基于随机森林模型的长江上游枯水期径流预报研究

预报因子选取和预报模型构建是长期径流预报的两大难点。本研究采用随机森林模型从当年1月份至10月份长江干流的实测径流和国家气候中心74项水文—气象特征因子共750个变量中选取预报因子集合,对长江上游屏山站、寸滩站枯水期（当年11月～次年5月）径流预报进行了研究。结果显示,随预见期增加,径流自相关关系逐渐减弱,水文—气象遥相关关系逐渐强于径流自相关关系。在屏山站和寸滩站的径流预报中,预报结果与实测结果呈显著线性关系,平均相对误差在20%以内。月径流预报误差还较大,枯水期总径流预报精度优于单月径流预报。不确定性分析结果表明随机森林模型除了预报径流变化趋势,还可以用于预报径流丰枯概率。     

基于修正组合模型的河川径流中长期预报

为了充分发挥灰色模型在单变量预测及神经网络在处理非线性问题上的优势,同时降低二者的线性组合模型中组合权系数计算方法的不确定性对模型预测效果的影响,本文基于修正组合预测的思想,借助马尔科夫链对灰色GM（1,1）、BP神经网络及组合灰色神经网络模型预测的误差序列进行了修正处理,并通过分析比较修正单一模型与修正简单组合模型在中长期径流预测精度上的差异,提出了基于修正组合模型的河川径流中长期预报方法。将该方法应用于黄河中游区四条一级支流窟野河、秃尾河、无定河与孤山川的控制性水文站年径流预测中,结果表明基于马尔科夫链修正的组合灰色神经网络模型具有更好的拟合与预报精度,是一种更有效的径流预测方法。     

基于小波消噪的混沌神经网络径流预报模型

水文要素时间序列中的噪声不仅影响水文混沌特性识别,更影响径流预测精度。本文基于小波消噪理论对水文序列中的噪声进行了处理,并利用混沌理论中的相空间重构技术计算出饱和嵌入维数作为混沌神经网络输入层节点数,将小波技术、混沌理论和神经网络方法结合起来对汛期日径流进行了预测。与消噪前相比,模型结构从7-10-1简化到6-8-1,预测合格率从77.56%提高到85.32%,平均绝对百分比误差从12.52%减少到10.86%,由此表明水文系列中的噪声会影响预测模型的参数和精度,本文所建立的模型是值得借鉴的。     

水库中长期径流预报现状及发展趋势研究

从水库径流预报的重要性出发,总结了径流预报的研究现状,并对其发展趋势做出了分析,最后对贵州水库径流预报的开展进行了展望。     

基于小波分解的径流预报非线性模型

径流时间序列中包含了大量的信息,从频率域上来看,这些信息包括变化平稳的低频信息和变化相对剧烈的高频信息。本文利用小波分解,将径流时间序列分解为低频项和高频项,低频项采用逐步回归法预报,高频项采用基于自组织法求解的Volterra滤波器预报,两者结果综合,最终实现径流预报。实例计算表明,该模型具有足够高的计算精度。     

神经网络径流预报模型中基于互信息的预报因子选择方法

神经网络在径流预报中得到了广泛应用并取得了良好效果,其关键问题之一是输入变量(预报因子)选择,但这一问题通常没有受到重视.本研究基于互信息的概念探讨了如何选择径流预报输入变量,并结合三峡工程建成前长江干流宜昌水文站的日径流预报进行了研究.结果表明,基于互信息能够有效地判断待选预报因子(输入变量)与预报变量之间的相互关系...     

基于贝叶斯框架的LS-SVM中长期径流预报模型研究

为解决最小二乘支持向量机模型采用交叉验证方法确定模型参数耗时较长的问题,将贝叶斯证据框架理论用于最小二乘支持向量机模型参数的优选.选用径向基核函数,建立了中长期径流预报模型.采用岷江紫坪铺水文站1937～2007年的年径流资料进行模型的预测和检验,并与交叉验证方法优选参数确定的最小二乘支持向量机模型及BP神经网络模型进行比较.研究结果表明,基于贝叶斯框架下的最小二乘支持向量机径流预报模型具有较好的预报精度.     

基于GIS的小波神经网络库区径流预报模型研究

提出了一种基于GIS与小波神经网络方法相结合构建而成的水库日径流预测模型(GWNNR),通过模糊C均值聚类分析将水库历史径流数据分成4类,并分别建立相应的小波神经网络预测模型,应用遗传算法(Genetic algorithm)和误差反传递(Back-propagation)算法对模型的参数进行优化,对某水库2005年日平均来流进行分类预测,结果表明,该方法具有较好的训练速度和较高的预测精度.     

Volterra神经网络水文模型及应用研究

本文在对Volterra泛函模型与ANN模型进行一致性研究的基础上,提出了基于Volterra泛函结构的神经网络水文模型(VNNH)。VNNH模型吸取了Volterra模型和ANN模型的优点,克服了它们的不足之处。VNNH模型设计了一种多项式的激活函数,克服了Volterra模型求解高阶核函数的困难。并利用自组织神经网络算法确定VNNH模型隐含层神经元的数目;根据Volterra模型的结构由流域的单位线确定VNNH模型的初始权值。将VNNH模型应用于两个实际流域的洪水模拟和预测中,取得了较为满意的结果。     

基于随机模拟信息的神经网络洪水预报模型

针对BP神经网络模型预报大洪水误差较大的问题,提出建立了一种基于概念水文模型随机模拟信息的神经网络洪水预报模型,该模型融合了概念水文模型和神经网络模型的优点.在实际应用中,首先利用概念水文模型(三水源新安江模型)随机模拟出占实测洪水一定比例的较大洪水,然后将这些随机模拟生成的较大洪水过程加入到神经网络模型的训练样本中,以增加训练样本中较大洪水的比重,从而提高洪水的预报精度.通过实例应用表明,模型预测效果较好.     

Time series prediction with a neural network model based on bidirectional computation style: An analytical study and its estimation on acquired signal transformation

Numerous studies on time series prediction have been undertaken by a variety of researchers. Most of them typically used unidirectional computation flow, that is, present signals are applied to the model as an input and predicted future signals are derived from the model as an output. On the contrary, bidirectional computation style has been proposed recently and applied to prediction tasks. A bidirectional neural network model consists of two mutually connected subnetworks and performs direct and inverse transformations bidirectionally. To apply this model to time series prediction tasks, one subnetwork is trained a conventional future prediction task and the other is trained an additional task for past prediction. Since the coupling effects between the future and past prediction subsystems promote the model's signal processing ability, bidirectionalization of the computing architecture makes it possible to improve its performance. Furthermore, in order to investigate the acquired signal transformation, two kinds of chaotic time series—the Mackey–Glass time series and “Data Set A”—are adopted in this paper. As a result of computer simulations, it has been found experimentally that the direct and inverse transformations developed independently and their information integration give the bidirectional model an advantage over the unidirectional one. © 2003 Wiley Periodicals, Inc. Electr Eng Jpn, 145(3): 50–60, 2003; Published online in Wiley InterScience ( www.interscience.wiley.com ). DOI 10.1002/eej.10232