该模型结合遗传算法收敛速度快的特点对支持向量机参数进行优化选择,实现参数的全局自动化选取。应用乌江流域某电站的径流预报结果显示,相对于基于网格搜索参数寻优的支持向量机模型及神经网络模型,基于遗传算法参数寻优的支持向量机模型预报精度更高,泛化能力更强。更多还原     

基于支持向量回归机的长期径流预报 及不确定性分析

根据汉江流域皇庄站1981-2008年逐月径流量与1980-2007年逐月74项环流指数、北太平洋海温场、500hPa高度场的相关关系,利用逐步回归挑选预报因子,构建基于遗传算法的支持向量回归机模型(GA-SVR),并对2009-2013年逐月径流量进行预报;结果表明,径流预报精度较高,汛期平均相对误差在30%以内,非汛期、年总量平均相对误差在20%以内,均优于随机森林和多元线性回归模型。将GA-SVR模型的预报结果作为概率预报的基础,采用贝叶斯理论中的水文不确定性处理器(HUP)对预报的可靠度进行分析;结果表明,HUP不仅可以提供精度更高的定值预报,还能以置信区间的方式量化预报的可靠度,提供更为丰富的预报信息。     

基于支持向量机的钱塘江潮时预报方法

针对在钱塘江潮时预报中经验模型和传统神经网络的可靠性不足的问题,提出一种基于支持向量机的钱塘江涌潮到达时间预报方法。通过历史数据了解并分析钱塘江涌潮的周期性以及各涌潮周期间的相关性,取预报日期前后一个月的数据作为一个预报模型,以预测日期前一个月以及近5年内同一月份的隔日时间差数据作为训练样本,利用支持向量机预测未来涌潮到达时间。最后,通过对钱塘江沿岸多个水文站2015年农历八月初一至八月二十一的隔日时间差实例预测,验证了方法的有效性。     

基于改进相空间重构原理的支持向量机月径流模拟

基于交叉验证支持向量机(CV-SVM)原理及方法,构建以相空间重构理论与支持向量机相结合的径流时间序列模拟模型。针对相空间重构中确定延迟时间τ和嵌入维数m的方法众多,且各方法确定结果不尽相同等缺点,本文采用试凑的方法,在延迟时间τ和嵌入维数m取值范围为2～10内依次构建81个基于相空间重构理论的CV-SVM月径流模拟模型,以南利河董湖站月径流模拟为例进行分析,确定最佳延迟时间τ和嵌入维数m,并与自相关函数法等相关延迟时间τ和嵌入维数m的确定方法确定结果进行比较,旨在探寻延迟时间τ和嵌入维数m对月径流模拟精度的影响及其规律,为基于时间序列的水文模拟及预测预报提供方法和参考。     

基于支持向量机的钱塘江潮时预报方法北大核心

针对在钱塘江潮时预报中经验模型和传统神经网络的可靠性不足的问题,提出一种基于支持向量机的钱塘江涌潮到达时间预报方法。通过历史数据了解并分析钱塘江涌潮的周期性以及各涌潮周期间的相关性,取预报日期前后一个月的数据作为一个预报模型,以预测日期前一个月以及近5年内同一月份的隔日时间差数据作为训练样本,利用支持向量机预测未来涌潮到达时间。最后,通过对钱塘江沿岸多个水文站2015年农历八月初一至八月二十一的隔日时间差实例预测,验证了方法的有效性。     

基于在线增量学习支持向量机的径流预测

针对传统SVM模型及非增量SVM模型在训练过程中会产生冗余向量且效果差的问题,提出在线增量学习SVM预测模型,并利用祁县来远镇盘陀村昌源河上盘陀水文站的月径流历史资料进行的仿真测试。结果显示,在线增量学习SVM模型较传统的SVM模型有较高的预测精度。     

基于果蝇优化算法的支持向量机径流预测

为了提高径流预测的精度和可靠性,将支持向量机应用到单因子月径流预测建模中。针对支持向量机模型参数的选择费时费力且效果差的问题,利用全局寻优的果蝇算法优化选择支持向量机的惩罚参数和核参数,提出了基于果蝇算法优化支持向量机参数的FOA-SVM预测模型,并利用新疆某站的月径流历史数据进行了仿真测试。结果表明:与GA-SVM模型和PSO-SVM模型相比,FOA-SVM模型能够提高径流预测的效率与精度。     

基于混沌小波与支持向量机的径流预测

以淮河流域沙颍河水系沙河和澧河上游的水库为例,建立了月均流量的混沌小波支持向量机组合预报模型,充分利用了混沌分析的相空间重构、小波分析的多分辨率功能以及支持向量机的非线性逼近能力,并采用NSE、PBIAS和RSR对组合预测模型进行了评价。结果表明:混沌小波支持向量机组合预测模型的识别期和验证期模拟精度均较高,均优于混沌支持向量机模型。     

基于支持向量机模型的湘江枯水预报研究

随着枯水期水资源短缺问题日益突出,人们对枯水径流的研究也越来越重视.运用支持向量机模型对湘江湘潭站年最小7 d平均流量进行预测.为了检测预报效果,将其预报结果与投影寻踪模型、人工神经网络模型的预报结果进行比较,表明支持向量机模型的误差合格率最高,预报精度也最高.     

基于多因子量化指标的支持向量机径流预测

利用最小二乘支持向量方法,构建了基于多因子量化指标的径流预测模型。对长江上游寸滩水文站1981—2000年逐月蒸发量、水库容积指标量化后,以不同降雨量和气温作为输入量,建立了15种验证方案,通过穷举搜索二维最小化Gridsearch算法优化出惩罚因子和核宽度,并对2001—2006年逐月径流量进行预测。经验证,方案3、14和12精度均令人满意,其中,方案3精度最高(均方根相对误差为0.11,相关系数为0.89,确定性系数为0.88,输入影响因子为平均降雨量、平均气温、水库库容和蒸发量量化指标4项)。通过15种方案的比较发现,Qmax、Qmin、Tmin和Tmax对预测精度有弱化的作用,库容量化指标对预测精度的影响比蒸发量化指标Ezf大。基于多因子量化指标评价体系的支持向量机径流量预测模型体现了不同影响因子对径流量影响的相对程度,实现了精度和实用性的统一,为缺资料地区研究预报提供了新的方法。     

基于PCA和支持向量机的径流预测应用研究

影响径流量的因素很多,并且这些因素与径流量之间存在着复杂的非线性关系。将主成分分析和支持向量机相结合,首先进行特征提取,降低数据维数,获取数据的主要信息;然后利用支持向量机建立径流预测模型,取得了非常好的效果。并与支持向量机回归模型进行了比较,结果表明该方法具有更好的预测精度,值得推广。     

基于粒子群优化支持向量机的径流预测模型研究

径流预测的精度关系到研究地区的水资源开发利用.为了提高径流预测的精度,将基于统计学理论的模式识别方法支持向量机引入到径流预测模型中.支持向量机中有2个参数惩罚因子C和核参数,这2个参数的选择对支持向量机的模型结构有重要的影响.为了准确地找到支持向量机的参数,将全局寻优的粒子群算法引入到支持向量机的2个参数优化中来.实例研究表明,粒子群优化支持向量机模型能够提高径流预测的精度.     

基于支持向量机的重要抽样方法

在结构可靠度分析中,对于非线性的隐式极限状态方程,与一次二阶矩方法相结合的传统响应面方法一般并不适用。支持向量机算法较好地解决了小样本的统计学习问题,为解决有限样本情况下结构极限状态功能函数的重构提供了有力的理论基础。基于回归支持向量机方法,采用有限的经验点重构结构极限状态方程,结合重要抽样方法计算非线性的隐式极限状态方程结构的可靠度。该方法相对传统响应面方法在结构计算工作不增加的条件下,可以获得高精度的解,能较有效地解决非线性的隐式极限状态方程的结构可靠分析问题。     

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。